开发基于机器学习的子宫肿瘤影像临床决策支持工具
我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤,具有对之前未见过的表型和成像模式的稳健泛化能力。
Feb, 2024
利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型,并提供了一种新颖的测试时自组合损伤融合策略,不需要进一步的修改,同时具备实例归一化,而非文献中广泛使用的批归一化,在不同扫描仪的临床测试数据上展示了良好的泛化能力。
Dec, 2023
通过深度学习的语义分割方法,我们提出了一种半监督框架用于盆腔器官的分割,该方法在语义分割和几何重建方面显著提高了性能,平均 Dice 系数可增加 2.65%,尤其对于难以分割的器官,如子宫,语义分割的准确性可提高最多 3.70%。
Nov, 2023
通过利用组织间的相互作用,我们提出了一种方法,通过标准护理的动态增强磁共振成像,准确地分割乳房中的所有主要组织类型,包括:胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤;我们的方法在肿瘤分割上取得了卓越的 Dice 指数,同时在其他研究的组织上保持了竞争性能;通过集成多个相关的肿瘤周围组织,我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。
Nov, 2023
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤(脑膜瘤、胶质瘤和垂体瘤)进行自动分割及识别,实验结果表明,采用了循环残差 U-Net 模型能达到平均交并比 0.8665,相比其它深度学习模型具有明显的优势。
Apr, 2023
通过引入一种新的数据增强技术,本研究旨在自动化脊柱肿瘤的分割和定位,利用医学影像中专家绘制的预定义掩模,结合模糊 c 均值聚类和随机森林算法的融合,实现了成功的脊柱肿瘤分割和分类,同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能,获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率,超过了现有最先进技术的有效性,改进了脊柱肿瘤的检测和表征诊断能力,从而促进了更有效的临床决策。
May, 2024
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
提出了一种新的多任务病变检测方法,应用于多种用于医学成像分析的单病例数据集中,利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释,从而提高三维体积通用病变检测的性能,与当前最先进的方法相比,平均灵敏度提高了 29%。
May, 2020
在肿瘤患者的随访 CT 检查中,肿瘤体征的尺寸测量对于评估治疗效果至关重要。高效的病变分割能够加速放射学工作流程。我们引入了 ULS23 基准,用于胸腹盆 CT 检查中的 3D 通用病变分割。该基准包含了胰腺、结肠和骨骼等各种挑战性的病变类型,在 284 名患者中共计包含 38,693 个病变。我们还开发并公开发布了我们的基线半监督 3D 病变分割模型。该模型在挑战测试集上取得了平均 Dice 系数为 0.703±0.240 的成绩。我们邀请持续提交以推动未来 ULS 模型的发展。
Jun, 2024
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