Nov, 2023

适用于帕金森病神经影像的卷积神经网络：是否需要预处理？

PDF
TL;DR如何在核脑成像分析中，卷积神经网络（CNN）能否很好地解决空间和强度差异，并是否仍然需要空间和强度归一化的问题得到了回答。结果表明，具有足够复杂性的 CNN 模型能够有效地解决空间差异，其诊断准确率达到 94.1%，ROC 曲线下面积为 0.984。然而，强度归一化及其类型在训练模型的结果和准确性中具有显著影响，必须被充分考虑。
spatial and intensity normalizationneuroimaging analysiscnnsnuclear brain imagingdiagnosis accuracy
发现论文，激发创造
  • 在医学影像中整合预处理方法和卷积神经网络以实现有效的肿瘤检测

    该研究使用卷积神经网络（CNN）在医学图像中提供了一种机器学习方法来检测肿瘤。该研究侧重于预处理技术，以增强与肿瘤检测相关的图像特征，并开发和训练了一个 CNN 模型以实现准确分类。通过采用高斯平滑、双边滤波和 K-means 聚类等各种图像处理技术来预处理输入图像并突出肿瘤区域。所提出的方法在医学图像中准确检测肿瘤的实验结果表明其有效性，为提高医疗诊断工具铺平了道路。

    Feb, 2024

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 3D 脑 MRI 分类的残差和普通卷积神经网络

    该研究利用深度学习算法进行神经成像数据处理，提出利用残差和 3D 卷积神经网络架构实现自动特征生成和更简单的分析，最终在 3D 结构 MRI 脑部扫描中对阿尔茨海默病与轻度认知障碍和正常对照的分类取得了可比的效果。

    Jan, 2017

  • 用于白质高信号区分割的位置敏感深度卷积神经网络

    本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

    Oct, 2016

  • 卷积神经网络在自动检测阿尔茨海默病中的设计

    本研究针对深度卷积神经网络应用于结构性脑部 MRI 扫描检测阿尔茨海默病的问题，提出几种可以提升模型性能的技术，其中包括实例规范化、年龄信息等，这些技术的应用可将模型的准确率提高 14%。

    Nov, 2019

  • 基于课程的多任务学习用于帕金森病检测

    利用深度卷积神经网络和课程学习，作者定义了一个难度逐渐增加的训练流程，以提高磁共振成像在帕金森病分类中的性能。

    Feb, 2023

  • 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

  • 应用三维卷积自编码器的潜在空间分析揭示帕金森病的症状模式

    本文使用 3D 卷积变分自编码器，通过学习低维度大脑成像数据来追踪帕金森病神经退行变化的症状学，并展示该方法在 PD 患者和健康对照组上的有效性，显示出表征学习不仅有助于早期诊断，也有助于理解神经退行过程和症状学。

    May, 2023

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 通过时空卷积神经网络（ST-CNN）对 4D fMRI 数据进行建模

    使用 ST-CNN 算法对 4D fMRI 数据进行空间 - 时间建模，并自动准确定位功能网络，ST-CNN 通过联合学习空间和时间模式来确保准确识别 Default Mode Network（DMN）。

    May, 2018