Jun, 2023

卵巢癌残留病预测的多视角注意力学习

PDF
TL;DR本文介绍了一种基于多视图关注学习的新型方法 MuVAL 用于卵巢癌的残余疾病预测，致力于通过综合学习 3D 计算机断层扫描图像的多视图信息来提高预测效果，与现有的深度学习方法相比，它表现出更好的性能。
ovarian cancerresidual disease predictiondeep learning methods3d image informationmulti-view attention learning
发现论文，激发创造
  • 面向不确定性感知的前列腺癌检测的跨切片注意力和证据关键损失

    提出一种新颖的 2.5D 跨切片注意力模型，利用全局和局部信息以及证据关键性损失进行证据深度学习，用于检测前列腺癌的 MR 图像，该癌症为男性常见的癌症之一，并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验，取得了前列腺癌的最先进检测性能，并改善了确定性不确定性估计。

    Jul, 2024

  • 基于深度变体搜索算法集成高级注意力机制的肝肿瘤预测

    提出了一种利用卷积神经网络和基于深度的变体搜索算法与先进的注意机制（CNN-DS-AM）预测肝脏肿瘤的新方法，证明了将注意机制和基于深度的变体搜索算法结合到卷积神经网络模型中是提高肝肿瘤预测的准确性和鲁棒性的有希望的方法，可以协助放射科医生进行诊断和治疗规划，预测肝脏肿瘤的准确率达到了 95.5% 以上，优于其他最先进的方法。

    Nov, 2023

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    通过提出的一种基于深度学习的自动分割算法，在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现，为实现对 COVID-19 肺部感染的量化诊断打下了基础。

    Apr, 2020

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 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

  • StudyFormer：基于注意力和动态多视角分类器的 X 光图像研究

    该文提出了一种利用卷积神经网络和视觉变压器结合的方法，用于从多视角合并信息以提高 X 射线图像分类性能，实验表明该方法超越了单视角模型以及传统的多视角分类架构。

    Feb, 2023

  • 多阶段合作学习的胸部 X 光透视与临床视觉注意预测：增强解释性

    使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

    Mar, 2024

  • 基于注意力机制残差双 U-Net 的医学图像分割

    提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构，旨在提高医学图像分割的效率，以实现自动肺癌和皮肤癌的快速准确诊断。

    Jun, 2023