使用卷积神经网络及分类算法预测颅骨骨折
提出了一种新的模型 SkullNetV1,利用卷积神经网络和懒惰学习方法对脑 CT 图像中的颅骨骨折进行分类,可以自动化地检测和分类骨折类型,该模型在七类多标签分类中取得了 88%的子集准确度,93%的 F1 得分,0.89 至 0.98 的曲线下面积(AUC),92%的汉明分数和 0.04 的汉明损失。
Mar, 2022
本研究提供了一种使用卷积神经网络(ConvNets)进行 CT 医学图像的器官或身体部位特异性解剖分类的方法,并演示了深度学习可用于训练非常可靠和准确的分类器,可进一步初始化计算机辅助诊断。
Apr, 2015
本研究使用卷积神经网络 (CNN) 结构,对脑磁共振成像 (MRI) 图像进行分析和分类,以区分良性和恶性脑肿瘤,并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性,结果表明这些技术的子集可以优于基线 CNN 模型。
Jul, 2023
该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估,并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性,并通过两个计算机辅助检测问题的实验展示了更好的性能。
Feb, 2016
本文旨在研究最佳培训数据集的大小,以实现医学图像分类系统中高分类精度和低方差。 通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度,我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法,可轻松应用于此类系统中的其他问题。
Nov, 2015
本文提出了一种基于迁移学习的新型深度学习方法,通过对大量前处理和算法优化,尝试用多种转移学习算法来对 3,064 张 MRI 图像进行轻松地识别分类,得到了非常高的准确率,特别是 ResNet50V2 模型达到了 99.68% 的准确率,使神经学家和临床医生能够快速准确的诊断脑肿瘤患者。
May, 2023
本研究针对医学影像识别问题,探讨应用视频识别技术作为磁共振图像分类的方法,并运用三种不同的视频识别模型和数据增强技巧分别对四个阿尔茨海默病和帕金森病识别数据集进行实验。结果显示,相对于 3D-CNN 模型,视频框架在有效性上表现更佳,可减少 50% 至 66% 的可训练参数。该研究推进了 3D 医学成像和视频理解研究的融合潜力。
Feb, 2023
通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化,本论文应用于医学图像分割领域,实现了在手部和脑部 MRI 图像上的分割与验证。
Jan, 2017