Nov, 2023

基于深度变体搜索算法集成高级注意力机制的肝肿瘤预测

HTML
PDF
TL;DR提出了一种利用卷积神经网络和基于深度的变体搜索算法与先进的注意机制（CNN-DS-AM）预测肝脏肿瘤的新方法，证明了将注意机制和基于深度的变体搜索算法结合到卷积神经网络模型中是提高肝肿瘤预测的准确性和鲁棒性的有希望的方法，可以协助放射科医生进行诊断和治疗规划，预测肝脏肿瘤的准确率达到了95.5%以上，优于其他最先进的方法。
发现论文，激发创造
  • 使用深度卷积神经网络方法自动进行肝脏病变分割

    利用深度卷积神经网络，以2.5D方式对肝脏CT图像进行分割，并在130个LiTS训练数据集上进行训练，在70个测试CT扫描上取得了平均Dice分数0.67，时隔ISBI2017会议后获得了该领域的第一名。

    Apr, 2017

  • 使用深度学习的检测辅助肝部病变分割

    本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

    Nov, 2017

  • 利用基于GAN的合成医学图像增强技术提高CNN在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018

  • RA-UNet：一种用于提取CT扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为RA-UNet的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • CT影像中基于像素-病灶-患者网络的肝肿瘤筛查和诊断

    提出了一种名为Pixel-Lesion-pAtient Network (PLAN)的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和transformers，并接近于资深人类放射科医生的表现。

    Jul, 2023

  • 利用肝脏CT扫描在结直肠癌基因突变分类中的应用

    该研究使用人工智能分析计算机断层扫描（CT扫描）图像，并提出了一种基于深度学习的方法，以准确识别结直肠癌患者肝脏远处转移所涉及的突变和基因组突变诊断，其F1评分为0.73。

    Jan, 2024

  • CAFCT：卷积神经网络和Transformer的上下文和注意力特征融合在肝肿瘤分割中的应用

    我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3的Atrous空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了90.38%的平均交并比（IoU）和86.78%的Dice分数，优于Pure CNN或Transformer方法，如Attention U-Net和PVTFormer。

    Jan, 2024

  • 基于分类的自适应分割流水线：多囊肝和结直肠癌CT图像转移的可行性研究

    通过使用深度学习分类器将图像自动分类并将其路由到适当的分割模型，本研究旨在探索构建一个工作流的可行性，以高效地处理不同病理图像。我们希望通过我们的工作流能够准确地分割具有不同病理学的图像。我们的自适应分割工作流在总肝脏分割任务上与通用单一分割模型相比取得了显著的统计改进（非参数Wilcoxon符号秩检验，n=100，p值<<0.001）。这种方法适用于广泛的情景，并在分割流水线的临床实施中应该是有用的。

    May, 2024

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架MFA-Net（多尺度特征融合注意力网络）在医学CT图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明MFA-Net在不同尺度的图像上产生更加精确的分割。

    May, 2024

  • 基于图像增强方法的肿瘤分割研究

    通过图像增强和深度学习技术，对肝脏分割进行精确处理，以提高肝癌识别准确性和召回率。

    Jun, 2024