Aug, 2022

使用卷积神经网络及分类算法预测颅骨骨折

PDF
TL;DR本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统，使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类，可以实现 96% 的 F1 值，95% 的汉明分值，94% 的平衡准确度分值和 96% 的 ROC 曲线。
发现论文，激发创造
  • 应用 CNN 和 Lazy Learning 方法通过 CT 扫描图像分类颅骨骨折

    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

  • 基于深度卷积神经网络的医疗图像的解剖分类

    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

  • 使用具有跳过连接的卷积神经网络进行脑肿瘤检测

    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

  • 智能颈椎骨折检测基于深度学习方法

    该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

    Nov, 2023

  • 推进脑肿瘤检测：对 CNN、聚类和 SoftMax 分类在 MRI 图像分析中的深入研究

    使用卷积神经网络和磁共振成像数据进行脑肿瘤的准确检测具有潜在对早期诊断和患者护理的影响。

    Oct, 2023

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    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

  • 训练医学影像深度学习系统所需数据量达到高准确度需要多少？

    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

  • 一种高效的深度学习模型，利用重建和微调技术对脑肿瘤进行分类

    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

  • 基于 CNN 视频分类框架的脑磁共振图像分析实证研究

    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

  • 基于 CNN 的医学图像分割

    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