May, 2024

基于 Transformer 的自监督学习用于缺血性脑卒中血栓起源的组织病理分类

PDF
TL;DR利用自我监督深度学习方法识别缺血性中风血栓来源的数字病理学研究，模型在交叉验证和测试集上取得了良好的性能，但仍需要进一步改进模型，并验证其有效性。
thromboembolism sourceischemic strokedeep learninghistopathological imagesmodel performance
发现论文，激发创造
  • 使用全幅数字病理学影像自动分类中风血栓起源

    研究提出通过整合全切片数字病理图像的数据，利用多种先进的计算机视觉模型对血栓来源进行分类的新方法，其中 SwinTransformerV2 模型表现最佳，可以在不同血管区域检测血栓的来源，有望改善缺血性卒中的诊断和治疗。

    Apr, 2023

  • 使用深度卷积神经网络和视觉转换器对中风血栓起源的图像分类

    本研究使用四种深度神经网络架构与简单集成方法，应用人工智能技术对急性缺血性卒中心源性进行分类。

    May, 2023

  • 基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

    本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

    May, 2023

  • 使用 Swin Transformer 中基于头部梯度注入自注意力映射的弱监督颅内出血分割在分类学习中的应用

    本研究提出了一种基于 Swim transformer 的弱监督颅内出血分割方法，并将其与基于 U-Net 的全监督方法及使用 Grad-CAM 的类似弱监督方法进行了比较，结果显示该方法具有良好的医学图像分割潜力。

    Apr, 2023

  • 基于 Transformer 的卒中分割架构：综述

    依赖于诊断工具及深度学习方法，该论文旨在探索基于 Transformer 的创新架构在中风分割领域的应用，提供详细的分析和评估，同时探讨未来的研究发展方向。

    Mar, 2024

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023

  • 使用基于 Transformer 网络的方法并行估计 CT 脑部缺血损伤的年龄和分割

    本文提出了一种基于 Transformer 网络的多任务模型，用于同时对脑缺血损伤进行分割和估计时间，该模型利用门控位置自注意力和 CT 专用数据增强来捕捉长距离的空间依赖性，综合评估表明该方法在分割效果、时间分类性能和向先前工作提供的比较方面都表现出色。

    Jun, 2023

  • 基于深度学习模型的脑卒中分割：一项比较研究

    本研究选择了四种深度模型进行中风分割，即纯 Transformer 结构 (DAE-Former)，两种带有注意机制的先进 CNN 模型 (LKA 和 DLKA)，一种将 CNN 与 Transformer 结合的高级混合模型 (FCT)，以及以给定数据为基础的自适应 nnUNet 框架，并在两个公开可用的数据集上进行了评估，结果表明 nnUNet 在所有模型中具有最简单的设计，并通过强调预处理和后处理技术来提高分割结果，超越了仅关注架构设计的重要性。

    Mar, 2024

  • BeSt-LeS：使用深度监督进行脑卒中损伤分割的基准评估

    脑卒中已经成为全球健康负担，因此我们需要治疗方法和预防策略来克服这一挑战。在此工作中，我们考虑了公开可用的数据集 ATLAS v2.0，以评估各种端到端有监督的 U-Net 风格模型。我们在 2D 变换器模型上达到了最高的 Dice 得分 0.583，在 3D 残差 U-Net 模型上达到了 0.504。我们对 3D 模型进行了 Wilcoxon 测试，以确定预测和实际中风体积之间的关系。为了可复现性，代码和模型权重已公开提供。

    Oct, 2023