Jul, 2023

乳腺癌筛查乳腺 X 线摄影检测

PDF
TL;DR乳腺癌是导致癌症相关死亡的主要原因，但目前的计划成本高且容易出现误报，导致不必要的随访和患者焦虑。本文提出了一种自动乳腺癌检测的解决方案，旨在提高筛查计划的效率和准确性。该研究对 RSNA 数据集中的射线乳腺图片进行了不同的方法测试，约有 2 万名女性患者，并在方法间获得了平均验证 pF1 分数为 0.56。
发现论文，激发创造
  • 使用机器学习自动化乳腺 X 光摄影图像分析

    本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

    Dec, 2020

  • 利用机器学习技术进行乳腺癌诊断

    评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

    May, 2023

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 运用人工智能技术进行乳腺癌检测：系统文献综述

    本研究系统地综述了过去使用深度学习和机器学习进行基因测序或组织学影像检测和治疗乳腺癌的相关工作，并为将来的研究者提供了建议。

    Mar, 2022

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 基于放射学组学的人工智能方法在乳腺癌筛查和诊断中的更新综述

    通过使用人工智能的图像分析方法，如放射学，改善了乳腺癌的早期诊断和分类，提高了乳腺癌患者的护理水平。

    Jun, 2024

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 利用小波和傅里叶变换的互相关提高乳腺 X 光摄影的特异性

    文章对乳腺癌的检测进行了探究，提出了一种基于离散小波变换、傅里叶变换和朴素贝叶斯分类器的方法，在分析乳腺 X 线摄影图像的统计特征的基础上，实现了高准确率的乳腺癌检测。

    Jan, 2022

  • 乳腺 X 线摄影纵向风险预测

    将一种最新的机器学习模型，LoMaR，扩展到匹配任意数量的纵向乳房摄影，并预测未来乳腺癌风险，证明长期纪录（如四个年度乳房摄影）可以显著提高未来乳腺癌风险的预测准确性。

    Apr, 2024