可靠的概率输出的尿潴留反流检测
本研究提出了使用基于深度学习的肾结石识别模型中的原型部件(PPs)来生成分类结果,从而使模型具有可解释性和更高的稳健性。
Apr, 2023
本研究探讨了使用DEtection TRansformer(DETR)检测医学成像中可疑区域的可行性,研究表明这种方法能够与甚至优于当前方法进行匹配,且无需依赖锚点或手动启发式设计等方式来检测对象。
Jun, 2023
该研究介绍了一种用于非对比度计算机断层扫描(Non-contrast computed tomography, NCCT)中肾癌检测的自动化流程,通过测试三种检测模型:形状模型、二维及三维轴向样本模型,从开放数据源和剑桥大学医院收集训练和测试数据,结果显示二维轴向样本模型在小于等于40mm直径肿瘤的检测中具有最高的曲线下面积(Area Under the Curve, AUC)达到0.804;该流程在未知测试数据上对小型肾癌实现了61.9%的敏感性和92.7%的特异性。该流程比以往自动检测NCCT中小型肾癌的尝试更为准确,为肾癌筛查提供了有希望的突破。
Nov, 2023
为了解决机器学习在早期透析预测中的挑战,本研究评估了不同的数据增强技术在现实世界数据集上的有效性,并提出了一种名为 Binary Gaussian Copula Synthesis(BGCS)的新方法,该方法通过生成与原始数据分布相似的少数类数据来提高早期透析预测的准确性。此外,我们还设计了一种基于机器学习的临床决策支持系统(CDSS),以帮助临床医生做出明智的决策并有效制定CKD患者的治疗计划。
Mar, 2024
使用深度学习方法结合卷积神经网络、无位置编码的轻量级transformer和双重注意力门,实现对膀胱癌的检测和分割,该模型在计算效率和诊断精度之间取得了平衡。
Mar, 2024
机器学习技术在预测非肌层侵袭性膀胱癌复发方面具有潜力,并通过利用分子和临床数据提高复发预测和个性化患者管理的性能。该综述总结了使用多种机器学习算法和标记的非肌层侵袭性膀胱癌复发预测,并强调了人工智能模型的泛化能力和解释能力的挑战,强调了合作努力和强大数据集的需求。
Mar, 2024
我们的研究旨在利用CT扫描图像质量增强方法和自适应局部二进制模式(A-LBP)特征提取方法,结合五个分类器和软投票方法,实现对肾脏异常的自动检测,并取得99%以上的准确率。
Apr, 2024
使用基于Transformer的深度学习模型,通过对非对照组和造影组图像进行训练,成功合成了肾盂造影期CT图像,并与真实肾盂造影期图像进行了比较,得到了相似度高的合成图像。该模型为CT尿路造影检查提供了一种方法,能够减少33%的辐射剂量。
May, 2024
准确检测阴道白色念珠菌病对女性健康至关重要,但其稀疏分布和视觉上模糊的特征对病理学家和神经网络的准确识别都带来了重大挑战。通过我们的眼球跟踪数据,我们发现吸引持续注意力的区域往往与神经网络的假阳性结果一致。基于该发现,我们引入了Gaze-DETR,一种创新方法,通过减少假阳性来提高神经网络的精确度,该方法融入了适用于各种检测方法的通用注视引导热身协议和专为基于DETR模型设计的注视引导修正策略。我们的综合测试确认,Gaze-DETR超越了现有的领先方法,在检测准确性和泛化能力方面展示出显著改进。
May, 2024
本研究针对当前内窥镜结石识别(ESR)方法面临的高观察者间变异性问题,提出了一种基于扩散的方法以增强已有的肾结石数据集。通过混合自然与合成的图像,研究表明可以显著提高模型在未见内窥手术数据上的准确性,取得了相较于仅在ImageNet上预训练的模型提高10%的准确率的成果。
Sep, 2024