Nov, 2023

基于联邦学习的脑部 MRI 筛查工具

PDF
TL;DR临床实践中，MRI 扫描与放射科医师的诊断往往存在显著的延迟，甚至对于严重病例也是如此。我们提出了一种自动脑部 MRI 筛查工具，演示了它在检测类肿瘤病理方面的能力。这是通向强大的多病理筛查解决方案的第一个版本。该工具支持联邦学习，使多个机构能够在不公开其私人数据的情况下贡献模型。
mri scansdiagnosisradiologistsautomatic software toolfederated learning
发现论文，激发创造
  • 多模神经网络检测脑肿瘤

    本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

    Jan, 2024

  • 脑部肿瘤分割中的集群联邦个性化整脑成像

    针对不同机构使用不同扫描仪和获取参数引起的特征漂移问题，我们提出了一种新颖的个性化算法，通过计算每个中心的一系列放射状特征，再进行聚类分析汇总所有传输自本地机构到中央服务器的特征向量，从而优化从经典联合学习获得的全局模型。

    Oct, 2023

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 基于深度学习的脑肿瘤分类和分割

    该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

    Apr, 2023

  • 使用 Swin Transformer 进行脑肿瘤检测

    通过应用 Swine Transforms 和深度学习来检测、分类、定位和提供特定 MRI 扫描中肿瘤大小的方法可以帮助医生和放射科医生提高效率，并在 PDF 格式中下载预测和测量。

    May, 2023

  • 基于模糊逻辑的脑肿瘤检测和分类系统

    使用模糊逻辑为识别脑瘤提供了更精确和高效的自动分类系统，通过减少人工干预和提供可靠的结果，帮助医学专业人员做出及时而准确的决策，最终改善患者的预后并潜在地拯救生命，这种自动化技术的进步潜在地为增强医学成像分析和更好管理脑瘤病例铺平了道路。

    Jan, 2024

  • 临床 MRI 扫描的多模态融合自动检测阿尔茨海默病

    研究老龄化人口与阿尔茨海默病的关系，通过深度学习和多模态信息，基于大脑 MRI 扫描预测疾病阶段，早期检测和治疗。

    Nov, 2023

  • 基于深度学习的脑肿瘤儿童放疗计划的 MRI 加速

    通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

    Nov, 2023

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 预检查提高颅脑 MRI 自动转移病灶的检测

    用对比增强 T1 加权图像进行自动检测，结合预诊断 MRI 能显著减少假阳性结果，但是在对比增强 T1 加权图像之外加入其他序列对假阳性结果减少无明显影响。

    Mar, 2024