Jun, 2023

利用先验知识指导的深度学习技术实现多中心脑部 MRI 的空泡检测和量化

PDF
TL;DR开发一种新框架，用于自动检测小血管病和认知疾病视图中的腔隙性病变，该框架通过输出分类负担评分来简化和有效加速识别过程，并减少对噪声标签的敏感度。
lacune detectioncerebral small vessel diseaseautomatic algorithmsfalse positivescategorical burden score
发现论文，激发创造
  • 多尺度定位感知的深度三维卷积神经网络，用于自动检测推测为血管性来源的腔隙

    使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙，具有减少误检率的优势，并且可以促进神经退行性疾病的研究。

    Oct, 2016

  • 利用深度学习实现解剖学尺度定位自动检测微出血，实现完整临床诊断支持

    本文提出了一种新的基于 3D 深度学习框架的脑部小出血检测方法，不仅可以检测 CMBs，还可以确定它们在脑部的解剖位置，以此显著降低假阳性率并提高检测灵敏度。

    Jun, 2023

  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 头颅 CT 扫描关键结果检测深度学习算法的开发与验证

    本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。

    Mar, 2018

  • VALDO 在哪里？MICCAI 2021 年血管病变检测和分割挑战

    该研究在国际医学影像处理和计算机辅助干预会议上举办的一个挑战赛中，提出了自动检测和分割脑部微小血管疾病成像标记的方法，尤其是对于 EPVS 和微出血的表现良好，但对于来自血管假定的干区缺损的实用性结果尚不明确。

    Aug, 2022

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023

  • 使用分割置信度卷积神经网络自动检测多发性硬化症病变负荷变化

    针对多发性硬化症患者康复过程中的病变检测，本文提出了一种新的自动化分割算法，通过识别病变变化的高确定性来较好地分离稳定型和进展型患者，高于常用的体积变化方法。在个体患者方面，变化的衡量不足以确立无病情进展，直接检测非病变到病变的组织变化是一种切实可行的方法。

    Apr, 2019

  • 使用受限对抗自编码器在脑 MRI 中无监督检测病变

    本文将基于自动编码器的方法，采用无监督学习的方法，利用健康人的脑 MRI 数据集学习其数据分布，提出了一种简单而有效的约束，希望能够在潜在空间中将带有病灶的图像映射到其对应的健康图像上，该方法在 BRATS 挑战数据集的病灶检测中表现出更好的性能。

    Jun, 2018

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • 颅内动脉瘤检测和定位的神经网络检测

    使用 nnDetection 框架和 TOF-MRA 进行医学图像分析，能够有效检测和定位颅内动脉瘤，具有潜在的临床应用。

    May, 2023