Apr, 2024

EBUS-TBNA 扩展肺癌病灶分析的方法 -- 一种半监督视频对象检测方法

PDF
TL;DR该研究旨在建立一个基于计算机辅助诊断系统的肺病变诊断方法，使用支气管镜内支气管超声（EBUS）来帮助医生识别病变区域。
computer-aided diagnostic systembronchoscope endobronchial ultrasoundebus-tbnaobject detection modelsthree-dimensional image-based object detection model
发现论文，激发创造
  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 利用少样本学习通过内镜超声程序对细胞学影像进行初级肺癌和其他恶性肿瘤的分类

    建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排 EBUS 手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用 Batch Spectral Regularization（BSR）作为损失函数和修改 Finetune 能增强该模型的能力。

    Apr, 2024

  • 利用解剖学知识捕捉时间依赖关系的视频纤支镜气道标签预测

    本文提出了一种仅利用支气管镜视屏数据来实现导航引导的方法，通过 CNN 对气道分割进行单帧分类并采用基于状态转移的 HMM 模型应用解剖学约束和时间上文本信息对支气管树进行定位，能够在无需电磁跟踪和 CT 扫描的情况下，实现对支气管镜操作的视觉引导。

    Jul, 2023

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 两次拍摄足够吗？一种用于乳腺超声视频分割的标签高效方法

    该研究提出了一种新颖的两阶段训练范式，用于乳腺超声视频的分割，通过多样化的数据增强策略实现了自由空时一致性的捕捉，并在医学数据集上进行了验证，结果表明该方法在仅使用 1.9％的训练标签时能够获得与完全注释数据相当的性能。

    Feb, 2024

  • Swin-Tempo: 使用 Swin Transformer 增强的 UNet 在 CT 扫描作为视频序列中具有时间感知的肺结节检测

    我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个 3D CT 图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对 2D 数据的高效处理，并利用 3D 图像上下文进行准确识别。通过对公开可用的 Lung Nodule Analysis 2016 数据集应用 10 折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了 97.84％的准确度以及 96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

    Oct, 2023

  • 将更多注意力转移到超声乳腺病变分割上的研究

    通过精心策划的一个覆盖广泛的视频数据集和创新的 FLA-Net 模型，实现了超声视频乳腺病变分割的最先进性能，并显著减少了时间和空间复杂度。

    Oct, 2023

  • A2DMN: 解剖感知扩展多尺度网络用于乳腺超声语义分割

    通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

    Mar, 2024

  • 仅使用图像级标签从超声图像中检测胆囊癌

    通过使用图像级标签进行 GBC 检测，本文提出了一种使用自我监督实例选择的多实例学习方法训练 DETR 模型的弱监督目标检测算法，相较于目前最先进的基于变换器和卷积神经网络的弱监督目标检测方法，我们的方法在 AP 和检测灵敏度上表现出较大的改进。

    Sep, 2023

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022