Apr, 2024

利用潜变量进行高效的热成像分类与分割

PDF
TL;DR乳腺癌是全球关注的突出健康问题，目前是妇女第二最常见和第二致命的癌症类型。该论文提出了一种新颖的乳腺癌分类和分割算法，通过利用信息丰富的学习特征空间，简化了解决方案的使用和扩展性，并且在分类方面取得了最先进的成果，同时是首个提出研究分割区域的工作。
breast cancerthermographic imagingcomputer-vision systemsclassificationsegmentation
发现论文，激发创造
  • 利用机器学习技术进行乳腺癌诊断

    评估了乳腺癌三种创新的诊断技术，并研究了利用机器学习技术（如卷积神经网络）的计算机辅助诊断系统来提高病人的生存率。

    May, 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

  • 热成像语义分割：比较研究

    通过使用红外图像进行语义分割，本研究对现有算法进行了分类，并提出了两种解决方案，一种是使用可见光和红外图像，另一种是只使用红外图像。

    May, 2022

  • 妇科癌症组织亚型的稀疏数据快速高光谱光热中红外光谱成像

    通过稀疏成像方法，将中红外光热成像技术应用于卵巢癌检测，实现了数据采集速度提升 10 倍，并利用随机森林和卷积神经网络模型对超过 65 百万个数据点进行了分析，证明了该方法能够产生优秀的图像质量，并以超过 95% 的分割准确率准确区分不同的妇科组织类型。

    Feb, 2024

  • 热成像图像中热损失识别的分割框架：为苏格兰改造和热像测量公司赋能

    使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

    Aug, 2023

  • 使用机器学习自动化乳腺 X 光摄影图像分析

    本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

    Dec, 2020

  • 迈向乳腺 X 线摄影图像的自动语义分割

    通过深度学习框架，我们在常规乳腺 X 线照片上提出了一个大型私有化分割数据集，并进行了大量实验以考虑不同的深度学习模型结构，从而准确地分割了乳头、胸肌、纤维腺体组织和脂肪组织，展示了该框架可以整合到临床实践中。

    Jul, 2023

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 增强乳腺癌分割和识别的多注意力集成深度学习框架

    本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

    Jul, 2024

  • 双通道卷积神经网络利用微傅里叶红外光谱成像来预测乳腺癌亚型及生物标志物水平：雌激素受体、孕激素受体、HER2 和 Ki67

    该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。

    Oct, 2023