Jun, 2023

医学影像信息学导论

PDF
TL;DR本文介绍医学影像信息学的基本概念，包括图像处理，特征工程和机器学习，并讨论了计算机视觉和深度学习技术的最新进展，以及它们如何用于开发用于疾病检测、诊断和预测模型的新量化图像标记。通过涵盖医学影像信息学的基础知识，为理解信息学在医学中的作用及其对患者护理的潜在影响提供了基础。
发现论文，激发创造
  • X 光，CT 或 MRI 的在线学习

    医学影像学中的计算机辅助诊断和人工智能技术能够自动识别疾病并处理医学图像数据，从而改进疾病的诊断方法。

    Jun, 2023

  • 深入医学图像分析：概念、方法、挑战和未来方向

    本文介绍了 Deep Learning 技术在医学图像分析中的应用，总结了相关进展，归纳了人体解剖学的分类，分析了该研究方向面临的挑战并提出了未来的发展方向。

    Feb, 2019

  • X 光成像、MRI 和核成像案例研究

    本文综述了医学成像技术中使用人工智能特别是深度学习方法如卷积神经网络来协助医生快速而准确地诊断疾病。

    Jun, 2023

  • 医学影像的自动化机器学习系统

    该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

    Jun, 2023

  • 深度学习在计算机断层摄影和磁共振成像分割中的自动化应用：初学者指南

    本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。

    Apr, 2023

  • 医学影像深度学习综述：MRI 为重点

    概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

    Nov, 2018

  • 医学影像中深度学习的综述：影像特征、技术趋势、案例研究、进展亮点和未来前景

    本文综述了深度学习在医学成像领域的应用，阐述了医学成像的特点、临床需求和技术挑战，描述了深度学习是如何应对这些问题的，其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例，最后展望了未来研究的方向。

    Aug, 2020

  • 医学影像学中的持续学习：从理论到实践的调查和实际分析

    通过综述医学领域中的连续学习研究，本文旨在全面审视近期的文献，突出最新趋势，并指出实际问题，包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略，我们还对医学影像中连续学习的现状进行批判性讨论，包括识别开放问题并勾勒有前景的未来方向。希望本文将为研究人员提供领域发展的有用概述，并进一步增加学术界的兴趣。

    May, 2024

  • ChatGPT 智能诊断开启医学影像潜能

    提出一个基于深度学习和 ChatGPT 的决策支持系统来辅助医疗保健机构和病人进行诊断、治疗和管理健康情况。该系统包含三个阶段：数据收集和标注，模型训练和诊断报告生成，可以提高决策能力，降低成本和提高医疗机构的能力，通过大量的实验得出自动诊断通过医疗图像具有良好的性能。

    May, 2023

  • 医学图像融合技术现状综述

    介绍了医学图像融合的方法和应用，强调融合多模式医学图像在提高医学诊断精度和临床应用性上发挥了积极作用，并提出了未来研究所面临的挑战。

    Dec, 2013