Nov, 2023

通过卷积神经网络提升医学影像诊断技术

PDF
TL;DR使用改进的 DenseNet 架构，本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究，重点关注其可解释性、有效性和伦理问题，并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现，同时指出了连续模型改进上的需求，团队合作和伦理考虑也被提出，以便在放射学诊断中负责任地部署卷积神经网络。
发现论文，激发创造
  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 提高乳腺癌诊断在乳房 X 射线摄影中：卷积神经网络和可解释人工智能的评估和集成

    通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用 CBIS-DDSM 数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN 和 XAI 的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高 AI 决策的可解释性，为医学专业人员和患者提供更好的协作。

    Apr, 2024

  • 探索卷积神经网络 (CNN) 在牙科 X 光影像分割中的作用：一项全面系统文献综述

    深度学习在牙科图像分析中展示了其作为分析图像的有效工具，且具有非常高的性能水平。

    Jan, 2024

  • 卷积神经网络在医学图像分析中的应用综述

    研究医学图像分析的最新技术，特别是使用机器学习中的深度卷积网络实现医学图像分析，深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。

    Sep, 2017

  • 混淆变量会降低放射学深度学习模型的泛化性能

    通过交叉校验三个不同医院的 158,323 幅胸部 X 光片，证明在不同医院系统中使用卷积神经网络进行肺炎筛查的性能较低，并且在实际临床应用中，基于模型训练的测试数据得出的性能估计可能高估了实际性能。

    Jul, 2018

  • 基于医学概念的图神经网络的认知解释器

    本研究提出一种基于医学概念的可解释卷积神经网络框架，可用于识别超声标准平面，并构建关键医学概念之间的关系，从医生的认知角度解释，并在实验中取得了实质性的解释性能提升。

    Jan, 2022

  • X 光成像、MRI 和核成像案例研究

    本文综述了医学成像技术中使用人工智能特别是深度学习方法如卷积神经网络来协助医生快速而准确地诊断疾病。

    Jun, 2023

  • 在基于疫情雾云计算架构中革新医疗图像分析

    通过使用雾计算和改进的卷积神经网络，本研究论文介绍了一种创新的医疗架构，以应对医疗图像分析的挑战，提高分析效率和准确性，进而革新医疗图像分析和诊断技术，改善患者护理和治疗结果。

    Nov, 2023

  • 医学影像的 3D 深度学习综述

    本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述，并总结了不同领域中 3D CNN 的研究成果，如分类、分割、检测和定位，同时讨论了医学成像领域（以及深度学习模型的使用）中面临的挑战和未来趋势。

    Apr, 2020

  • 深度学习乳腺癌筛查交互解释性系统

    该论文提出了一种交互式系统，通过利用最先进的可解释性技术与深度学习模型，帮助放射科医生在乳腺癌筛查中理解模型决策的过程，并且利用用户交互逐步提供更细致的可解释性报告，从而促进医学 AI 的采纳。

    Sep, 2022