Sep, 2023

丑小鸭还是天鹅：一种分层四重网络结构及病人个体特征挖掘用于改进皮肤病变分类

PDF
TL;DR通过深层度量学习网络 DMT-Quadruplet，实现对皮肤病变的分类和诊断，该方法在分类 “丑小鸭症”（可能为恶性黑色素瘤）上表现出优越性能，通过患者特异性四元组挖掘和层次四元组网络，实现了全局和局部上下文信息的学习。
ugly ducklingskin lesioncutaneous melanomadmt-quadrupletdeep metric learning
发现论文，激发创造
  • 自学能否识别可疑的丑小鸭病变？

    本研究提出了一种利用自监督机器学习自动检测异常皮损的方法，通过测量 L2 距离来识别丑小鸭痣。该方法在测试集中实现了 72.1% 的敏感度和 94.2% 的诊断准确度，具有较高的应用潜力。

    May, 2021

  • 机器学习在黑素瘤检测以及 “丑小鸭” 和可疑痣识别中的应用：综述

    皮肤病变（如痣）的不同特征对于恶性黑素瘤的监测具有重要意义，而 “丑小鸭痣” 概念指的是与周围其他病变有所区别的特征鲜明的痣。计算机辅助诊断（CAD）结合机器学习技术和各种患者分析方法，以提高诊断准确性并简化决策过程，尤其在皮肤癌诊断中能缓解专业人员短缺问题。机器学习和深度学习技术在黑色素瘤和可疑痣检测中具有广泛应用，并实现了与专家相当的结果。

    Sep, 2023

  • 基于中心导向无边际三元损失的深度聚类在高度不平衡数据集中用于皮肤病变检测

    介绍了一种基于深度聚类的皮肤病变图片分类方法，引入了一种新的基于中心的聚类损失函数，可以实现在对少量恶性病灶数据训练的情况下有效地检测恶性黑色素瘤的皮损。

    Apr, 2022

  • 皮肤病变筛查的自动化自我监督学习

    该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

    Nov, 2023

  • 多维统一 Swin Transformer 用于多解剖位置的 3D 病变分割

    在肿瘤学研究中，准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。然而，根据 RECIST 准则，放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶，并在研究目的上勾画少量的 3D 病灶。因此，我们有大量未标记的 3D 体积和带标签的 2D 图像，以及稀缺的标记的 3D 体积，这使得训练深度学习 3D 分割模型成为一项具有挑战性的任务。本研究提出了一种新模型，称为多维统一的 Swin Transformer (MDU-ST)，用于 3D 病灶分割。MDU-ST 由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成，使其能够适应 2D 和 3D 输入，并在同一编码器中学习相应的语义信息。基于该模型，我们引入了一个三阶段框架：1) 通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式；2) 对 Swin-transformer 编码器进行微调，以使用 2D RECIST 切片执行 2D 病灶分割，学习切片级分割信息；3) 进一步对 Swin-transformer 编码器进行微调，以使用带标签的 3D 体积执行 3D 病灶分割。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估，其中包含来自多个解剖位置的 593 个病灶。所提出的 MDU-ST 相比竞争模型表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。

    Sep, 2023

  • 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

  • USL-Net: 无监督皮肤病变分割的不确定性自学习网络

    无监督皮肤病变分割，采用 Uncertainty Self-Learning Network 自学习网络，通过对比学习提取特征，生成基于显著性的 Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

    Sep, 2023

  • UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

    通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的 UCM-Net 解决方案，用于皮肤病变分割，其参数不超过 50KB 且每秒运算次数不超过 0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

    Oct, 2023

  • MULAN：联合病变检测、标记和分割的多任务通用病变分析网络

    本文提出一种多任务普适性病变分析网络，它基于改进的 Mask R-CNN 框架，能够联合检测、标注和分割身体各部位的病变，达到了 DeepLesion 数据集上最高的检测和标注精度。

    Aug, 2019

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020