Feb, 2024

利用卷积神经网络自动分类体 MRI 序列类型

PDF
TL;DR提出了一种自动分类胸、腹部和盆腔的三维 MRI 序列的方法，以减少临床医生的监督并确保 DICOM 标头的有效性，实验结果表明这种方法优于先前的 MRI 序列分类器。
multi-parametric mrinaming conventiondicom headersautomated method3d classification
发现论文，激发创造
  • 多参美体 MRI 系列的自动分类

    提出了一种自动化的框架来对多参数磁共振成像（mpMRI）研究中的不同系列进行分类，使用了 DenseNet-121 模型，以 96.6% 的平均精确度、敏感性和 F1 值以及 99.6% 的特异度在 mpMRI 研究中取得了较高的分类性能。为我们所知，这是首个能够对胸部、腹部和盆腔层次的 mpMRI 研究中不同系列进行分类的方法，具备了在现代放射学实践中进行稳健自动化悬挂方案的能力。

    May, 2024

  • 使用图像内容和元数据自动分类前列腺核磁共振系列类型

    通过结合图像数据和 DICOM 元数据，我们提出了一种基于深度学习的前列腺癌扫描序列分类方法，相较于仅使用元数据或图像数据，我们展示了更优越的结果。

    Apr, 2024

  • 使用卷积神经网络对磁共振图像模态进行分类

    提出一种基于三维卷积神经网络的磁共振图像对比度分类方法，在多个任务中验证其准确性可达 97.57%。

    Apr, 2018

  • DICOM 影像路由器：一种用于从 DICOM X 光扫描中分类身体部位的开放深度学习框架

    本研究提出了一种基于深度卷积神经网络（CNN）的 DICOM 成像路由器，用于将未知的 DICOM X 射线图像分类为五个解剖部位，从而使深度 CNNs 能够准确有效地区分 X 射线扫描中的人体部分，从而为临床设置中广泛应用提供潜在的好处。

    Aug, 2021

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 基于卷积神经网络的三维磁共振成像数据前列腺癌分类

    评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

    Apr, 2024

  • 基于 CNN 视频分类框架的脑磁共振图像分析实证研究

    本研究针对医学影像识别问题，探讨应用视频识别技术作为磁共振图像分类的方法，并运用三种不同的视频识别模型和数据增强技巧分别对四个阿尔茨海默病和帕金森病识别数据集进行实验。结果显示，相对于 3D-CNN 模型，视频框架在有效性上表现更佳，可减少 50% 至 66% 的可训练参数。该研究推进了 3D 医学成像和视频理解研究的融合潜力。

    Feb, 2023

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割

    提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

    May, 2024

  • 突破癌症视界：使用深度学习进行多机构验证的乳腺 MRI 对象定位和 3D 语义分割

    通过利用组织间的相互作用，我们提出了一种方法，通过标准护理的动态增强磁共振成像，准确地分割乳房中的所有主要组织类型，包括：胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤；我们的方法在肿瘤分割上取得了卓越的 Dice 指数，同时在其他研究的组织上保持了竞争性能；通过集成多个相关的肿瘤周围组织，我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。

    Nov, 2023