Nov, 2023

使用 3D CT 的剩余三元卷积神经网络增强轻度脑损伤诊断

PDF
TL;DR使用三维计算机断层扫描图像和基于度量学习技术的残余三元组卷积神经网络模型提高轻度创伤性脑损伤（mTBI）的诊断，通过嵌入特征空间将 CT 扫描者区分为 mTBI 病例和正常者，并实现 94.3% 的平均准确率、94.1% 的灵敏度和 95.2% 的特异度，并相较于传统的残余卷积神经网络模型，在诊断准确性上有显著提升，同时需要更少的内存资源，提高了资源利用率。
mild traumatic brain injurydiagnosis3d computed tomographymetric learningresidual triplet convolutional neural network
发现论文，激发创造
  • 可解释的三维多模态残差卷积神经网络用于轻度创伤性脑损伤诊断

    通过在 Mild Traumatic Brain Injury (mTBI) 诊断模型中增加解释性的 3D 多模态残差卷积神经网络（MRCNN）和屏蔽敏感图（OSM），我们展示了该模型在 mTBI 诊断中的出色表现，平均准确度为 82.4%，敏感度为 82.6%，特异度为 81.6%，并经过五折交叉验证过程验证。与基于 CT 的残差卷积神经网络（RCNN）模型相比，MRCNN 在特异度方面提高了 4.4%，在准确度方面提高了 9.0%。研究结果表明，OSM 相比 Grad-CAM 方法，提供了更好的 CT 图像的数据驱动洞察力，凸显了该多模态模型在提高 mTBI 诊断精确度方面的功效。

    Sep, 2023

  • 机器学习在创伤性脑损伤诊断和预后中的应用：以轻度脑损伤和 CT 成像为焦点

    创伤性脑损伤（TBI）是一个全球公共卫生挑战，对医疗系统造成巨大负担，诊断和预测 TBI 依赖于临床和影像数据以及机器学习和深度学习技术的应用。这篇综述聚焦于应用机器学习和深度学习技术解决轻度 TBI 的诊断问题，探索了不同技术在不同严重程度的 TBI 中的应用，并强调了机器学习和深度学习在轻度 TBI 诊断方面的潜力。

    Jan, 2024

  • 通过可解释的三维混合压缩卷积变换提升基于 MRI 的阿尔茨海默病分类

    通过将卷积神经网络（CNN）和视觉转换器（ViTs）相互结合，我们引入了一种新的端到端深度学习模型，3D Hybrid Compact Convolutional Transformers 3D（HCCT）。在突出阿尔茨海默病（AD）分类准确性方面，经过对知名的 AD 稳定数据集 ADNI 进行广泛评估，3D HCCT 表现出优异的性能，超越了现有的基于 CNN 和变换器的方法。其强大的泛化能力和可解释性在从 3D MRI 扫描进行 AD 分类方面具有重要意义，为改善患者护理和优越的临床结果提供了更准确可靠的诊断。

    Mar, 2024

  • 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

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 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

  • 从巴洛双胞胎到三胞胎训练：用有限数据区分痴呆症

    三元训练用于有限目标数据的不同诊断，包括自监督的预训练、自蒸馏和目标数据上的微调，可有效提高传统训练策略的性能，实现了 75.6％的平衡准确性。

    Apr, 2024

  • 基于多层特征的注意力机制三维卷积神经网络在脑图像中用于阿尔茨海默病诊断

    本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。

    Aug, 2023

  • 评估对噪声的稳健性：低成本头部 CT 分流

    通过使用卷积神经网络自动分类医学图像，我们研究了在使用低成本扫描仪时，训练 CNN 模型的性能如何。我们发现，我们的模型对于更低的 X 射线管电流和更少的图片被拍摄的角度的图片都有很好的分类效果。然而，在使用受限扫描器获得的显着劣化的图像方面，我们发现训练特定于这种图像的模型可以克服技术限制并保持接近于原始模型的性能。

    Mar, 2020

  • 基于注意力机制的高效分类方法用于阿尔茨海默病三维 MRI 图像

    通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。

    Jan, 2024