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
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
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
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
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
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
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
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
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
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