Jun, 2023

利用 YOLOv5 进行 MRI 胼胝体的可解释定位和非典型帕金森综合症分类

PDF
TL;DR本文提出了一种基于 YOLOv5 的 CC 检测框架，用于区分非典型帕金森病患者和健康对照组。使用 3 轮留置验证，在由 20 个健康受试者和 20 个 APD 病例组成的专有数据集上，所提出的方法获得了 92% 的平均分类准确率，并且相对于使用同一数据集的 SOTA 方法（CC 形态学和视觉纹理分析）提高了 5%。此外，为了包含 YOLO 预测的可解释性，还生成了基于 Eigen CAM 的热图，用于识别导致分类的最重要的 CC 亚区，结果显示 CC 中体是区分 APDs 和 HC 最显著的亚区，这与医学上的 SOTA 方法和当前普遍的理解相一致。
s-mricorpus callosumyolov5parkinsonian disorderseigen cam
发现论文，激发创造
  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • 一个 3D 可解释性框架以揭示可变沟回识别中的学习模式和关键亚区

    本研究介绍了一种创新的 3D 可解释性框架，通过将本地可解释性技术 GradCam 和 SHAP 与降维方法相结合，验证了深度学习网络在检测前额媒体表面可能存在的解剖特征 —— 副扣带沟，该框架通过解释和统计特征的后融合转换，提供了局部和全局解释以及分类结果的准确性，揭示了对决策过程有贡献的相关子区域。利用来自精神分裂症患者的 TOP-OSLO MRI 数据集，发现了左侧大脑半球中副扣带沟存在与否的检测正确率较右侧更高，且各分类结果有各自明显的子区域贡献。同时，本研究无意中强调了公正的注释协议在维护网络性能公平性方面的关键作用。我们提出的方法不仅能自动、公正地注释可变的沟，还能深入了解其在整个脑部中存在的广泛解剖变化，该方法的采用有望在神经科学领域引发进一步的探索和研究。

    Sep, 2023

  • 评估 MRI 容积测量中 AI 与非 AI 方法对帕金森综合征诊断的比较验证

    本文研究了使用深度学习模型在脑磁共振成像的分割和体积测量方面的性能，结果表明深度学习可以显著降低分析时间而不影响分割性能，并提供更好的疾病分类准确性。

    Jul, 2022

  • 多模态多类帕金森病分类的 CNN 和决策级融合

    本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法，通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度，利用四个独立 CNN 模型进行决策层融合，实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类，获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。

    Jul, 2023

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系统。

    Dec, 2023

  • 借助深度学习辅助自动检测，实现头部计算机断层扫描图像重建标准化

    提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。

    Jul, 2023

  • 基于课程的多任务学习用于帕金森病检测

    利用深度卷积神经网络和课程学习，作者定义了一个难度逐渐增加的训练流程，以提高磁共振成像在帕金森病分类中的性能。

    Feb, 2023

  • RCS-YOLO: 快速高准确率的脑肿瘤检测物体探测器

    该研究提出了一种基于重参数化卷积和通道洗牌的新型 YOLO 架构（RCS-YOLO），并通过特征级联和计算效率提取更丰富的信息，减少时间消耗，实现了在大脑肿瘤检测任务上的最新性能，超过了 YOLOv6、YOLOv7 和 YOLOv8 的速度和准确性。

    Jul, 2023

  • 优化对比学习用于皮层折叠模式检测

    我们建立了一个自监督深度学习模型，用于检测扣带区域的皱褶模式，在包括人体连接组计划和英国生物银行在内的大规模数据集上进行了测试，并取得了量化的评估结果。

    Jan, 2024

  • AXIAL：基于 2D CNN 的 3D MRI 脑部扫描的阿尔茨海默病定位诊断可解释性的注意力机制

    这项研究提出了一种创新的方法来诊断阿尔茨海默病，使用设计用于增强模型决策可解释性的 3D MRI。我们的方法采用了软注意力机制，使 2D CNN 能够提取体积表示。同时，学习每个切片在决策中的重要性，生成了一个能够解释的 MRI 的体素级注意力图。通过使用阿尔茨海默病神经影像学计划（ADNI）的一个标准化的 MRI 数据集来测试我们的方法并确保结果的可重复性。在这个数据集上，我们的方法在两个任务中显著优于最先进的方法：（i）将 AD 与正常认知（CN）区分，准确率为 0.856，Matthew's 相关系数（MCC）为 0.712，分别比第二名提高了 2.4％和 5.3％；（ii）在区分稳定和进展性轻度认知障碍的预测任务中，准确率为 0.725，MCC 为 0.443，比第二名分别提高了 10.2％和 20.5％。我们通过采用双重迁移学习策略实现了这一预测结果，增强了对形态变化的敏感性，并促进了早期 AD 的检测。通过体素级精确度，我们的方法确定了哪些特定区域受到关注，并确定了这些主导脑区域：海马、杏仁核、视角回、下侧脑室。所有这些区域与 AD 的发展有关。此外，我们的方法在不同的交叉验证折叠中始终找到了相同的与 AD 相关的区域，证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。

    Jul, 2024