Jan, 2024

现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断

PDF
TL;DR利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。
brain tumorsdeep learningdetectionclassificationmedical imaging
发现论文，激发创造
  • 基于深度学习方法的脑肿瘤检测

    使用深度学习技术，特别是 ResNet50 模型，进行脑瘤识别的研究表明可以提高脑瘤的精确性，达到 99.54% 的最高准确率。该研究的目标是通过评估和分析的方式，引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。

    Sep, 2023

  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系统。

    Dec, 2023

  • 利用物体检测技术实现肺癌识别

    本研究探讨了目标检测特别是 YOLOv5 在医学影像中的应用，通过训练模型检测病理性肺病变，实现早期肺癌的诊断，结果表明该模型在识别病变和计算效率方面表现良好，有望在临床中应用辅助影像医师的早期检测。

    May, 2023

  • BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

    该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

    Sep, 2023

  • 一种高效的深度学习模型，利用重建和微调技术对脑肿瘤进行分类

    本文提出了一种基于迁移学习的新型深度学习方法，通过对大量前处理和算法优化，尝试用多种转移学习算法来对 3,064 张 MRI 图像进行轻松地识别分类，得到了非常高的准确率，特别是 ResNet50V2 模型达到了 99.68% 的准确率，使神经学家和临床医生能够快速准确的诊断脑肿瘤患者。

    May, 2023

  • 一种基于深度学习的自动化端到端肺癌诊断框架，用于检测和分类肺结节

    本研究提出了一个端到端的基于深度学习的自动化框架，用于在低资源环境下实现肺结节的早期检测和分类，并对其进行了评估，结果表明在分割和检测精度方面超过了现有研究，并证明在肺癌筛查方面具有潜在的准确性和效率提高。

    Apr, 2023

  • 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

    利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

    May, 2019

  • 借助深度学习辅助自动检测，实现头部计算机断层扫描图像重建标准化

    提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。

    Jul, 2023

  • 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