Apr, 2024

应用深度学习和放射学技术检测胰周水肿

PDF
TL;DR该研究介绍了一种源自 255 名胰腺疾病患者的新型 CT 数据集，其中包括用于胰周水肿诊断的带有标注胰腺分割掩模和相应诊断标签的数据。通过该数据集，我们首先评估了基于线性 Transformer 的 LinTransUNet 模型在从 CT 成像数据中准确分割胰腺方面的有效性。然后，我们使用具有两个不同机器学习分类器的分割胰腺区域来识别周围胰腺水肿的存在：基于深度学习的模型和基于 radiomics 的 eXtreme Gradient Boosting (XGBoost) 模型。LinTransUNet 的效果有希望，Dice 系数为 80.85％，mIoU 为 68.73％。在进行周围胰腺水肿检测的九个基准分类模型中，Swin-Tiny Transformer 模型展示了最高的召回率为 98.85±0.42 和精确度为 98.38±0.17。相比之下，基于 radiomics 的 XGBoost 模型实现了 79.61±4.04 的准确性和 91.05±3.28 的召回率，表明其作为一种辅助诊断工具具有潜力，由于其快速处理速度和减少的训练时间。
发现论文，激发创造
  • 使用深度学习进行大规模多中心 CT 和 MRI 胰腺分割

    我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。

    May, 2024

  • 基于深度卷积网络的 CT 胰腺分割

    使用卷积网络的深度学习方法对腹部计算机体层摄影（CT）图像中的胰腺进行分段，该方法基于分层从粗到细的本地图像区域（超像素）的分类，并通过随机森林分类器级联的两级修补程序生成初始概率响应图，最终达到了 68% 的 Dice 分数，这表明这种方法具有很大的潜力和性能优势。

    Apr, 2015

  • 联合建模胸部放射照片和放射学报告用于肺水肿评估

    开发了一种新的机器学习算法，该算法利用神经网络模型同时对图像和文本进行训练以评估胸部 X 光片的肺水肿严重性，并证明了结合图像和文本的表示学习可以提高肺水肿评估的性能。

    Aug, 2020

  • DeepOrgan: 多层深度卷积神经网络用于自动化胰腺分割

    本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。

    Jun, 2015

  • 通过整合神经距离和纹理感知变形网络 提高胰腺癌多相 CT 的预后预测

    该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。

    Aug, 2023

  • 通过循环神经网络上下文学习和直接损失函数提高 CT 和 MRI 图像的深度胰腺分割

    这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法，利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题，且提出了一种名为 Jaccard Loss 的新的分割损失函数，优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。

    Jul, 2017

  • 腹部 CT 扫描中胰腺囊肿分割的深度监督

    介绍了一种基于深度学习的胰腺囊肿自动分割方法，通过加入深度监督并基于合理的变换函数，将分割任务分解为不同的步骤，应用于 131 个病理样本中取得了 63.44% 的平均精度（Dice-Sørensen 系数），高于未使用深度学习方法的 60.46%。

    Jun, 2017

  • 基于领域专用网络设计和循环神经语境学习的 CT 和 MRI 胰腺分割

    该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

    Mar, 2018

  • 使用去噪扩散模型在 CT 图像中进行胰腺肿瘤分割的异常检测

    通过使用去噪扩散算法，本研究提出了一种新颖的胰腺肿瘤检测方法，利用弱监督异常检测技术，可以在不需要复杂的训练协议和分割掩模的情况下，实现病变与健康对象之间的图像平滑转换，产生详细的异常图，为胰腺肿瘤检测领域的进一步研究做出了贡献。

    Jun, 2024

  • 放射学提升深度学习模型用于膵内乳头状黏液性肿瘤的分类

    该研究提出了一种新的计算机辅助诊断流程，用于从多对比度 MRI 扫描中对 Intraductal Papillary Mucinous Neoplasm（IPMN）囊肿进行风险分类，其包括高效的体积自适应分割策略和基于放射组学的预测性深度学习分类方案，并在多中心数据集上取得了优于国际指南和已发表研究的最新性能（准确率 81.9％）的结果。

    Sep, 2023