Aug, 2023

学习无偏见的图像分割：以普通膝关节 X 光片为例

PDF
TL;DR通过使用深度学习进行膝骨解剖自动分割，发现了深度学习模型中存在的性别和种族偏见，并提出了缓解这些偏见的策略，以确保公平和无偏差的分割结果，促进多样患者群体获得均等准确的诊断和治疗成果的医疗服务。
发现论文，激发创造
  • 医学图像分割中的无监督偏差发现

    通过数值实验在合成和真实场景中展示了我们的方法能够在没有真实标签的情况下成功预测公平性问题，这在该领域中是一种新颖且有价值的工具。

    Sep, 2023

  • 关节骨分割用于骨关节炎评估的监督学习、少样本学习和零样本学习方法的比较分析

    利用骨骼形态学分析研究膝关节骨性关节炎疼痛条件的性质，对 6 种语义分割算法进行评估，发现髂骨形态在疼痛加重时会发生显著变化，疼痛缓解时骨形状改变不明显。基于 few-shot learning 的算法 UniverSeg 在髂骨和胫骨的分割中表现出优异的结果，而零样本学习的算法 CP-SAM 对膝关节骨性关节炎疼痛条件的分类准确率达到了 66%。鉴于这些发现，few-shot learning 在语义分割中的有效性以及零样本学习在膝关节骨性关节炎诊断模型的改进潜力得到了强调。

    Mar, 2024

  • 一种使用单个深度学习网络对荧光成像和视频进行图像处理和分割的自动实时方法

    使用深度学习的新方法，能够实时准确地分割全膝关节置换手术图像，并取得了卓越的性能，为进一步的应用提供了可能。

    Jan, 2024

  • 基于分割引导的膝关节 X 射线图像生成，使用条件扩散模型

    使用条件扩散模型从轮廓和骨骼分割生成膝关节 X 射线照片，并展示了条件采样和条件训练两种方法能够生成逼真的图像，并且条件训练方法表现优于条件采样方法和传统的 U-Net 模型。

    Apr, 2024

  • 给我一张膝盖 X 光片，我会告诉你膝关节区域在哪里：一个深度卷积神经网络的冒险

    提出了一种准确、有效的管道，结合 You Only Look Once (YOLO v3) 深度卷积神经网络和具有全面注释的大型膝关节 X 射线图像数据集，实现自动检测、定位和分类 X 射线图像中的膝关节区域，为客观分析和快速分析异常 X 射线图像提供可能。

    Feb, 2022

  • 基于深度学习的普通 X 光片自动诊断膝骨关节炎方法

    本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据 Kellgren-Lawrence 分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

    Oct, 2017

  • 改进膝关节 X 射线影像分类：自动图像标注方法

    使用自动标注方法显著提高了放射性诊断中图像分类的性能，并促进了患者护理和大型膝部数据集的整理。

    Sep, 2023

  • 基于卷积神经网络心脏磁共振分割中种族和性别偏差的系统研究

    本文介绍了在医学影像领域应用卷积神经网络进行心脏结构分割的过程中，训练数据集失衡对 CNNs 偏差的影响进行了系统研究，实验结果表明数据失衡会导致 CNNs 对某些人群产生偏见，凸显了在医学健康数据集中需考虑对不同人口群体进行足够的表征的必要性。

    Sep, 2022

  • 深度学习模型选择对心脏磁共振分割中性别和种族偏见影响的调查

    研究使用人工智能在医学影像中进行自动化常规任务的过程中，模型选择对主体性别和种族的数据不平衡导致的算法偏见有显著影响，在心脏磁共振图像分割中，我们评估了三种基于卷积神经网络的模型和一种视觉变换器模型，发现其中三种模型存在显著性别偏见，而所有模型都存在种族偏见，然而偏见的严重程度和性质因模型选择而异，凸显了在医学影像任务的公平 AI 分割模型训练中模型选择的重要性。

    Aug, 2023

  • 使用深度卷积神经网络在普通 X 光片中自动评分膝骨关节炎特征

    使用深度学习算法，基于全 OAI 数据集进行 ImageNet 传递学习和微调，完成了对膝关节 X 射线图像中 KL 和 OARSI 等级的自动预测和较好的预测。

    Jul, 2019