Jun, 2023

胸部放射学图像的肋骨骨折检测的深度全监督学习

PDF
TL;DR本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息，特别是针对刻画医疗数据的挑战性，该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头，并提出基于协同训练的动态标签分配策略，从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。
发现论文，激发创造
  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 在胸部 X 光中使用可区分的 ROI 提议网络和软 ROI 池化进行弱监督对象检测

    提出了一种用于医学图像中疾病定位的新方法 —— 弱监督 ROI 提议网络 (WSRPN)，该方法通过专门的感兴趣区域 - 注意力模块实时生成边界框提议。在胸部 X 射线图像的具有挑战性的疾病定位任务中，实验证明该方法优于现有方法。

    Feb, 2024

  • CT 扫描中的深度肋骨骨折实例分割与分类（RibFrac 挑战）

    肋骨骨折是一种常见且可能严重的损伤，在 CT 扫描中很难检测。为解决这个问题，引入了 RibFrac 挑战，提供了一个超过 5000 个肋骨骨折的基准数据集，包括 660 个 CT 扫描，并具有体素级实例掩模注释和四个临床类别（buckle，nondisplaced，displaced，or segmental）的诊断标签。此外，我们还改进了之前的基线模型，开发了 FracNet+，在肋骨骨折检测方面表现出竞争力，为 AI 辅助肋骨骨折检测和诊断的进一步研究和发展奠定了基础。

    Feb, 2024

  • 使用深度学习自动标记德语胸部 X 光放射学报告

    本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

    Jun, 2023

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 基于深度学习的肋骨中心线提取和标记

    本文提出了一种基于深度学习的方法来自动从 CT 扫描中提取和标记肋骨中心线，并在 116 名患者的 CT 扫描中取得了较高的精度。

    Sep, 2018

  • 用于前列腺癌症病变检测的超出分布的多视图自编码器

    基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测，并取得了比单一方向方法更好的检测效果（AUC：73.1 对比 82.3），表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。

    Aug, 2023

  • 逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

    自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

    Oct, 2023

  • DualAttNet：基于图像级和细粒度疾病注意力的协同融合，用于胸部 X 线多标签病变检测

    本文提出一种名为 “DualAttNet” 的双重注意力监督模块，用于胸部 X 光片的多标签病变检测，并对 VinDr-CXR、ChestX-ray8 和 COVID-19 数据集进行评估。实验结果表明，DualAttNet 在不同检测体系结构下的 mAP 和 AP50 超过基线 by 0.6% to 2.7% 和 1.4% to 4.7%。

    Jun, 2023

  • 自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

    本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

    Jun, 2023