Jun, 2022

使用人工智能在便携式仰卧胸部 X 光片上开发自动气管内管和气管分岔处检测

PDF
TL;DR本文研究了应用 Mask R-CNN 作为特征提取方法来解决可移动卧位胸部 X 射线片在检测气管插管和检测位置时所面临的问题，通过该方法可以提取出气管插管以及在图像中的叉状气管。实验结果证明了该方法的高鲁棒性，对于 ETT-carina 距离的检测精度达到了 5mm 左右。
portable supine chest radiographsendotracheal intubation detectionmask r-cnnfeature extractionett-carina distance
发现论文，激发创造
  • 基于视频的气管插管技能评估的深度学习

    该研究提出了使用单个和多个视图视频评估人工气道插管技能的框架，其中包括 2D 卷积自动编码器和预训练的自我监督网络提取视频特征，并使用具有跨视图注意模块的一维卷积增强模型进行技能评估。该方法在初期识别专家和新手试验方面达到了 100% 的准确率，在分类成功和不成功的操作方面显示了 85% 的准确率。该方法通过解释专家和新手行为以及成功和不成功的试验之间的差异，提供了一种可靠、客观的 ETI 技能自动评估方法。

    Apr, 2024

  • 基于 Transformer 的地标检测：面向机器人辅助鼻气道插管

    本文提出了一种基于变形 DeTR 和语义对齐匹配模块的基于 Transformer 的标志检测解决方案，用于检测机器辅助气道插管中的标志。实验结果表明我们的解决方案在检测准确性方面具有竞争力。

    Aug, 2023

  • 利用解剖学知识捕捉时间依赖关系的视频纤支镜气道标签预测

    本文提出了一种仅利用支气管镜视屏数据来实现导航引导的方法，通过 CNN 对气道分割进行单帧分类并采用基于状态转移的 HMM 模型应用解剖学约束和时间上文本信息对支气管树进行定位，能够在无需电磁跟踪和 CT 扫描的情况下，实现对支气管镜操作的视觉引导。

    Jul, 2023

  • 自我监督学习的无监督儿科肺结核 X 射线检测

    使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

    Feb, 2024

  • TieNet: 用于胸部 X 光片中常见胸部疾病分类和报告的文本图像嵌入网络

    本文提出了基于 Text-Image Embedding 网络的自动标注框架和胸透报告系统，利用临床自由文本的先验知识，结合卷积循环神经网络的多层注意力模型，对图像和文本进行嵌入和分类，并在未标记数据上相对于现有技术取得了更好的分类结果（平均 AUC 增加 6%）。

    Jan, 2018

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022

  • 基于时间距离视觉变换器的纵向计算机断层扫描在肺癌诊断中的应用

    通过两种时间距离视觉变换器的解释，本研究对广泛的长期医学影像进行了创新性的分类，并在 CT 肺筛查研究中取得了成功，优于横截面方法。

    Sep, 2022

  • 胸部 X 光图像导管的自底向上实例分割

    基于关联嵌入的导管实例分割的深度学习方法能够解决胸部 X 射线图像中多个导管重叠、细长以及实例分离的问题。

    Dec, 2023

  • 基于混合卷积神经网络 - 变换器架构的胸部 X 射线疾病计算机辅助诊断

    通过将 DenseNet121 卷积神经网络与自注意力机制相结合的 SA-DenseNet121 模型，可以在胸部 X 射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

    Apr, 2024

  • 基于深度学习的牙齿龋齿位翼射线照片检测

    开发了一种计算机辅助诊断系统 (CAD)，可通过作为牙医的第二意见，显著提高检测牙齿龋齿的能力；该系统由深度完全卷积神经网络 (FCNN) 组成，可对近 3000 个全口 X 光片进行自动诊断。与三名牙医的平均表现相比，我们的系统在召回和 F1-Score 方面的表现显著更好。

    Nov, 2017