Apr, 2023

跨注意力 Transformer 用于多模态无监督全身 PET 异常检测

PDF
TL;DR利用 PET/CT 成像技术和 transformers 的多模态融合，提出了一种无监督的异常检测算法，用于检测癌症的存在，并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位，进而提高了临床诊疗精确性。
canceranomaly detectionpet/cttransformersmulti-modal
发现论文，激发创造
  • 基于 Transformer 的无监督脑部异常检测和分割

    通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

    Feb, 2021

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020

  • 利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测

    我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。

    Nov, 2023

  • 基于视觉变换器的 PET/CT 图像淋巴瘤分割的多模态特征融合网络

    本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

    Feb, 2024

  • AutoPET Challenge 2023: 基于滑动窗口的 U-Net 优化

    使用荧光脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 结合计算机断层扫描 (CT) 在精准肿瘤分割方面提高了肿瘤分段的精度，FDG-PET/CT 扫描通过标记放射性荧光脱氧葡萄糖突出代谢活跃区域，对癌症分期和再评估至关重要，AutoPET 挑战通过提供 1014 例 FDG-PET/CT 研究数据集，鼓励在 FDG-PET/CT 领域内精确肿瘤分割和分析方面的进展。

    Sep, 2023

  • 全身 PET/CT 图像中自动肿瘤分割的定位到分割框架

    本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

    Sep, 2023

  • 使用图像转换技术在组织病理图像中无监督检测癌变区域

    本文介绍一种基于图像转换的框架，在医学影像的癌变区域检测领域中取得了比现有的无监督方法更好的性能，并且接近于有监督方法的性能。

    Apr, 2021

  • 利用 Transformer 改进多模态和纵向数据的乳腺癌分类和风险评估

    通过多模态变压器（MMT）神经网络，综合使用乳腺 X 光摄影和超声波，针对目前患癌患者和目前无癌患者，识别患者及估计未来胸部癌症风险的研究表明，MMT 在检测现有癌症方面取得了 AUROC 值为 0.943 的成绩，并超过了单模态基线，对于 5 年风险预测，MMT 实现了 AUROC 值为 0.826，胜过以往基于乳腺 X 光摄影的风险模型。本研究凸显了多模态和纵向成像在癌症诊断和风险分层中的价值。

    Nov, 2023

  • 基于视觉转换器的脑肿瘤分类方法，借助选择性跨注意力机制和特征校准

    提出了一种利用具有新型跨注意力机制的视觉变换器进行脑肿瘤分类的新方法，该方法充分发挥了变换器在建模长距离依赖性和多尺度特征融合方面的优势。实验证明，该方法在脑肿瘤分类中胜过其他最先进的方法，实现了更高的准确性和效率。所提出的特征校准机制和选择性交叉注意机制可以很容易地集成到其他视觉变换器架构中，成为医学图像分析领域未来研究的有希望的方向。

    Jun, 2024

  • 三维医学图像融合与可变形交叉注意力

    创新的无监督特征互学习融合网络用于融合三维磁共振成像（MRI）和正电子发射断层成像（PET）图像，提高医生和研究人员的信息获取能力，并在性能度量方面优于传统二维图像融合方法。

    Oct, 2023