Apr, 2023

使用全幅数字病理学影像自动分类中风血栓起源

PDF
TL;DR研究提出通过整合全切片数字病理图像的数据，利用多种先进的计算机视觉模型对血栓来源进行分类的新方法，其中 SwinTransformerV2 模型表现最佳，可以在不同血管区域检测血栓的来源，有望改善缺血性卒中的诊断和治疗。
blood clotsorigin classificationimaging techniquescomputer vision modelsischemic stroke
发现论文，激发创造
  • 基于 Transformer 的自监督学习用于缺血性脑卒中血栓起源的组织病理分类

    利用自我监督深度学习方法识别缺血性中风血栓来源的数字病理学研究，模型在交叉验证和测试集上取得了良好的性能，但仍需要进一步改进模型，并验证其有效性。

    May, 2024

  • 使用深度卷积神经网络和视觉转换器对中风血栓起源的图像分类

    本研究使用四种深度神经网络架构与简单集成方法，应用人工智能技术对急性缺血性卒中心源性进行分类。

    May, 2023

  • 基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

    本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

    May, 2023

  • 出血性中风分割和出血体积估计的自动串联模型

    基于 UNet 构建了一个级联的三维模型，从粗到细对 CT 图像中的出血区域进行两阶段分割，并自动计算出出血体积，与传统的 Tada 公式相比，该模型在 341 例出血性中风 CT 扫描中提供了高质量的分割结果（DSC 85.66%）和更好的计算效率（每个样本 6.2 秒）。

    Jan, 2024

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023

  • 急性卒中监测中的 CT 图像配准

    基于图像配准技术的卒中病人 CT 扫描中的缺血区暂时评估，引入新的相似性指标，快捷、便捷、易于操作。

    Jun, 2018

  • 脑血流动力学信号监测中的卒中预测和诊断模型

    使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

    May, 2023

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

    Nov, 2023

  • 用于 CT 图像上快速准确的颅内出血分类的双任务视觉变换器

    建立了 ICH 和正常对比以及三种 ICH 图像分类（深部、皮质下和叶间）的数据集，提出了一种用于自动分类和诊断 ICH 图像的双任务视觉变换器（DTViT）。实验结果表明，我们提出的多分类网络在实际测试数据集上表现良好。

    May, 2024