Aug, 2023

PECon: 提升 CT 和 EHR 数据特征对齐以改进肺栓塞诊断的对比预训练

PDF
TL;DR使用对比学习的肺栓塞检测方法（PECon）结合患者 CT 扫描和电子健康记录，旨在提高两种模态之间特征表示的对齐性，从而改善肺栓塞的诊断效果，并通过实验结果表明该方法在 RadFusion 数据集上表现优于现有技术，得到了 0.913 的 F1 分数，0.90 的准确率和 0.943 的 AUROC。
发现论文，激发创造
  • 计算机断层扫描肺动脉造影影像的深度学习：一种肺栓塞检测的双重方法

    通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。

    Nov, 2023

  • 肺栓塞标注的特征增强对抗半监督语义分割网络

    本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

    Apr, 2022

  • PE-MVCNet：肺栓塞预测的多视角和跨模态融合网络

    为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。

    Feb, 2024

  • 基于深度学习和传统 CAD 方案的肺栓塞诊断：调研

    本文综述评估和比较了深度学习和传统基于计算机辅助设计系统在诊断肺栓塞方面的性能，为医生和研究人员提供帮助。

    Dec, 2023

  • SCUNet++：利用 Swin-UNet 和 CNN 瓶颈混合架构，结合多融合密集跳跃连接，评估肺栓塞 CT 图像分割

    自动肺栓塞（PE）分割方法 SCUNet++ 结合了多个融合的稠密跳跃连接来解决 CTPA 技术的局限性和特征分级层次结构问题，实验证明该方法在 PE 分割任务中表现出色，有潜力提高 PE 的自动分割准确性，为临床医生提供强大的诊断工具。

    Dec, 2023

  • RadFusion: CT 和 EHR 的多模式肺栓塞检测的性能和公正性基准测试

    通过整合医学影像和电子健康记录，可以提升肺栓塞分类性能和稳健性，并在不引入不必要误差的情况下，在受保护子群体之间全面评估公平性属性。

    Nov, 2021

  • 基于计算机断层扫描血管造影和临床数据的肺栓塞死亡率预测

    通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

    Jun, 2024

  • ConCare: 通过捕捉医疗保健背景个性化的临床特征嵌入

    本文提出了 ConCare 方法来处理不规则的电子病历数据并提取特征之间的关系以进行个性化医疗预测。该方法模拟了时间感知分布，进一步通过跨头部去关联来改善多头自我关注，以有效捕获动态特征和静态基线信息之间的相互依赖关系以形成个人健康背景。实验结果表明 ConCare 的有效性，并且由医学专家和医学文献经验证实了 ConCare 提取的医学发现

    Nov, 2019

  • 前向 - 前向对比学习

    该研究论文提出了一种基于前向前向对比学习的图像分类预训练方法，通过将前向算法与对比学习结合，可以构建出更加具有鲁棒性的分类模型，实验结果表明该方法可以取得比现有预训练模型更加出色的分类性能。

    May, 2023

  • 用动量对比学习进行少样本胸部 CT 图像 COVID-19 诊断

    提出一个新的深度学习算法来自动诊断 COVID-19，该算法只需要少量样本进行训练，使用对比学习训练编码器来捕获表达性特征表示，并采用代表性网络进行分类。在两个公开可用的已注释 COVID-19 CT 数据集上，我们的结果表明我们的模型在基于胸部 CT 图像的 COVID-19 精确诊断方面表现出优越性能。

    Jun, 2020