Jul, 2023

基于聚类引发的掩模变换器对非对比 CT 扫描进行有效的机遇性胃癌筛查

PDF
TL;DR使用非对比度 CT 扫描结合深度学习方法进行胃癌筛查，通过独特的集群感应掩膜变换技术实现肿瘤分割和异常分类，与传统方法相比具有更高的敏感性和准确性，是一种新型的、非侵入性、低成本且准确的机会性胃癌筛查方法。
gastric cancerscreeningdeep learningnon-contrast ct scanscancer detection
发现论文，激发创造
  • 一种基于 Transformer 的胃肠道疾病检测方法

    本研究使用视觉转换器和迁移学习模型对内窥镜图像进行特征分类，从而协助医疗诊断，识别肠道疾病，准确率可达 95.63％。与预训练的卷积神经网络模型 DenseNet201 进行比较，并证明视觉转换器在各种数量化性能评估指标上均优于 DenseNet201。

    Oct, 2022

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • COVID-19 分类的统计测试视觉变换器

    该研究提出了一种同时使用 2-D 和 3-D 模型的方法，通过 Deep Wilcoxon signed-rank test （DWCC）来确定 Chest CT scan 的每一层的重要性，并借助 Convolutional CT scan-Aware Transformer (CCAT) 发现 Chest CT scan 的上下文信息，以判断出其是否为 COVID-19，该方法较之现有方法具有更好的性能。

    Jul, 2021

  • DeepGI：一个 MRI 扫描中胃肠道分割的自动化方法

    该论文介绍了一种切入先进的方法，能够自动化地在磁共振成像（MRI）扫描中分割胃肠道区域。利用先进的深度学习架构，该模型整合了 Inception-V4 进行初始分类，带有 VGG19 编码器的 UNet++ 用于 2.5D 数据，以及 Edge UNet 用于灰度数据分割。通过精心的数据预处理，包括创新的 2.5D 处理，以提高适应性，稳健性和准确性。

    Jan, 2024

  • 跨注意力 Transformer 用于多模态无监督全身 PET 异常检测

    利用 PET/CT 成像技术和 transformers 的多模态融合，提出了一种无监督的异常检测算法，用于检测癌症的存在，并表明该方法可以在缺少正常训练数据的情况下准确地进行癌症定位，进而提高了临床诊疗精确性。

    Apr, 2023

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • 基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

    这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是 Google 基于 ViT patch-32 变体，达到 96.15% 的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

    Jan, 2024

  • 利用自动增强和搜索优化技术改进基于 Transformer 的乳腺癌诊断分割

    这篇论文介绍了一种将自动图像增强选择（RandAugment）与搜索优化策略（基于树的 Parzen 估计器）相结合的方法，用于确定图像增强数量和相关增强参数的最佳值，从而提高分割性能。在乳腺癌组织切片中经过实证验证后，我们的结果表明，这种方法使得分割模型对组织切片变异更具弹性，同时保持高水平的分割性能，并在与以往研究相比较时显示出改善的肿瘤类别分割。

    Nov, 2023