Sep, 2023

仅使用图像级标签从超声图像中检测胆囊癌

PDF
TL;DR通过使用图像级标签进行 GBC 检测，本文提出了一种使用自我监督实例选择的多实例学习方法训练 DETR 模型的弱监督目标检测算法，相较于目前最先进的基于变换器和卷积神经网络的弱监督目标检测方法，我们的方法在 AP 和检测灵敏度上表现出较大的改进。
gallbladder cancerautomated detectionultrasound imageswsodtransformer models
发现论文，激发创造
  • 超越人类准确率：采用课程学习从 USG 影像中检测胆囊癌

    本文研究了基于 CNN 的模型在超声（USG）图像中用于胆囊癌（GBC）检测的潜力和挑战。我们提出了 GBCNet 来解决图像质量、噪声和纹理等问题，该模型在 GBC 分类任务中的表现明显优于 SOTA CNN 模型和专业放射科医生，并且还在乳腺癌检测方面得到了验证。

    Apr, 2022

  • 基于 YOLO 和 Faster R-CNN 的超声影像胆囊癌检测

    通过将 YOLO 和 Faster R-CNN 算法融合应用于超声图像中，本研究旨在选择更精确的包围盒以提高胆囊癌分类，实验证明该方法在分类性能上表现优越，准确率达到 92.62%，而仅使用 Faster R-CNN 和 YOLOv8 的准确率分别为 90.16% 和 82.79%。

    Apr, 2024

  • FocusMAE：应用聚焦掩码自编码器进行胆囊癌超声视频检测

    这份研究论文提出了一种基于视频的胆囊癌检测方法，采用 Masked Autoencoder (MAE) 进行表示学习，并引入了一种名为 FocusMAE 的新型设计，通过选择高信息区域的掩蔽标记来改善恶性肿瘤的表示，实现了 96.4% 的准确率，超过了当前图像和视频方法的准确率，并在 CT 图像上进行了验证。

    Mar, 2024

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

    自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

    Oct, 2023

  • EBUS-TBNA 扩展肺癌病灶分析的方法 -- 一种半监督视频对象检测方法

    该研究旨在建立一个基于计算机辅助诊断系统的肺病变诊断方法，使用支气管镜内支气管超声（EBUS）来帮助医生识别病变区域。

    Apr, 2024

  • BRAIxDet: 学习通过不完整注释检测恶性乳腺病变

    本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法，并在真实数据集上对其进行了检测实验研究，取得了最先进的检测结果。

    Jan, 2023

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020