Apr, 2023

使用 Pylogik 进行医学图像去识别、清洗和压缩

PDF
TL;DR提出了一种名为 PyLogik 的 Python 库，用于清理和去识别超声图像中的 PHI 数据，并减小文件大小，以便于数据共享和机器学习应用。处理了 50 个心脏超声图像，结果显示平均 Dice 系数为 0.976，且数据大小平均约减小了 72％。
medical recordsbig datamachine learningdata cleaningdeidentification
发现论文，激发创造
  • Pyclipse，用于自由文本临床笔记去识别的库

    通过统一可配置的评估流程，pyclipse 框架提供了对临床文本数据进行自动去识别算法比较的单一界面，以改善算法性能评估的复现性和准确性，从而增强临床自然语言处理的患者保护能力。

    Nov, 2023

  • 迭代优化和统计结果验证的高效人机互动式深度学习模型训练

    本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

    Apr, 2023

  • 利用 DICOM 元数据的弱监督上下文编码器在超声成像中的应用

    使用 DICOM 元数据来帮助学习超声图像的表示，相较于非元数据方法在不同的下游任务上表现更好，解决了在低资源环境下获取高保真数据的难题。

    Mar, 2020

  • 机器学习应用中高效的大规模医学影像数据集准备

    传统 DICOM 数据管理系统无法处理机器学习算法所需的数据规模和复杂性，本论文介绍了一种创新的数据整理工具，旨在简化大规模医学影像数据集的组织、管理和处理，满足放射科医生和机器学习研究人员的需要，并在 RACOON 下进行集成。

    Sep, 2023

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • 基于深度学习和矩阵分解的隐私保护医学图像分类

    使用奇异值分解（SVD）和主成分分析（PCA）对医学图像进行混淆处理，从而保护数据隐私并在深度学习分析中提取相关信息。通过模拟基于人工智能重建攻击评估安全性，并使用相似性指数定量测量隐私程度。虽然隐私和准确性之间应权衡，但提供的技术允许仅使用受保护的数据训练血管造影图像分类器，并获得令人满意的性能，而不会带来计算负担、模型适应或超参数调整。尽管混淆的医学图像内容能很好地抵护人类感知，但假设的重建攻击证明也难以恢复原始帧的完整信息。

    Aug, 2023

  • PHICON：通过数据增强提高临床文本去识别模型的泛化能力

    本研究提出使用 PHICON 数据增强方法，即采用命名实体替换和上下文增强模拟保护健康信息从而提高神经模型的鲁棒性和泛化能力，实验证明此方法可显著提高新数据集的 F1 得分。

    Oct, 2020

  • 临床数据仓库中自然语言处理算法的开发和验证，用于匿名化文件

    本研究的目标是解决临床报告去识别化的问题，以允许访问数据以进行研究，同时确保患者隐私。作者通过使用深度学习模型和手动规则，对临床文件进行伪匿名化，取得了 0.99 的 F1 评分，并分享了相关代码和指南。

    Mar, 2023

  • 面向诊断的高效传统学习医学图像压缩

    远程医疗诊断对于实际医疗系统至关重要，本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器，通过调整部分策略网络参数以适应医学图像，实验证明仅使用 1 个医学样本，我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比特率，达到 47.594% 的比特率节省。

    Oct, 2023

  • 针对医疗记录去标识化的保护隐私文本表示的对抗性学习

    本论文提出使用 LSTM-CRF 模型和隐私保护技术，创造出不含保护健康信息的医疗文本表示来训练医疗文本去识别化，达到了 97.4% 的 F1 得分。

    Jun, 2019