Aug, 2023

DeepLOC: 基于深度学习的手腕 X 光图像骨病理定位和分类

PDF
TL;DR该论文提出了一种新颖的方法，结合 YOLO 和 Swin 以及新提出的模块，用于定位和分类腕部 X 射线图像中的骨病理，解决了精确定位骨病理和准确分类异常的挑战。
computer-aided diagnosisbone pathology localizationwrist x-ray imagesyoloshifted window transformer
发现论文，激发创造
  • 使用 YOLOv8 算法检测儿童腕部骨折 X 射线图像

    本文研究了如何使用 YOLOv8 算法从 X 光图像中检测儿童手腕骨折，并通过实验结果展示了该算法在不同模型大小上取得了不同的优势，其中 YOLOv8l 模型的平均精度最高（63.6%），而 YOLOv8n 模型在单个 CPU 上的推理时间只需 67.4 毫秒，并创建了 “使用 YOLOv8 应用程序进行骨折检测”，以协助外科医生解释 X 光图像中的骨折，降低误诊概率，并为骨折手术提供更多有用信息。

    Apr, 2023

  • 利用图像分割与自监督学习预测手腕 X 射线片中的骨质疏松症

    本研究使用手腕和手腕 X 光图像进行骨质疏松症预测，为增加筛查率而不增加成本或时间提供了一种新的方法。通过图像分割和自监督学习，本方法实现了对骨质疏松症的有效分类，为从外周骨骼部位利用视觉技术进行骨质疏松症识别的先导性工作。

    Nov, 2023

  • 儿童腕部外伤 X 射线图像的 YOLOv9 骨折检测

    该研究将 YOLOv9 算法模型应用于骨折检测任务，以帮助放射科医师和外科医生解释 X 射线图像，实验证明 YOLOv9 模型在性能上比当前最先进模型提高了 3.7%。

    Mar, 2024

  • YOLOv8 中的全局上下文建模用于儿童腕部骨折检测

    深度学习在儿童尺骨骨折检测中的应用研究，通过 YOLOv8+GC 模型对 X 射线图像进行分析与诊断，提高了模型性能达到国际先进水平。

    Jul, 2024

  • 仅使用全局标签的组织病理分类和疾病定位：一种弱监督方法

    提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

    Feb, 2018

  • X 光图像骨折检测和定位的新窗口损失函数 (基于点注释)

    通过点标注信息将医学图像中的骨折病变检测方法进行有效优化，使检测能力准确提升。

    Dec, 2020

  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • WS-YOLO：低监督 Yolo 网络用于内窥镜视频中的手术工具定位

    通过 Weakly Supervised Yolo Network (WS-YOLO)，从 da Vinci 手术机器人输出的粗粒度语义信息中生成细粒度的位置和类别信息，大幅减少人工注释工作量，实现手术工具在内窥镜视频中的定位。

    Sep, 2023

  • 现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断

    利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。

    Jan, 2024

  • 在胸部 X 光中使用可区分的 ROI 提议网络和软 ROI 池化进行弱监督对象检测

    提出了一种用于医学图像中疾病定位的新方法 —— 弱监督 ROI 提议网络 (WSRPN)，该方法通过专门的感兴趣区域 - 注意力模块实时生成边界框提议。在胸部 X 射线图像的具有挑战性的疾病定位任务中，实验证明该方法优于现有方法。

    Feb, 2024