Aug, 2023

利用静态图像和动态视频进行乳腺病变诊断

PDF
TL;DR通过学习静态图像和动态视频的特征，并探索两种模态之间的潜在关系，我们提出了一种模拟放射科医生诊断过程的多模态乳腺肿瘤诊断模型，在在融合多模态特征之前，将动态视频特征在专业放射科医生指导下聚合。在 897 套乳腺超声图像和视频的数据集上进行实验证实，我们的模型提高了良性 / 恶性分类的性能，AUC 达到 90.0%，准确率为 81.7%。
deep learningcomputer aided diagnosisbreast ultrasoundmulti-modality diagnosis modelbenign/malignant classification
发现论文，激发创造
  • 将更多注意力转移到超声乳腺病变分割上的研究

    通过精心策划的一个覆盖广泛的视频数据集和创新的 FLA-Net 模型，实现了超声视频乳腺病变分割的最先进性能，并显著减少了时间和空间复杂度。

    Oct, 2023

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 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

  • 通过关键帧特征中心的指导提升乳腺超声视频分类

    探索使用静态图像数据集增强超声视频分类性能的可能性，提出了 KGA-Net 和一致性损失，通过使用静态图像生成的特征中心来引导视频模型中的帧注意力的一致性损失，KGA-Net 显著提高了公共 BUSV 数据集的分类性能，并证明了该方法的解释性。

    Jun, 2023

  • 探索 DCE-MRI 中良性和恶性乳腺病变的运动曲线特征分类

    利用 3D 特征分析动态和放射学特征可以有效区分良性和恶性乳腺病变，提高良性和恶性乳腺病变的分类准确性。

    Apr, 2024

  • 传统方法的超越：乳腺超声诊断的多任务网络

    乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

    Jan, 2024

  • 超声图像视频中的结节自动识别和区分，以促进逐结节检查

    通过收集数百个乳腺超声视频并构建一个基于深度学习模型的特征提取器和实时聚类算法的结构，我们首次尝试将重新识别技术应用于超声领域，使得超声图像中的结节可以自动区分和检测，从而在超声诊断中提高工作效率。

    Oct, 2023

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 一个面向超声视频的空间 - 时间渐进融合网络用于乳腺病变分割

    通过提出的 Spatial-Temporal Progressive Fusion Network（STPFNet）在超声视频乳腺病变分割问题中取得了比现有最先进方法更好的病变检测性能。

    Mar, 2024

  • 多模态经直肠超声视频分类用于临床显著前列腺癌鉴定

    为了有效识别临床显著性前列腺癌 (csPCa)，我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征，同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估，其在识别 csPCa 方面取得了有利的表现，AUC 为 0.84。此外，从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导，从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。

    Feb, 2024