Aug, 2023

甲状腺结节分割与诊断的形状边缘知识增强网络

PDF
TL;DR该论文提出了一种形态 - 边缘知识增强网络（SkaNet），用于同时进行甲状腺结节分割和诊断，并通过多任务损失函数和约束惩罚项共同优化，以嵌入形态和边缘特征，并建模甲状腺结节诊断结果与分割蒙版之间的关系。
thyroid nodule segmentationcomputer-aided diagnosisti-radsshape-margin knowledge augmented networkmulti-task loss function
发现论文，激发创造
  • 通过潜在语义特征协同注册进行甲状腺结节的超声图像分割

    提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

    Oct, 2023

  • 基于软激活映射的低剂量 CT 图像形态和边缘感知的肺结节分类

    论文提出了一种基于卷积神经网络（CNN）的软激活映射（SAM）和高级特征增强方案（HESAM）的肺结节分类方法，能够捕获更细粒度的肺结节形状和边缘特征并实现更精确的本地化，获得了最先进的预测性能，并在医学影像学界取得了实质性进展。

    Oct, 2018

  • 基于多视图自监督学习和两阶段预训练的甲状腺超声诊断改进

    用有限的手动标签，通过多视角对比自监督方法以及两级预训练，提高甲状腺结节分类和分割性能，超过了 ImageNet 预训练和最先进的自监督方法。

    Feb, 2024

  • 使用简单临床标注的非对称学习进行超声结节分割

    本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。

    Apr, 2024

  • 反复斟酌：基于特征反馈的临床启发型甲状腺超声病变检测

    本研究提出了一种基于特征反馈机制的新型检测网络，该机制首先粗略观察整体图像，然后专注于感兴趣的细节，并具有反馈特征选择模块和特征反馈金字塔两个部分来提高功能提取以及自适应融合多种特征

    May, 2023

  • 基于 3D CNN 多任务学习的肺结节风险分层

    本研究提出一种基于 3D CNN 的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

    Apr, 2017

  • 关于超声图像切片在点分布模型中的定位

    甲状腺疾病的超声诊断中，通过自动定位超声图像切片到三维形状表示，可以减轻医生的认知负担，并为超声诊断提供方便。使用交叉模态配准和统计形状模型，该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片，并为超声采集过程中的切片定位提供有用的工具。

    Sep, 2023

  • 使用边界感知网络进行三维肾脏及肾肿瘤的语义分割

    本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

    Sep, 2019

  • 从像素到幻灯片图像：基于表示学习的极化模态病理诊断

    通过图像和结构表示学习，该研究设计了一种三阶段模型来准确区分甲状腺肿瘤，通过颜色编码实现了与血红蛋白和伊红染色相近的效果，同时提供了甲状腺肿瘤的间接诊断技术。

    Jan, 2024

  • 基于深度学习的肺癌筛查自动肺结节管理

    该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

    Oct, 2016