Feb, 2024

ICHPro：基于联合注意力融合的三维跨模态网络的脑内出血预测分类

PDF
TL;DRICHPro 是一种基于联合注意力融合的三维跨模态网络，模拟了神经外科医生在脑出血预后解释过程中使用的方法，能提取更丰富的跨模态特征，从而提高分类性能。
intracerebral hemorrhageprognosisct image featurescross-modal networkichpro
发现论文，激发创造
  • GCS-ICHNet：运用自注意力和领域知识整合评估脑内出血预后

    该论文介绍了一种新的深度学习算法 GCS-ICHNet，通过融合多模态脑 CT 图像数据和格拉斯哥昏迷分级评分（GCS），改进了脑出血的预后，该算法表现出较高的敏感性和特异性，优于平均临床医生和其他最先进的方法。

    Nov, 2023

  • 用于 CT 图像上快速准确的颅内出血分类的双任务视觉变换器

    建立了 ICH 和正常对比以及三种 ICH 图像分类（深部、皮质下和叶间）的数据集，提出了一种用于自动分类和诊断 ICH 图像的双任务视觉变换器（DTViT）。实验结果表明，我们提出的多分类网络在实际测试数据集上表现良好。

    May, 2024

  • 基于影像和表格数据的生成预后模型预测脑内出血治疗效果

    该研究论文提出了一种利用成像和表格数据预测脑出血治疗结果的新型预测模型。作者通过观察性数据训练模型，提供了可靠的治疗成功预测，使用变分自编码器模型生成低维预测得分，以有效解决非随机对照试验产生的选择偏倚。实验结果表明，该方法在治疗结果预测方面相较现有方法有显著改进。

    Jul, 2023

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 使用 Swin Transformer 中基于头部梯度注入自注意力映射的弱监督颅内出血分割在分类学习中的应用

    本研究提出了一种基于 Swim transformer 的弱监督颅内出血分割方法，并将其与基于 U-Net 的全监督方法及使用 Grad-CAM 的类似弱监督方法进行了比较，结果显示该方法具有良好的医学图像分割潜力。

    Apr, 2023

  • BHSD：一个三维多类别脑出血分割数据集

    通过开发脑出血分割数据集（BHSD），本研究提供了一个包含 192 个像素级注释卷和 2200 个切片级注释卷的 3D 多类脑出血数据集，展示了该数据集在监督和半监督脑出血分割任务上的效用，并提供参考基准实验结果供进一步模型开发和评估使用。

    Aug, 2023

  • 高血压脑出血研究的综合图像 / 文本 (HICH-IT)：综合文本和图像数据集

    介绍了一种名为 HICH-IT 的新的医学领域高血压脑内出血（HICH）的多模态数据集，旨在提高人工智能在 HICH 的诊断和治疗中的准确性。该数据集包含文本信息和头部 CT 图像，并结合特定注释和深度学习算法，用于图像分割和命名实体识别的特征学习。

    Jan, 2024

  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 基于类激活映射的无监督 Resnet-LSTM 出血分割在非对比度计算机断层扫描图像中的应用

    通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

    Sep, 2023

  • 头颅 CT 扫描关键结果检测深度学习算法的开发与验证

    本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。

    Mar, 2018