用高效的混合式 CNN-Transformer 模型重新定义膀胱镜检查：膀胱癌诊断

Mar, 2024

用高效的混合式 CNN-Transformer 模型重新定义膀胱镜检查：膀胱癌诊断

Redefining cystoscopy with ai: bladder cancer diagnosis using an efficient hybrid cnn-transformer model

Meryem Amaouche, Ouassim Karrakchou, Mounir Ghogho, Anouar El Ghazzaly, Mohamed Alami...

TL;DR使用深度学习方法结合卷积神经网络、无位置编码的轻量级 transformer 和双重注意力门，实现对膀胱癌的检测和分割，该模型在计算效率和诊断精度之间取得了平衡。

Abstract

bladder cancer ranks within the top 10 most diagnosed cancers worldwide and is among the most expensive cancers to treat due to the high recurrence rates which require lifetime follow-ups. The primary tool for diagnosis

bladder cancer diagnosis deep learning cnns transformer

发现论文，激发创造

乳腺癌检测与诊断：深度学习架构的现状比较研究

本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

May, 2023

NMGrad: 利用弱监督深度学习推进组织病理学膀胱癌分级

通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

May, 2024

超声数据中前列腺癌检测图像变换的基准测试

用深度学习方法结合卷积网络和 transformers 的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

Mar, 2024

利用混合多任务 CNN-Transformer 网络进行乳腺超声肿瘤分类

本研究提出了一种混合多任务深度神经网络 (Hybrid-MT-ESTAN)，用于乳腺超声图像的肿瘤分类和分割，该网络结合了 CNN 和 Swin Transformer 组件，实现了对全局上下文信息的捕捉和局部图像模式的保留，并在一个包含 3320 个超声图像的数据集上与九种分类方法进行了比较，结果表明 Hybrid-MT-ESTAN 取得了 82.7% 的准确率、86.4% 的灵敏度和 86.0% 的 F1 分数。

Aug, 2023

基于注意力卷积网络和可解释人工智能的乳腺癌分割

本研究提出了一种基于注意力机制的卷积神经网络，结合了高分辨率红外热成像摄像机和人工智能，用于乳腺癌检测和分类。我们采用可解释性人工智能技术，通过梯度加权类激活图来分析深度学习架构的偏差和问题。结果表明，与现有深度学习框架相比，我们提出的框架具有明显的优越性。

May, 2023

使用深度卷积神经网络进行前列腺癌检测

本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

May, 2019

传统方法的超越：乳腺超声诊断的多任务网络

乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

Jan, 2024

从算法到结果：AI 在非肌层侵袭性膀胱癌复发预测中的作用评估

机器学习技术在预测非肌层侵袭性膀胱癌复发方面具有潜力，并通过利用分子和临床数据提高复发预测和个性化患者管理的性能。该综述总结了使用多种机器学习算法和标记的非肌层侵袭性膀胱癌复发预测，并强调了人工智能模型的泛化能力和解释能力的挑战，强调了合作努力和强大数据集的需求。

Mar, 2024

探索用于 MICCAI 2023 肾脏与肿瘤分割挑战的 3D U-Net 训练配置和后处理策略

探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

Dec, 2023

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