基于 YOLO 和 Faster R-CNN 的超声影像胆囊癌检测
本文研究了基于 CNN 的模型在超声(USG)图像中用于胆囊癌(GBC)检测的潜力和挑战。我们提出了 GBCNet 来解决图像质量、噪声和纹理等问题,该模型在 GBC 分类任务中的表现明显优于 SOTA CNN 模型和专业放射科医生,并且还在乳腺癌检测方面得到了验证。
Apr, 2022
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
本研究探讨了目标检测特别是 YOLOv5 在医学影像中的应用,通过训练模型检测病理性肺病变,实现早期肺癌的诊断,结果表明该模型在识别病变和计算效率方面表现良好,有望在临床中应用辅助影像医师的早期检测。
May, 2023
本论文提出了一种名为 YOLO-OB 的新模型,通过双向多尺度特征融合结构和基于中心的无锚框回归策略,显著提高了息肉检测的各项性能指标,尤其是召回率,同时实现了基于 RTX3090 图形卡的实时息肉检测(每秒 39 帧)。
Dec, 2023
本论文提出了一种基于 Faster R-CNN 的 CAD 系统,该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变,且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。
Jul, 2017
这份研究论文提出了一种基于视频的胆囊癌检测方法,采用 Masked Autoencoder (MAE) 进行表示学习,并引入了一种名为 FocusMAE 的新型设计,通过选择高信息区域的掩蔽标记来改善恶性肿瘤的表示,实现了 96.4% 的准确率,超过了当前图像和视频方法的准确率,并在 CT 图像上进行了验证。
Mar, 2024
通过使用最新的 You Only Look Once (YOLO V7) 目标检测方法,该研究针对医学图像格式上的肾脏检测进行了训练和测试,通过在 878 名患有各种亚型的肾细胞癌(RCC)和 206 名正常肾脏患者中检索了 1084 名患者的 5657 张 MRI 扫描,观察最终模型的肯定预测值(PPV)、敏感性和平均精确度 (mAP)。
Feb, 2024
该研究提出了一种新的框架,将两种不同的卷积神经网络结构相结合,以在模拟环境中同时完成作物检测和收获(机器人操控)任务。利用机器视觉实现作物自动识别,提高收获效率,但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位,以及使用视觉几何组模型来确定机器人操控的抓取位置。
Jan, 2024
该研究提出了一种基于重参数化卷积和通道洗牌的新型 YOLO 架构(RCS-YOLO),并通过特征级联和计算效率提取更丰富的信息,减少时间消耗,实现了在大脑肿瘤检测任务上的最新性能,超过了 YOLOv6、YOLOv7 和 YOLOv8 的速度和准确性。
Jul, 2023