Apr, 2024

自适应局部二值模式：基于集成机器学习方法的增强 CT 扫描图像肾脏异常分析的新型特征描述符

PDF
TL;DR我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。
发现论文，激发创造
  • 初期慢性肾脏疾病（CKD）检测：新型混合特征选择方法和适用于不同 ML 技术的稳健数据准备流程

    应用机器学习方法，使用 KNN Imputation 处理缺失值，采用 SMOTE 处理数据不平衡，集成多种算法，其中随机森林模型可以在不泄漏数据的情况下以 100% 的准确率检测慢性肾脏疾病。

    Mar, 2022

  • 基于显着性折叠数据的 LBP 特征 SVM 医学图像分类

    本文探讨了在支持向量机和局部二值模式的基础上，如何在医学图像处理中将不相关区域的影响减少，以实现更高效的分类，优化了现有算法的表现。

    Sep, 2015

  • 使用卷积神经网络自动分割非增强 CT 上的肾脏和囊性肾病变

    实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

    May, 2024

  • 胸腹部 CT 扫描中的肾脏异常分割

    使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

    Sep, 2023

  • 基于典型部位检测的可解释深度学习肾结石分类器

    该研究使用机器学习建立肾结石图像分类模型，其基于可解释性的子部件原型（PPs）方法，能够提供类似于形态宪法分析（MCA）的解释。

    Jun, 2022

  • 基于病变感知的多相 CT 扫描肾肿瘤亚型分类的交叉相位注意力网络

    提出了一种新的病变感知跨阶段注意力网络（LACPANet），可以有效地捕捉肾脏病变在多期 CT 阶段之间的时间依赖关系，从时间序列多相 CT 图像中准确分类肾脏病变为五个主要病理亚型，并在诊断准确性方面超越了现有方法。

    Jun, 2024

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 一种全局特征提取模型，用于利用结构性 MRI 图像有效辅助诊断轻度认知障碍

    利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

    Dec, 2017

  • 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

  • 深度原型部件减轻形态学肾结石识别并具有对光度扰动的竞争性稳健性

    本研究提出了使用基于深度学习的肾结石识别模型中的原型部件 (PPs) 来生成分类结果，从而使模型具有可解释性和更高的稳健性。

    Apr, 2023