Apr, 2023

利用自监督对比学习和光学相干断层扫描术进行针刺过程中的组织分类

PDF
TL;DR提出了一种基于深度神经网络的方法，通过对针尖处复杂 OCT 信号的相位和强度数据进行分类，辅助医生在针的插入过程中对组织结构进行识别，并且使用对比预训练技术将同位的数据映射到不同的表示，从而在受限标记数据集的情况下提高分类的精度。在仅使用 10% 的训练集时，使用该技术可以将模型的 F1 分数从 0.60 提高到 0.84。
needle positioningepidural anaesthesiadeep neural networkcontrastive pretrainingtissue classification
发现论文，激发创造
  • 临床标记的对比度学习用于 OCT 生物标志分类

    该文介绍了一种基于临床数据提取标签的医学图像对比学习的新型正负集选择策略，该策略利用临床数据作为伪标签来选择训练网络的正负实例，以便从 OCT 扫描中直接分类疾病的关键指标，同时提出了一种使用临床对比损失的线性组合方法，并在不同颗粒度的生物标记物设置中与最先进的自监督方法进行基准测试，表现提升达 5％的总生物标记检测 AUROC。

    May, 2023

  • 基于光学成像和人工智能的医疗针尖追踪

    本研究提出了一种用于增强针尖插入指导的创新技术，基于散射成像和卷积神经网络，实现了针尖位置和方向的实时估计，通过实验证实了在股动脉插管过程中准确引导针头的潜力。

    Aug, 2023

  • 多器官自监督对比学习用于乳腺病变分割

    利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

    Feb, 2024

  • 利用迁移学习自动分类组织病理学图像

    利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。

    Mar, 2019

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021

  • 深度学习和合成训练数据在 sOCT 中的神经血管分割

    该研究使用序列切片光学相干断层扫描技术开发了一种高度可推广的神经血管分割方法，不需要手动注释并达到了人类水平的精度。

    Jul, 2024

  • 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

  • 在脑部手术中识别术中超声图像中的可见组织：一种方法和应用

    本文提出了一种用于识别可视组织的方法，并通过检测声学阴影和建立知觉显著性的置信度图来分析超声探头与组织之间的接触。 通过现场验证和幻影数据验证了该方法的实际性能，证明了其在临床训练和优化机器人辅助超声组织扫描方面的潜在价值。

    Jun, 2023

  • 数字病理学的自监督对比学习

    本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

    Nov, 2020

  • 使用 Er:YAG 激光进行消融期间，利用声波进行组织分类的深度学习方法（更新）

    通过分析激光消融期间产生的声波，我们提出了一种组织分类方法，并在体外实验中证明了其适用性，最终确定将时间相关数据与其频谱相结合的方法可以实现最高的分类准确性（65.5%-75.5%）。

    Jun, 2024