Dec, 2023

基于深度学习分割网络复杂潜空间的鲁棒特征选择对托甲综合征的诊断

PDF
TL;DR利用深度学习模型的潜在特征进行特征选择，对特定心脏病进行诊断，证明这种方法在 TTS 和 STEMI 的不同诊断上具有潜在独特性。
发现论文，激发创造
  • 风格迁移和自监督学习驱动的心肌梗死超分辨率分割

    该研究提出了一个流程，结合了一种新颖的风格转换模型和同时进行超分辨率和分割的模型，旨在提高扩散张量成像（DTI）图像通过将其转换成提供具有高分辨率和明显突出心肌梗塞（MI）区域的大量数据的晚期钆增强（LGE）领域。

    Sep, 2023

  • 预测中风后康复：基于可解释人工智能的深度学习、多模态数据和特征选择

    机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

    Oct, 2023

  • 一种改进的基于堆叠集成方法的心脏病预测

    本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

    Apr, 2023

  • UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

    该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

    Sep, 2023

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 自监督卷积核基于手工特征融合：超声心动图增强左心室高血压病变表型划分

    基于自监督学习的卷积滤波器用于医学图像的特征映射预处理，实现了手工特征的一致性提取和心肌病分类的优越性能。

    Oct, 2023

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023

  • 基于纵向实验室检验的多任务疾病发作预测

    本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

    Aug, 2016

  • 心律失常分类引导的心电图分割模型

    本研究提出了一种基于深度学习模型来精确勾画具有不同心律失常类型信号的新方法，使用了一种混合损失函数的分割模型用于心律失常分类，实验结果表明该模型与先前的勾画算法在 Lobachevsky University Database (LUDB) 上表现竞争力。

    Apr, 2023

  • 基于时空 SAM 适应的心脏磁共振 2D+T 短轴和长轴分割

    利用 CMR2D + T-SAM 对 2D + T 心肌分割进行了改进，通过空时调整和 U-Net 框架，利用文本提示以单一模型实现了对短轴和长轴视图的准确分割，在 STACOM2011 数据集上取得 0.885 的心肌 Dice 分数和 2.900 像素的 Hausdorff 距离，并在 ACDC 数据集上展示了 0.840 的 Dice 分数和 4.076 像素的 Hausdorff 距离。

    Mar, 2024