Sep, 2023

使用深度神经网络在胸部计算机断层扫描中进行肺气肿亚型划分

PDF
TL;DR通过深度学习，自动化 Fleischner 协会的视觉评分系统，识别和分析肺气肿亚型和严重程度。在 COPDGene 研究中，我们的算法在预测准确率上达到 52％，超过之前发表方法的 45％准确率。此外，我们的方法与视觉评分之间的一致性良好，而之前的方法仅获得中度一致性。我们的方法还可以计算每个肺部的肺气肿受累百分比，并扩展其预测能力以包括间质性肺气肿亚型。
emphysema subtypesseverity analysisdeep learningfleischner society's visual score systemcopdgene study
发现论文，激发创造
  • 使用压榨与激发卷积神经网络进行稳健的放射性肺气肿亚型标签化：MESA Lung 和 SPIROMICS 研究

    通过 3-D 挤压和激励卷积神经网络，在肺部计算机断层扫描中实现了对空间统计学信息感知的肺纹理模式和肺气肿亚型的准确分类。

    Mar, 2024

  • 通过领域注意力的 CT 强健肺气肿百分比定量：多族裔动脉硬化研究 (MESA) 肺部研究

    通过融合图像特征和定量扫描仪先验信息，我们开发了一个基于深度学习的端到端框架来准确量化计算机断层扫描（CT）中的肺气肿，并在大规模研究和临床应用中取得了显著改进。

    Feb, 2024

  • 利用合成病理先验在 CT 图像上对肺癌亚型进行分类

    提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standard” 信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

    Aug, 2023

  • MEDPSeg：基于计算机断层扫描的肺部结构和病变的端到端分割

    COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

    Dec, 2023

  • 自动化 COVID-19 存在与严重程度分类

    利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

    May, 2023

  • 使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测

    利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

    May, 2023

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 使用深度学习进行自动肺叶分割

    利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。

    Mar, 2019

  • 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

  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020