智能颈椎骨折检测基于深度学习方法
使用形状自编码器和自动化的多标签分割方法,本研究探讨了骨质疏松性骨折的及时诊断,以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。
Dec, 2023
提出了一种新的模型 SkullNetV1,利用卷积神经网络和懒惰学习方法对脑 CT 图像中的颅骨骨折进行分类,可以自动化地检测和分类骨折类型,该模型在七类多标签分类中取得了 88%的子集准确度,93%的 F1 得分,0.89 至 0.98 的曲线下面积(AUC),92%的汉明分数和 0.04 的汉明损失。
Mar, 2022
本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统,使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类,可以实现 96% 的 F1 值,95% 的汉明分值,94% 的平衡准确度分值和 96% 的 ROC 曲线。
Aug, 2022
我们开发了一种自动深度学习系统,可以从前面的骨盆 X 光片中检测髋骨骨折,它可以应用于临床数据,并演示了类似于人类放射科医师的诊断性能,将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率,减少昂贵的额外检查,扩大专家级医学图像解释的接入,改善患者整体效果。
Nov, 2017
本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型 VertDetect,用于预测 CT 扫描中存在的所有椎体的椎体级别标签和分割,并通过使用脊柱的已知结构改善了椎体标注,取得了端到端架构的最先进性能,其设计可用于下游任务的特征提取。
Nov, 2023
本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折,并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据,使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动,我们证明了该模型可以在更少的数据情况下达到更好的性能,与类均匀和随机策略相比,提出的基于医学知识的课程表现在准确性方面达到了高达 15%的优势,并实现了有经验的创伤外科医生的表现水平。
Apr, 2020
使用深度学习模型对 17,587 个 X 光片进行训练,研究了骨折的影像学特征、患者特征和医院过程特征对其影响,发现这些因素是计算机辅助诊断算法预测的主要来源,表明应该进一步研究深度学习决策过程以有效协作。
Nov, 2018
提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战,通过顺序执行椎骨定位、分割和识别的任务,有效利用椎骨的解剖先验信息,并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题,并进一步优化识别结果。
Jan, 2024
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法,使用 DI2IN 进行初始化,使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进,最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017
本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息,特别是针对刻画医疗数据的挑战性,该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头,并提出基于协同训练的动态标签分配策略,从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。
Jun, 2023