Sep, 2023

利用视觉转换器改善肺癌的诊断和预后：一项范围性综述

PDF
TL;DR通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或 UNet 模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问 lung-cancer.onrender.com/ 获取交互式仪表盘。
发现论文，激发创造
  • 基于改进的 Swin Transformer 的高效肺癌图像分类与分割算法

    本文提出了一种基于有效 Transformer 模型的肺癌图像分类和分割方法，将计算机视觉技术应用于医学图像分析，可为医务人员提供高效的技术支持。在多个方面对实验结果进行了评估和比较，并证明该算法可以很好地应用于肺癌分类和分割任务。

    Jul, 2022

  • 利用 Transformer 技术：肺癌图像检测的一次飞跃

    本文讨论了在基于图像分析的癌症检测中，迁移学习（TL）和 transformers 的作用。通过分析医学图像，如 CT 扫描和 MRI，以识别可能有助于癌症检测的异常生长，TL 等方法已被证明可以提高癌症分类和检测的质量和性能。本文对基于图像分析的 TL 方法进行了分析和批评，并比较了每种方法的结果，显示 transformers 在结肠癌检测（97.41%）和组织学肺癌（94.71%）方面取得了最佳结果。另外，还讨论了基于图像分析的癌症检测的未来方向。

    Nov, 2023

  • 基于视觉变换器和可解释人工智能的 CoVid-19 检测

    通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

    Jul, 2023

  • 机器学习与视觉变换器在甲状腺癌诊断中的应用：一项综述

    利用机器学习和大数据分析，特别是采用 transformers 评估甲状腺癌（TC）预后和确定个体恶性风险，该综述文章介绍了人工智能算法、框架目标和计算环境构建的新分类方法，以及对可用的 TC 数据集的审查和对比，强调了 AI 工具在辅助甲状腺癌的诊断和治疗中的重要性，特别关注 transformers 在医学诊断和疾病管理中的持续重要性，并探讨了该领域的进展和持续的障碍，最后还探讨了该研究领域的未来方向和重点。

    Mar, 2024

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • 应用人工智能技术与螺旋 CT 扫描结合的早期肺癌筛查分析

    中国肺癌的发病率和致死率居于所有恶性肿瘤之首，早期肺癌的诊断对患者预后的改善具有重要意义。近年来，人工智能技术在肿瘤学领域逐渐得到应用，特别是在肺癌筛查和早期诊断方面发展迅速。然而，目前关于人工智能技术结合 SCT 扫描进行早期肺癌诊断的研究还很少。本研究旨在应用结合方法于早期肺癌筛查，以找到一种安全高效的筛查模式，并为临床诊断和治疗提供参考。

    Jan, 2024

  • 使用 Vision Transformer 进行肺癌多标签分类的零样本学习和少样本学习

    研究利用预训练的 Vision Transformer 模型对肺癌病理组织切片（来自数据集 LC25000）进行多标签肺癌分类，比较了零样本和少样本 ViT 的性能表现，结果表明预训练的 ViT 模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在 Fig-Shot 设置下获得了最佳结果（在 validation 集和 test 集上均为 100%）

    May, 2022

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 医学影像中的 Transformers：一项调查

    综述了 Transformer 在医学图像中的应用，包括分割、检测、分类、重建、合成、配准和临床报告生成等方面，开发了分类法，确定了应用特定的挑战并提供了解决方案和最近的趋势，以及对整个领域的现状进行了批判性的讨论，包括关键挑战、未解决的问题和有前途的未来方向。

    Jan, 2022