May, 2023

在实时超声病变检测中挖掘负时间上下文以抑制假阳性

PDF
TL;DR提出了一种名为 UltraDet 的模型，通过集成负上下文（NTC）以抑制假阳性，结合反向光流引导提取前一帧的上下文信息，在超声扫描过程中能够帮助医生更准确地诊断癌症。
ultrasoniclesion detectionobject detectionfalse positivesinverse optical flow
发现论文，激发创造
  • Context R-CNN: 针对每台摄像机的长期时间上下文目标检测

    本文提出了一种基于注意力机制的方法，通过利用一个摄像头的未标记视频帧的时间上下文来提高该摄像头的目标检测性能，并将其应用于两种场景：使用相机陷阱的物种检测和在交通摄像头中的车辆检测。结果表明，Context R-CNN 比强基线方法获得了更好的性能，并且增加时间跨度有助于提高性能。

    Dec, 2019

  • 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

  • UPI-Net：胎盘超声中的语义轮廓检测

    本研究将胎盘图像分析中的子宫 - 胎盘界面检测问题视为语义轮廓检测问题，提出了一种名为 UPI-Net 的方法来捕获胎盘几何中的长距离依赖关系以降低误检概率。实验证明 UPI-Net 比其他竞争对手具有更高的轮廓检测性能，而且不需要增加过多运算量。

    Aug, 2019

  • SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面

    本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

    Dec, 2016

  • 时间上下文的重要性：用疾病进展表示增强单张图像预测

    通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

    Mar, 2022

  • 基于时间上下文的真实世界视觉跟踪

    提出了一种利用时间上下文的双层框架 (TCTrack)，用于实现更强大的现实世界视觉跟踪，并在特征提取和相似度图优化方面进行了改进。

    Aug, 2023

  • 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

  • TCTrack: 航空跟踪的时间上下文

    本文提出了一种全面利用时间上下文进行航空追踪的框架，名为 TCTrack，该框架在特征提取和相似度图优化方面使用了时间上下文。实验表明，TCTrack 在四个航空追踪基准测试数据集上的效果令人印象深刻，并且在 NVIDIA Jetson AGX Xavier 上实现了高达 27 FPS 的高速。

    Mar, 2022

  • 无人机跟踪的多步骤时间建模

    MT-Track 是一种高效的多步骤时间建模框架，用于增强无人机跟踪任务中的时间上下文，并通过独特的时间相关模块和互补转换模块来提高跟踪准确性。

    Mar, 2024

  • 一种集成肺结节检测和假阳性减少的端到端框架

    本研究提出一种将肺结节候选筛选和假阳性降低整合成一个模型的端到端框架，与现有的两步法相比，该框架不仅提高了性能，还减少了复杂性，降低了推理时间。

    Mar, 2019