Apr, 2024

通过利用人工智能驱动的反射共聚焦显微镜分析提升诊断

PDF
TL;DR反射共聚焦显微镜（RCM）是一种非侵入性成像技术，用于生物医学研究和临床皮肤学。它提供了皮肤和表浅组织的虚拟高分辨率图像，减少了对物理活检的需求。RCM 采用激光光源照射组织，捕捉反射光生成不同深度微观结构的详细图像。最近的研究探索了 AI 和机器学习，特别是 CNN，用于分析 RCM 图像。本研究提出了一种基于纹理特征的分割策略，用于识别具有临床意义的区域，提升皮肤科医生的图像解释能力和诊断信心。这种方法有望推动皮肤病的诊断和治疗。
reflectance confocal microscopybiomedical researchclinical dermatologyai and machine learningdermatological diagnosis
发现论文，激发创造
  • 使用 Toeplitz 注意力的递归卷积网络对反射共聚焦显微镜图像中的皮肤层进行分割

    使用带有注意力机制的循环神经网络和 Toeplitz 注意力，对 RCM 图像进行分层并分类，可作为一种无创皮肤癌预筛查工具。测试结果显示，在 504 个 RCM 图像堆叠数据集上，分类准确率达到了 88.17％，达到了目前的最高水平。

    Dec, 2017

  • 基于人工智能的皮肤癌诊断：Grad-CAM 和专家批注提高可解释性

    开发了一种人工智能工具，通过远程皮肤病学为基底细胞癌（BCC）的诊断提供了可解释的支持，从而加快了转诊流程并优化了资源利用。

    Jun, 2024

  • 基于深度卷积神经网络的显微镜点滴诊断

    本文使用深度卷积神经网络对三个不同的显微镜任务（血液涂片中的疟原虫，痰液样本中的结核菌和粪便样本中的肠道寄生虫卵）进行评估，结果表明准确性非常高，远远优于其他代表传统医学成像技术的替代方案。

    Aug, 2016

  • 增强光谱乳腺 X 线摄影中的病变检测

    本研究介绍了使用深度学习构建的计算机辅助诊断 (CAD) 技术，基于 Contrast Enhanced Spectral Mammography (CESM) 图像，通过神经网络识别乳腺恶性病变和进行分类，前期数据的结果证明最终模型在乳腺癌诊断上有很高的可行性。

    Jul, 2022

  • 基于机器学习的结肠组织分类：声学分辨光声显微镜

    探究利用声学分辨光声显微镜（ARPAM）机器学习方法对结直肠组织进行良恶性分类以提高诊断效率和降低患者痛苦的研究。

    Jul, 2023

  • 发光献艺：巴那科罗染色改进基于人工智能的细胞学口腔癌检测

    结合多模态成像和深度融合的方法，该研究旨在提高基于人工智能的口腔癌检测的准确性，通过亚甲基蓝染色液基细胞学刷片的亮场和荧光显微镜成像分析，证实荧光成像提供了重要的诊断信息，并且多模态融合方法提高了单模态方法的分类和癌症检测准确性，其中 Co-Attention Fusion Network（CAFNet）模型在测试中表现优秀，F1 分数达到 83.34％，准确率为 91.79％，超越了人类的表现，进一步测试显示对图像配准的精确性优化有助于优化多模态分析的效果，这项研究通过结合深度学习和多模态成像推动了细胞病理学的发展，提高了口腔癌的早期非侵入性检测的准确性，改进了诊断精度和临床工作流程，并且该研究开发的流程也适用于其他细胞学领域。

    Jul, 2024

  • 基于临床图像特征与患者数据的色素性皮肤病自动诊断技术

    该研究开发了一个基于智能手机拍摄的脂肪瘤皮肤病变图像的计算机辅助诊断系统，通过提取图像特征和病人背景信息来提高皮肤病变诊断的准确性，在实验中与专家的判断相当。

    Jan, 2022

  • 表面增强拉曼光谱与转移学习在手术区域精确重建方面的应用

    本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。

    Jan, 2024

  • 使用光子吸收遥感显微术进行无标记组织学的自动全层扫描成像

    利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

    Apr, 2023

  • 使用深度学习网络进行皮肤病变分析以实现黑色素瘤检测

    本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在 ISIC 2017 测试集上表现出有前景的准确率

    Mar, 2017