基于深度学习自动化定位下颌管在颞骨 CBCT 数据集上的可重复性分析
该研究描述了一个用于检测口腔放射影像中的牙科异常(例如龋齿、根尖病变、根管治疗缺陷、冠冕修复边缘缺陷、牙周骨质流失和牙石)的深度学习算法的临床验证研究设置、统计分析和结果,比较了使用该算法与不使用算法的牙科医生的检测性能,并通过统计学方法证明了结果的显著性提升。
Feb, 2024
通过深度学习模型建立 DSC (Dice Similarity Coefficients) 预测模型,用于评估心血管 MR 图像的分割质量;同时提出一种无标记数据的反向测试策略,预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量,实现实时分割方法的筛选为可分析图像,最大限度提高图像分析结果的优化。
Jun, 2018
本研究提出一种基于深度学习的多模态分析框架(DDMA)用于三维重建牙齿 - 骨骼结构,结合 CBCT 和口内扫描,实现了高保真度和精准的牙冠 - 骨骼结构分割。DDMA 可以显著提高数字牙科模型的质量,帮助牙医做出更好的临床决策。
Mar, 2022
本文利用心脏亚结构分割任务为例,建立了一个深度学习模型质量保证框架,其中通过使用训练自动编码器(DAE)和两个手工设计的特征来开发图像域移位检测器,再利用提取的特征训练回归模型来预测患者关键数据的分割精度,并成功测试了该框架。
May, 2023
该研究使用放射组学特征作为评估医生和自动分割工具的分割能力的最优指标,与 Dice 相似系数(DSC)相比较。研究选择可再现的放射组学特征来评估分割准确性,并使用 CT 扫描数据从 10 个肺肿瘤中提取的放射组学特征进行分析。研究发现,放射组学特征能够捕捉肿瘤分割特征的细微变化,尤其与形状和能量相关的特征表现出较高的敏感度,因此可用于评估医生的分割能力和自动分割工具的性能。这些发现可用于评估新的自动分割方法,提高医学分割培训水平,从而改进放射治疗实践。
Oct, 2023
本研究提出一种自我蒸馏技术,基于 SimMIM Transformer 在牙科全景 X 射线拍摄中进行牙齿编号、检测牙科修复和矫正设备以及实例分割任务。结果表明,该方法优于其他自我监督学习方法,并改进了牙科全景 X 射线图像的注释。
Jun, 2023
使用深度条件形状模型 2.0,结合边缘检测器和基于边缘图的隐式形状函数,在低数据环境中实现医学图像分割的高效率,从而提高数据利用率并取得了比基准方法更好的性能。
Jun, 2024
本文提出了三种图像压缩和去噪算法,以便将这些模型用于选择性体验重演的终身强化学习。经过测试,最大熵图像核心得到了最佳性能。
Jun, 2023
本文提出了一种基于深度学习的新型算法来自动分割下颌神经管,其中包括两个阶段:用新的基于直方图的动态窗口方案增强 CBCT 扫描图像以改善下颌神经管的可视性,然后采用基于 3D 深度监督注意力 U-Net 体系结构选定感兴趣的区域,最后采用多尺度输入残差 U-Net 结构准确地分割下颌神经管,并在 500 个扫描中进行了严格评估,结果表明我们的方法比当前现有的分割性能和鲁棒性方法表现更优越。
Oct, 2022
利用深度条件形状模型作为核心组件的新型分割算法,通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型,然后通过解剖标志物对生成的形状进行拟合到图像上,并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节,该框架在多种 3D 模态下的心脏左室分割问题上进行评估,自动化的 DCSM 在非对比度 CT 上表现优于基准结果,在对比度 CT 和 3DE 上添加细化后性能得到显著改善,而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。
Oct, 2023