标注模糊图像:基于真实世界的生物医学骨折诊断验证的图像分类一般标注策略
通过 ProtoVerse 方法,我们成功应用于 VerSe'19 数据集,解决了骨折分级和深度学习模型解释性不足的问题,实现了对医学诊断的可解释性和临床适用性的提升。
Apr, 2024
我们提出了一种新颖的方法,利用深度神经网络在低剂量放射影像中进行可解释的椎体骨折评估(XVFA),结合了椎体检测和不确定性定位关键点。我们将 Genant 的半定量标准作为可区分的基于规则的方式来分类椎体骨折等级和形态。与以往的工作不同,XVFA 提供了与当前临床方法相关的可解释的分类,以及不确定性估计,同时在具有挑战性的环境中,在椎体级别的敏感度达到 93%,AUC 完整性达到 97%,超过了最先进的方法。此外,我们将模型的不确定性估计与读者间的一致性进行比较,模型的可靠性与人工注释者相当。
Jul, 2024
提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战,通过顺序执行椎骨定位、分割和识别的任务,有效利用椎骨的解剖先验信息,并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题,并进一步优化识别结果。
Jan, 2024
使用形状自编码器和自动化的多标签分割方法,本研究探讨了骨质疏松性骨折的及时诊断,以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。
Dec, 2023
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法,使用 DI2IN 进行初始化,使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进,最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017
本文旨在探讨开放式医疗数据集的质量控制问题,通过对 ChestXray14 和 MURA 两个数据集的视觉比对,发现标签的准确性存在问题,该研究建议公开数据集制作者应当进行质量控制并提供详细的数据生成过程及标注规则描述。
Jul, 2019
本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折,并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据,使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动,我们证明了该模型可以在更少的数据情况下达到更好的性能,与类均匀和随机策略相比,提出的基于医学知识的课程表现在准确性方面达到了高达 15%的优势,并实现了有经验的创伤外科医生的表现水平。
Apr, 2020
用于 CT 扫描的自动椎骨定位和识别对于许多临床应用很重要,本论文提出了一种简单的流程,使用 U-Net 进行标准预测,然后使用单个图神经网络来关联和分类具有完整方向的椎骨,并通过引入包含骨体关联的脊柱枢等标记来测试我们的方法,展示了我们的方法优于匈牙利匹配和隐马尔可夫模型的传统方法,在标准 VerSe 挑战的骨体识别任务上也表现出有竞争力的性能。
Jul, 2023
本研究利用注意力导向的主动学习策略,针对 3D 医学图像分割问题,仅需要标记 15%至 20%的脑提取任务中的切片和 30%至 35%的组织分割任务中的切片,便可达到与全标注数据相比的相似结果。
Jun, 2019
通过建立骨折数据集,提出了一个自动诊断踝关节骨折的诊断模型,该模型利用联合胫腓区域分割网络进行分割,通过图像配准法进行骨分割掩膜的注册,最终构建了半监督分类器来对踝关节骨折进行分类,实验证明该方法能够准确分割具有骨折线条的骨折并在多个指标上优于常规方法和分类网络。
Mar, 2024