Oct, 2023

通过潜在语义特征协同注册进行甲状腺结节的超声图像分割

PDF
TL;DR提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。
segmentationthyroid ultrasound imagingco-registration networkanatomical structuremodel generalization
发现论文，激发创造
  • 基于多视图自监督学习和两阶段预训练的甲状腺超声诊断改进

    用有限的手动标签，通过多视角对比自监督方法以及两级预训练，提高甲状腺结节分类和分割性能，超过了 ImageNet 预训练和最先进的自监督方法。

    Feb, 2024

  • 甲状腺结节分割与诊断的形状边缘知识增强网络

    该论文提出了一种形态 - 边缘知识增强网络（SkaNet），用于同时进行甲状腺结节分割和诊断，并通过多任务损失函数和约束惩罚项共同优化，以嵌入形态和边缘特征，并建模甲状腺结节诊断结果与分割蒙版之间的关系。

    Aug, 2023

  • 反复斟酌：基于特征反馈的临床启发型甲状腺超声病变检测

    本研究提出了一种基于特征反馈机制的新型检测网络，该机制首先粗略观察整体图像，然后专注于感兴趣的细节，并具有反馈特征选择模块和特征反馈金字塔两个部分来提高功能提取以及自适应融合多种特征

    May, 2023

  • 关于超声图像切片在点分布模型中的定位

    甲状腺疾病的超声诊断中，通过自动定位超声图像切片到三维形状表示，可以减轻医生的认知负担，并为超声诊断提供方便。使用交叉模态配准和统计形状模型，该方法表明可以在患者特异性的三维解剖学和统计形状模型上准确定位图像切片，并为超声采集过程中的切片定位提供有用的工具。

    Sep, 2023

  • 使用简单临床标注的非对称学习进行超声结节分割

    本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。

    Apr, 2024

  • Atlas-ISTN：基于图像和空间转换器网络的联合分割、配准和 Atlas 构建

    我们提出了 Atlas-ISTN 框架，它可以共同学习 2D 和 3D 图像数据的分割和配准，并在过程中构建以人口为基础的地图集。Atlas-ISTN 还优于分割和注册基线模型，提供了结构的跨主体对应性，实现了人口级的形状和运动分析。

    Dec, 2020

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • 利用多视角超声进行个性化甲状腺癌分类的诊断工具

    本研究提出一种个性化诊断工具，该工具利用超声和多视图分类模块来提取脖子部位的特征信息和个性化突出不同部分的最佳视角来评估甲状腺结节，提升诊断效率。实验结果表明，该工具比传统方法更能利用多视图信息，并且获得更好的诊断效果。

    Jul, 2022

  • 3D Siamese 神经网络实现无图像配准的肺结节再识别和增长检测

    该研究提出了一种基于三重神经网络的新方法，用于在同一患者的两次 CT 扫描中识别癌变结节并检测其生长情况，结果表明识别敏感度为 94.7％，匹配准确率为 88.8％，生长检测的灵敏度为 92.0％，精度为 88.4％。

    Dec, 2019

  • 基于 Transformer 的自然语言处理方法从超声报告中提取甲状腺结节特征

    该研究采用自然语言处理和 GatorTron 模型等技术，从甲状腺结节的超声波报告中提取了 16 个结节的特征，为评估甲状腺超声报告的文档质量和通过电子健康档案检查甲状腺结节患者的治疗效果建立了基础。

    Mar, 2023