X 光成像、MRI 和核成像案例研究
研究医学图像分析的最新技术,特别是使用机器学习中的深度卷积网络实现医学图像分析,深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。
Sep, 2017
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
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
该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法,例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外,机器学习可以辅助放射科医生做出更精确的临床决策,例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染,即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法,这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位,并推动防疫工作的进一步进展。
Jan, 2024
本文评估了医疗成像和分析技术在 COVID-19 中的作用,并介绍了最新的人工智能 (AI) 技术,如 AI - 强化的图像采集和精准的感染区分,以支持医疗专家进行有效的决策和治疗。本文还着重于探讨如何整合 AI 技术,优化常见的 X 射线和计算机断层扫描 (CT) 等临床工具,从而更好地抗击 COVID-19。
Apr, 2020
本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述,并总结了不同领域中 3D CNN 的研究成果,如分类、分割、检测和定位,同时讨论了医学成像领域(以及深度学习模型的使用)中面临的挑战和未来趋势。
Apr, 2020
本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理,评估了一种多模态模型用于脑肿瘤分类的性能,结果显示准确率约为 98%,同时强调了解释性和透明度的重要性以确保人类控制和安全。
Jan, 2024
研究探讨了使用人工智能技术对 X 射线图像进行分割的框架,将数据进行预处理和清洗后,利用 SegNet 和 Residual Net 方法对 X 射线图像进行分割,实验结果表明,所提出的方法在所有已知的参数方面表现更好
May, 2024