MMSep, 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

PDF
TL;DR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。
self-attentionvision transformerlongitudinal medical imagingtemporal behaviorlung cancer discrimination
发现论文，激发创造
  • 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

  • 从常规电子健康记录中整合成像和潜在临床特征的纵向多模态变压器用于肺结节分类

    使用基于 Transformer 的多模态策略，将电子健康记录中的临床特征和胸部 CT 扫描图像进行无监督解开耦合，并利用时间 - 距离缩放的自注意力来共同学习其表达式，从而实现 SPN 分类的高效准确。

    Apr, 2023

  • Swin-Tempo: 使用 Swin Transformer 增强的 UNet 在 CT 扫描作为视频序列中具有时间感知的肺结节检测

    我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个 3D CT 图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对 2D 数据的高效处理，并利用 3D 图像上下文进行准确识别。通过对公开可用的 Lung Nodule Analysis 2016 数据集应用 10 折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了 97.84％的准确度以及 96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

    Oct, 2023

  • ViT-V-Net: 用于无监督容积医学图像配准的视觉变换器

    该论文提出了一种基于 ViT 和 ConvNets 的新架构 ViT-V-Net，实现了类医学图像的体积重建。实验结果表明，该方法在图像配准任务中具有优异的性能。

    Apr, 2021

  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • LoViT：用于外科阶段识别的长视频 Transformer

    本文介绍了一种称为长视频变压器（LoViT）的两阶段方法，用于融合短期和长期时间信息的融合，可以比当前的方法更好地处理手术过程中的长视频，并通过将本地和全局特征结合起来使用多尺度时间聚合器对手术相位进行分类。研究发现，与现有的方法相比，LoViT 在两个手术视频数据集上的表现最优

    May, 2023

  • LT-ViT：用于多标签胸部 X 射线分类的视觉 Transformer

    利用 LT-ViT 来从多个尺度聚合信息，实现对胸部 X 光图像进行纯可视化模型训练，其优于基于纯 ViTs 的现有方法，在两个公开 CXR 数据集上表现出最先进的性能，并且对于其他预训练方法具有泛化性且不依赖于模型初始化，并且能够实现模型的可解释性而无需使用 grad-cam 及其变种。

    Nov, 2023

  • 医学图像分割的视觉 Transformer 近期综述

    医学图像分割是各种医疗应用中至关重要的一环，能够实现准确的诊断、治疗规划和疾病监测。最近，视觉变换器（ViTs）作为一种有望解决医学图像分割挑战的技术逐渐崭露头角。本综述论文对于医学图像分割中 ViTs 和混合视觉变换器（HVTs）的最新发展进行了详细的回顾。除了对 ViT 和 HVT 的分类外，还详细介绍了它们在几种医学图像模态中的实时应用。这篇综述可以作为研究人员、医疗从业者和学生了解 ViT 基于医学图像分割的最新方法的有价值的资源。

    Dec, 2023

  • 使用时变 LSTM 长期检测放射学异常

    本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

    Jul, 2018

  • 时间上下文的重要性：用疾病进展表示增强单张图像预测

    通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

    Mar, 2022