Mar, 2024

使用压榨与激发卷积神经网络进行稳健的放射性肺气肿亚型标签化：MESA Lung 和 SPIROMICS 研究

PDF
TL;DR通过 3-D 挤压和激励卷积神经网络，在肺部计算机断层扫描中实现了对空间统计学信息感知的肺纹理模式和肺气肿亚型的准确分类。
pulmonary emphysemalung computed tomographyspatially-informed lung texture patternsct emphysema subtypes3-d squeeze-and-excitation cnn
发现论文，激发创造
  • 使用深度神经网络在胸部计算机断层扫描中进行肺气肿亚型划分

    通过深度学习，自动化 Fleischner 协会的视觉评分系统，识别和分析肺气肿亚型和严重程度。在 COPDGene 研究中，我们的算法在预测准确率上达到 52％，超过之前发表方法的 45％准确率。此外，我们的方法与视觉评分之间的一致性良好，而之前的方法仅获得中度一致性。我们的方法还可以计算每个肺部的肺气肿受累百分比，并扩展其预测能力以包括间质性肺气肿亚型。

    Sep, 2023

  • 通过领域注意力的 CT 强健肺气肿百分比定量：多族裔动脉硬化研究 (MESA) 肺部研究

    通过融合图像特征和定量扫描仪先验信息，我们开发了一个基于深度学习的端到端框架来准确量化计算机断层扫描（CT）中的肺气肿，并在大规模研究和临床应用中取得了显著改进。

    Feb, 2024

  • 扩张全卷积网络在病理性肺组织语义分割中的应用

    研究利用基于纯卷积神经网络，进行肺部 CT 图像的语义分割，实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。

    Mar, 2018

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 使用深度学习进行自动肺叶分割

    利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。

    Mar, 2019

  • 卷积神经网络多源迁移学习在肺部图像分析中的应用

    应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

    Dec, 2016

  • CT 中肺部发现的自动分割及其在长期 COVID 病中的应用

    本文介绍了 S-MEDSeg，一种基于深度学习的方法，通过改进已有方法实现了精确分割胸部 CT 图像中的肺部病变，该方法的网络改进显著提高了分割性能，并在研究长期 COVID 住院患者的数据集中应用，研究了后急性感染疫苗对肺部病变程度的影响。

    Oct, 2023

  • 肺栓塞标注的特征增强对抗半监督语义分割网络

    本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

    Apr, 2022

  • MEDPSeg：基于计算机断层扫描的肺部结构和病变的端到端分割

    COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

    Dec, 2023

  • 利用合成病理先验在 CT 图像上对肺癌亚型进行分类

    提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standard” 信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

    Aug, 2023