Jun, 2023

一种可靠且易解释的多视角学习的肝纤维化分期框架

PDF
TL;DR本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法优于现有的多视角学习方法。
liver fibrosisdeep learningmulti-view learningsubjective logicdempster-shafer's evidence theory
发现论文，激发创造
  • MERIT: 可靠且可解释的肝纤维化分级的多视图证据学习

    该研究提出了一种基于证据学习的多视角方法（MERIT），具备对预测结果不确定性的量化和可解释性，对于肝纤维化分期决策过程中每个视角的重要性提供了阐明。

    May, 2024

  • 基于多模态学习的疾病预测

    这篇论文提出了一种 NAFLD 诊断系统（DeepFLDDiag），该系统结合了综合的临床数据集（FLDData）和基于多模态学习的 NAFLD 预测方法（DeepFLD）。该数据集包括超过 6000 名参与者的体格检查、实验室和成像研究、广泛的问卷调查和部分参与者的面部图像，对临床研究具有全面和有价值的意义。从数据集中，我们定量分析并选择对 NAFLD 预测最有贡献的临床元数据。此外，所提出的 DeepFLD 模型使用多模态输入（包括元数据和面部图像）来预测 NAFLD，在性能上优于仅使用元数据的方法。令人鼓舞的是，DeepFLD 可以仅使用面部图像作为输入而不是元数据来实现竞争性的结果，为更强大和简化的非侵入性 NAFLD 诊断铺平了道路。

    Jul, 2023

  • 多视点模糊表示学习与基于规则模型

    一种基于可解释的 Takagi-Sugeno-Kang 模糊系统的多视图模糊表示学习方法被提出，该方法从两个方面实现多视图表示学习：将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息；基于 L_(2,1)-norm 回归的新的正则化方法被提出以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构；通过对多个基准多视图数据集进行广泛实验验证了该方法的优越性。

    Sep, 2023

  • 左心房晚期钆增强 MRI 图像质量评估的两阶段深度学习框架

    自动化 LGE-MRI 图像诊断质量评估方法，包括左心房检测器和深度神经网络，通过多任务学习和对比学习提高精确度，用于左心房纤维化的可靠高质量扫描和治疗规划。

    Oct, 2023

  • 基于不确定性辅助的学习肝脏 $T_1ρ$ 映射与分析框架

    通过使用深度学习方法进行定量 $T_1 ho$ 成像，并采用参数图优化方法和不确定性评估，该研究提出了可靠的基于学习的定量 MRI 系统，用于肝脏 $T_1 ho$ 成像，达到了小于 3% 的相对定量误差和有效消除不可靠像素的效果。

    Jul, 2023

  • 联合自监督和弱监督预训练策略，从放射学和组织学标签中学习诊断肝硬化

    利用迁移学习和预训练方法提高肝硬化病理诊断的精度。

    Feb, 2023

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024

  • 多模态非对比增强 MRI 肝肿瘤分割和检测的联合对抗学习

    本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。

    Jan, 2022

  • 肝部 CT 扫描中超高性能病变检测和虚假阳性去除的级联方法

    开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。

    Jun, 2023

  • 基于证据的不确定性的可信多阶段肝肿瘤分割

    本文提出了一种新的受信任的多相肝肿瘤分割方法（TMPLiTS），该方法可以同时进行肝肿瘤的分割和不确定性估计，利用 Dempster-Shafer 证据理论和多专家混合的策略，从多相肝增强 CT 图像中识别肝癌并降低不确定性，实现可靠的诊断效果。该方法在实验中表现优异，并且对抗扰动时表现出良好的鲁棒性。

    May, 2023