May, 2024

基于注意力机制的头颈部临床图像预癌病变鉴定管道

HTML
PDF
TL;DR癌症的早期检测可以通过早期干预来改善患者的预后。我们提出了一种基于注意力机制的流水线，可以识别疑似病变、对其进行分割，并对其进行非异型、异型和癌性病变的分类。我们提出了一种基于视觉变换器的掩码 R-CNN网络用于临床图像的病变检测和分割，以及基于多实例学习的分类方案。目前的结果显示，分割模型可以在未见的外部测试数据上产生具有高达82%重叠准确度的分割掩码和边界框，并超过了经过验证的分割基准。在内部队列测试集上，分类F1得分达到85%。我们开发了一款应用程序，可以通过智能设备进行病变分割。未来的工作将利用内窥镜视频数据进行精确的早期检测和预后评估。
发现论文，激发创造
  • 基于注意力机制的全卷积网络——FocusNet——用于医学图像分割

    我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与U-Net及其残差变体进行对比，结果表明性能颇具竞争力。

    Feb, 2019

  • 皮肤病变定位和分割的检测器-分割师网络

    该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的“网络中的网络”方法，用于分割皮肤病变。作者使用了一种名为Faster RCNN的方法进行预处理，配合UNet和Hourglass网络实现皮肤病变的分割。在ISIC 2018数据集上，该方法的Dice相似度系数达到0.915，准确率达到0.959，在ISBI 2017数据集上，Dice相似度系数达到0.947，准确率达到0.971。

    May, 2020

  • 基于注意力卷积网络和可解释人工智能的乳腺癌分割

    本研究提出了一种基于注意力机制的卷积神经网络，结合了高分辨率红外热成像摄像机和人工智能，用于乳腺癌检测和分类。我们采用可解释性人工智能技术，通过梯度加权类激活图来分析深度学习架构的偏差和问题。结果表明，与现有深度学习框架相比，我们提出的框架具有明显的优越性。

    May, 2023

  • 利用人工智能进行头颈部癌症患者的诊断和预测

    该研究提出使用机器学习和深度学习自动进行头颈部肿瘤分割、患者预后预测等医学任务，并比较了基于ViT和卷积神经网络的模型，同时提出了两个新的架构，其中ViT模型的预测与分割结果优于集成模型，该成果最终在HECKTOR 2021挑战赛预测任务中获得胜利。

    May, 2023

  • 基于单幅图像的深度学习用于早期食管癌病变分割

    本文提出了一种名为YOHO的深度学习方法，它可以仅使用单张病人图像进行训练，避免了隐私泄露和泛化问题，同时通过使用临床专家的知识和几何渲染等技术细节，在提高分割准确度方面取得了显著进展，得分为0.888。

    Jun, 2023

  • 不平衡医学图像识别中的病变区域类别注意力

    提出了一种简单而有效的框架，名为CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

    Jul, 2023

  • 基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

    这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是Google基于ViT patch-32变体，达到96.15%的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

    Jan, 2024

  • 基于深度学习的PET/CT体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割PET/CT图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • CAF-YOLO：一种用于生物医学影像多尺度病变检测的稳健框架

    本研究旨在解决当前生物医学影像分析中病变识别准确度不足的问题，尤其针对小于3毫米的微小病变。提出的CAF-YOLO方法结合卷积神经网络和变换器的优点，通过引入注意力与卷积融合模块及多尺度神经网络，显著提升了微小病变的检测和定位能力。实验结果表明，该方法在BCCD和LUNA16等数据集上的表现优异，具有广泛的应用潜力。

    Aug, 2024

  • 基于注意力的膨胀卷积残差网络与引导解码器的皮肤病变分割研究

    本文针对皮肤病变分割中面临的挑战，提出了一种新颖的AD-Net方法，结合了注意力机制与膨胀卷积残差网络，以增强空间特征并优化解码过程。研究结果表明，该方法在需要更少模型参数的情况下，准确性优于现有顶尖方法，显著降低了训练所需的标注数据量。

    Sep, 2024