Apr, 2024

深度学习模型在 X 射线图像肺部分割的比较分析

PDF
TL;DR本研究评估深度学习解决方案在 X 射线图像的肺部分割方面的可靠性和高准确性，对 61 篇研究论文进行分析，只有九篇提供了实施或预训练模型，最终评估 CE-Net 表现最佳，其 Dice 相似系数和交集比例度量值最高。
lung segmentationx-raysdeep learning solutionsperformance analysisce-net
发现论文，激发创造
  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020

  • 结合肺部 X 射线数据集的二分类深度学习模型的比较研究

    对比了八种主要的深度学习模型在肺部 X 射线图像数据集上的二元分类性能，发现 DenseNet169 和 MobileNet 表现出较高的准确率。

    Sep, 2023

  • 卷积神经网络的网络化训练实现准确肺部分割

    本文介绍了一种精确的肺部分割模型，基于深度卷积神经网络，采用空洞卷积层有效地增加了滤波器的视野范围，并提出了一种多阶段训练策略，通过早期网络输出训练当前网络，该策略能够减少误预测标签并生成平滑的肺部边界。作者在 JSRT 数据集上进行了实验，证明了该模型优于现有方法，具有更少的模型参数和最先进的性能。

    Aug, 2017

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • 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

  • 胸部 X 光分析的深度学习：一份调查

    本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

    Mar, 2021

  • 基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

    提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。

    Mar, 2018

  • 从 CNN 到 Transformer：医学图像分割模型综述

    在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

    Aug, 2023

  • 更具特定性：一种基于 3D U-Net 及其变型的新型基于不确定性的气道分割应用

    本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet)，它们基于 U-Net 结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

    Feb, 2024

  • 利用深度学习和可解释人工智能技术对胸部 X 光图像进行可解释性肺疾病分类

    通过深度学习技术，本研究旨在将不同的肺部疾病分为五类，并以 96.21% 的准确率通过 Xception 模型进行分类和诊断。

    Apr, 2024