利用计算机断层扫描(CT)检查中早期肿瘤的相似成像特征,本研究使用生成式人工智能模型制造现实感肿瘤,可以泛化到多个器官,并且所得到的模型可以在不同机构的 CT 图像中检测和分割真实肿瘤。
Feb, 2024
本研究利用合成肝癌在 CT 扫描中表现真实准确,以此训练 AI 模型实现肝癌分割,并且能够自动生成小型 (甚至微小的) 合成肝癌的多个样本,为提高肝癌早期检测成功率和评估 AI 鲁棒性提供新思路。
Mar, 2023
通过细胞自动机模拟肿瘤的发展过程,我们建立了一套通用规则,将肿瘤状态整合到原始计算机断层扫描图像中,生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估,证明了合成肿瘤的真实性和早期癌症检测的潜力。
Mar, 2024
通过使用去噪扩散算法,本研究提出了一种新颖的胰腺肿瘤检测方法,利用弱监督异常检测技术,可以在不需要复杂的训练协议和分割掩模的情况下,实现病变与健康对象之间的图像平滑转换,产生详细的异常图,为胰腺肿瘤检测领域的进一步研究做出了贡献。
Jun, 2024
人工智能基于图像分析在诊断组织病理学方面,尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法,需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签,我们改善了 Fréchet Inception Distance (FID) 的性能,从 178.8 提升到 90.2。我们还表明,病理学家难以检测到合成图像,敏感性 / 特异性的中位数为 0.55/0.55。最后,我们展示了合成数据有效地训练人工智能模型。
Dec, 2023
AI 驱动的肿瘤分析通过引入节省肿瘤收集和注释成本的高效解决方案(FreeTumor)取得了显著进展,通过对大规模数据进行综合训练和扩展数据集,在肿瘤分割方面展现出了优越性能。
该研究提出了一种新颖的可学习的神经距离,用于描述胰腺导管腺癌与周围重要血管之间的精确关系,并将其作为预后预测的主要特征。通过融合局部和全局特征,使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征,进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较,并在包括三个中心的外部测试集中进行统计分析,证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子,具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。
Aug, 2023
本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中,通过搜索最大的公共存储库之一,本文显示出当足够的可搜索案例数量可用于每种癌症亚型时,计算机一致性似乎可以用于诊断。
Nov, 2019
利用影像综合数据增强和半监督学习的方法,提高判断直肠癌的分割准确性和结直肠 T 分期预测算法的特异性和敏感性。
建立利用深度学习技术实时识别胃镜超声过程中胰腺各个站点的人工智能辅助工具,有效帮助医生更高效地进行训练。
Sep, 2023