Sep, 2023

可解释的三维多模态残差卷积神经网络用于轻度创伤性脑损伤诊断

PDF
TL;DR通过在 Mild Traumatic Brain Injury (mTBI) 诊断模型中增加解释性的 3D 多模态残差卷积神经网络（MRCNN）和屏蔽敏感图（OSM），我们展示了该模型在 mTBI 诊断中的出色表现，平均准确度为 82.4%，敏感度为 82.6%，特异度为 81.6%，并经过五折交叉验证过程验证。与基于 CT 的残差卷积神经网络（RCNN）模型相比，MRCNN 在特异度方面提高了 4.4%，在准确度方面提高了 9.0%。研究结果表明，OSM 相比 Grad-CAM 方法，提供了更好的 CT 图像的数据驱动洞察力，凸显了该多模态模型在提高 mTBI 诊断精确度方面的功效。
mild traumatic brain injurydiagnostic model3d multi-modal residual convolutional neural networkocclusion sensitivity mapsdiagnostic precision
发现论文，激发创造
  • 使用 3D CT 的剩余三元卷积神经网络增强轻度脑损伤诊断

    使用三维计算机断层扫描图像和基于度量学习技术的残余三元组卷积神经网络模型提高轻度创伤性脑损伤（mTBI）的诊断，通过嵌入特征空间将 CT 扫描者区分为 mTBI 病例和正常者，并实现 94.3% 的平均准确率、94.1% 的灵敏度和 95.2% 的特异度，并相较于传统的残余卷积神经网络模型，在诊断准确性上有显著提升，同时需要更少的内存资源，提高了资源利用率。

    Nov, 2023

  • 机器学习在创伤性脑损伤诊断和预后中的应用：以轻度脑损伤和 CT 成像为焦点

    创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测 TBI 依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度 TBI 的诊断问题，探索了不同技术在不同严重程度的 TBI 中的应用，并强调了机器学习和深度学习在轻度 TBI 诊断方面的潜力。

    Jan, 2024

  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 多模态神经影像注意力模型用于认知衰退预测

    该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示，MNA-net 在 OASIS-3 数据集上进行了测试，并具有 83% 的准确率，80% 的真阴性率和 86% 的真阳性率，相比之前的工作准确率和真阴性率分别提高了 5% 和 10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

    Dec, 2023

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 多模神经网络检测脑肿瘤

    本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

    Jan, 2024

  • 考虑数据不均衡的可解释的代价敏感深度神经网络用于脑 MRI 图像中的脑肿瘤检测

    这篇论文提出了使用卷积神经网络 (CNN)、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括 CNN、ResNet50、InceptionV3、EfficientNetB0 和 NASNetMobile 五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的 InceptionV3 模型的准确率为 99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近 4% 的成果。成本敏感的 InceptionV3 (CS-InceptionV3) 和 CNN (CS-CNN) 在不平衡数据集上分别显示出 92.31% 的准确率和 1.00 的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。

    Aug, 2023

  • MProtoNet: 基于案例的可解释性模型用于三维多参数磁共振成像的脑肿瘤分类

    本文提出了一种基于 ProtoPNet 的神经网络模型，即 MProtoNet，用于处理 3D mpMRI 数据并实现脑肿瘤分类。该模型引入了一种新的注意力机制，结合软化掩膜和在线 CAM 损失函数，在没有人工标签的情况下显著提高了正确性和定位一致性的解释度指标。

    Apr, 2023

  • 基于 CNN-Transformer 网络的多模态特征蒸馏用于不完整模态的脑肿瘤分割

    提出了一种采用 CNN-Transformer 混合网络的多模态特征蒸馏的准确脑肿瘤分割方法，用于处理缺少模态的脑肿瘤图像，通过多个模块实现了特征提取和融合，提高了缺失模态情况下的分割性能，实验证明了方法的有效性。

    Apr, 2024