May, 2023

使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

PDF
TL;DR本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。
lung lesionsradial probe endobronchial ultrasound3d neural networkswav methodcontrastive learning
发现论文，激发创造
  • EBUS-TBNA 扩展肺癌病灶分析的方法 -- 一种半监督视频对象检测方法

    该研究旨在建立一个基于计算机辅助诊断系统的肺病变诊断方法，使用支气管镜内支气管超声（EBUS）来帮助医生识别病变区域。

    Apr, 2024

  • 利用少样本学习通过内镜超声程序对细胞学影像进行初级肺癌和其他恶性肿瘤的分类

    建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排 EBUS 手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用 Batch Spectral Regularization（BSR）作为损失函数和修改 Finetune 能增强该模型的能力。

    Apr, 2024

  • 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

  • 传统方法的超越：乳腺超声诊断的多任务网络

    乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

    Jan, 2024

  • 一个面向超声视频的空间 - 时间渐进融合网络用于乳腺病变分割

    通过提出的 Spatial-Temporal Progressive Fusion Network（STPFNet）在超声视频乳腺病变分割问题中取得了比现有最先进方法更好的病变检测性能。

    Mar, 2024

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • US-SFNet: 一种基于空间频率领域的多分支网络用于超声图像中颈部淋巴结病变的诊断

    通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

    Aug, 2023

  • 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

  • 自监督预训练改善多种肺部超声解读任务的性能和推理效率

    通过自监督预训练可以生成适用于多种 B 模式肺部超声分析分类任务的神经网络特征提取器，经预训练模型在三项肺部超声任务的微调后，平均跨任务下的受试者工作特性曲线（AUC）面积分别提高了 0.032 和 0.061， 紧凑非线性分类器在单个预训练模型输出的特征上训练并不能提高所有任务的性能，但比起独立微调模型的串行执行，推理时间缩短了 49%；在仅使用 1％的标签进行训练时，预训练模型始终优于全监督模型，对于视图分类任务，最大观察到的测试 AUC 提高了 0.396。总体而言，结果表明自监督预训练有助于生成用于肺部超声分类器的初始权重。

    Sep, 2023

  • 面向经直肠超声诊断中临床重要前列腺癌分类的多模态融合与基于原型的特征细化

    提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

    Jun, 2024