Mar, 2024

脑移位：慢性硬脑膜下血肿中无监督的伪健康脑合成，用于新的生物标志物提取

PDF
TL;DR提出了一种使用解剖感知的非监督可微分假设健康合成方法生成脑部变形场的新方法，并利用该方法派生的变形场提取通过慢性硬脑膜下血肿引起的脑部位移的生物标志物，结果表明自动获得的脑部变形场可能具有个性化慢性硬脑膜下血肿治疗的预测价值。
chronic subdural hematomabrain deformationmidline shiftbiomarkerspersonalized treatment
发现论文，激发创造
  • 基于扩散模型的脑出血图像半监督学习，用于有效的中线偏移量量化

    本文提出了一个新的半监督框架，通过使用稀疏标记的 MLS 切片和扩散模型对大量未标记的 MLS 数据和 2793 个非 MLS 案例进行表征学习和正则化，准确测量头部 CT 扫描中 MLS 的规模，从而实现了对临床脑出血数据集的最新成果性能的实验，并能够生成可解释的形变场。

    Jan, 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

  • 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

  • 基于 Swin Transformers 的全自动流水线用于脑动脉瘤硬膜下出血后头部 CT 扫描的基于深度学习的血液分割

    利用 Swin UNETR 的基于人工智能的完全自动化血液分割工具，该研究开发和验证了针对非对比增强 CT（NCCT）扫描的 SAH 患者的自发性蛛网膜下腔出血（SAH）的准确容积评估方法，其效果鲁棒且具有广泛的临床可采用性。

    Dec, 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

  • SYNCS: 综合利用合成数据和对比自监督训练进行中央沟回分割

    早期疾病进展和预防措施的理解非常关键，这篇研究介绍了两种改进中央沟回分割的新方法，旨在提高其在不同人群中的性能，消除了对广泛预处理的需求。

    Mar, 2024

  • 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

  • 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

  • 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

  • 基于初始 CT 扫描的深度学习模型增强颅内出血患者死亡率预测

    使用基于卷积神经网络的算法通过处理初始 CT 扫描图像，能够以高准确度预测蛛网膜下腔出血患者的死亡率。

    Aug, 2023