Nov, 2023

计算机断层扫描肺动脉造影影像的深度学习：一种肺栓塞检测的双重方法

PDF
TL;DR通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。
pulmonary embolismdeep learning techniquesdiagnosisattention-guided convolutional neural networkensemble techniques
发现论文，激发创造
  • 基于深度学习和传统 CAD 方案的肺栓塞诊断：调研

    本文综述评估和比较了深度学习和传统基于计算机辅助设计系统在诊断肺栓塞方面的性能，为医生和研究人员提供帮助。

    Dec, 2023

  • 基于计算机断层扫描血管造影和临床数据的肺栓塞死亡率预测

    通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

    Jun, 2024

  • PECon: 提升 CT 和 EHR 数据特征对齐以改进肺栓塞诊断的对比预训练

    使用对比学习的肺栓塞检测方法（PECon）结合患者 CT 扫描和电子健康记录，旨在提高两种模态之间特征表示的对齐性，从而改善肺栓塞的诊断效果，并通过实验结果表明该方法在 RadFusion 数据集上表现优于现有技术，得到了 0.913 的 F1 分数，0.90 的准确率和 0.943 的 AUROC。

    Aug, 2023

  • PE-MVCNet：肺栓塞预测的多视角和跨模态融合网络

    为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。

    Feb, 2024

  • SCUNet++：利用 Swin-UNet 和 CNN 瓶颈混合架构，结合多融合密集跳跃连接，评估肺栓塞 CT 图像分割

    自动肺栓塞（PE）分割方法 SCUNet++ 结合了多个融合的稠密跳跃连接来解决 CTPA 技术的局限性和特征分级层次结构问题，实验证明该方法在 PE 分割任务中表现出色，有潜力提高 PE 的自动分割准确性，为临床医生提供强大的诊断工具。

    Dec, 2023

  • 肺栓塞标注的特征增强对抗半监督语义分割网络

    本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

    Apr, 2022

  • 通过自适应的自然语言处理模型选择和基于临床专家规则的分类器改进 VTE 的识别 —— 来自放射学报告

    通过采用深度学习和自然语言处理模型的新方法组合，结合数据增强、自适应预训练 NLP 模型选择和基于临床专家 NLP 规则的分类器，可以有效提高未结构化（自由文本）放射学报告中静脉血栓栓塞（VTE）的识别准确率。实验结果表明该模型的有效性，对深静脉血栓形成（DVT）预测达到 97% 的准确率和 97% 的 F1 分数，对肺栓塞（PE）预测达到 98.3% 的准确率和 98.4% 的 F1 分数，强调了该模型的鲁棒性和对 VTE 研究的潜在贡献。

    Sep, 2023

  • DeepLung: 深度 3D 双路径网络用于自动肺结节检测和分类

    本论文提出了基于自动化的深度学习算法的 Lung CT 肺癌诊断系统 DeepLung，该系统由结节检测和分类两个组件组成，其中结节检测使用 3D Faster R-CNN 和 3D 双路径块，结节分类使用 3D 双路径网络特征的梯度提升机（GBM）进行，DeepLung 系统在 LIDC-IDRI 公共数据集上的实验结果表明，该系统在结节级别和患者级别诊断性能与经验医生相当。

    Jan, 2018

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 多任务深度学习用于准确风险分层和冠脉 CT 血管造影患者下一步预测

    多任务深度学习模型用于冠状动脉计算机断层扫描（CCTA）患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性，并能在临床实践中对风险分层和治疗带来新的变革。

    Sep, 2023