May, 2024

深度学习基于放射性的骶髂关节炎检测中结构意识的整合以提升泛化性能和进展预测

PDF
TL;DR通过深度学习模型中融入解剖学认知可以提高模型的泛化能力并实现疾病进展的预测能力。
anatomical awarenessdeep learning modeldisease progressionaxial spondyloarthritisradiographic sacroiliitis
发现论文，激发创造
  • 基于侧面膝关节 X 射线片、人口统计数据和症状评估的深度学习预测髌股关节骨关节炎进展

    本研究提出了一种基于深度学习和注意力机制的框架，利用七年的影像数据预测髌股关节骨关节炎的放射性进展，包括 1832 名患者（3276 个膝部），使用自动化工具（BoneFinder）骨龄确定方法识别 PF 关节区域，并使用 5 倍交叉验证的端到端 DL 模型，结合临床变量，论证了 ML 模型在 PFOA 预测中的潜力和未来应用前景。

    May, 2023

  • 基于多模态机器学习的膝骨关节炎进展预测 —— 来自 X 光片和临床数据

    通过以患者影像数据、临床检查数据和既往病史为基础的多模态机器学习模型，可以预测膝关节骨关节炎（OA）的进展情况，并显著改善 OA 药物开发试验的受试者选择过程，帮助个性化治疗计划的开发。

    Apr, 2019

  • 使用配对数据进行口腔内 X 射线牙齿异常检测的深度学习算法的统计验证

    该研究描述了一个用于检测口腔放射影像中的牙科异常（例如龋齿、根尖病变、根管治疗缺陷、冠冕修复边缘缺陷、牙周骨质流失和牙石）的深度学习算法的临床验证研究设置、统计分析和结果，比较了使用该算法与不使用算法的牙科医生的检测性能，并通过统计学方法证明了结果的显著性提升。

    Feb, 2024

  • 发展和验证一种人工智能模型，准确预测脊盆参数

    SpinePose 是一种人工智能工具，可以准确预测脊盆参数，具有与脊柱外科专家和神经放射学家相媲美的可靠性，可在患者选择和手术规划方面提供实质性帮助。

    Feb, 2024

  • 深度学习用于风湿性关节炎：X 光片关节检测与损伤评分

    本研究使用多任务深度学习模型，同时定位 X 射线图像上的关节并诊断狭窄和侵蚀两种关节损伤。该模型使用经过修改的标签平滑方法，将分类和回归提示合并为单一损失，相对标准损失函数减少了 5% 的误差。该研究在全球 RA2 DREAM 挑战赛中，关节狭窄排名第四，关节侵蚀排名第五。

    Apr, 2021

  • AnaXNet：基于解剖学的胸部 X 光多标签病变定位分类

    本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

    May, 2021

  • 改进膝关节 X 射线影像分类：自动图像标注方法

    使用自动标注方法显著提高了放射性诊断中图像分类的性能，并促进了患者护理和大型膝部数据集的整理。

    Sep, 2023

  • 使用注意力机制卷积神经网络预测关节 X 光图像中的关节损伤

    该研究提出了一种综合目标检测和卷积神经网络与注意力的两阶段方法，可以高效准确地预测 RA 患者手脚关节的总体和关节水平的狭窄和侵蚀疾病损害，该方法已在 RA2 Dream Challenge 中排名第四和第八位，并取得了显著结果。

    Feb, 2021

  • 从放射学报告和 X 光胸片图像中进行跨模态全局局部表示学习

    本文使用公開的印第安納大學放射學報告 (IU-RR) 資料集，訓練具有全局和局部的語言和視覺元素的多模式表示學習方法，進而診斷五種肺病理學，包括肺不脹、心臟肥大、水腫、胸膜積液和實質密度增加。使用 CheXpert 和 CheXphoto 這兩種不同的訓練資料集，平均 AUC 在 0.85 至 0.87 之間，這些結果與使用 UI-RR 的其他研究相比也相當有競爭力。

    Jan, 2023

  • 基于深度学习的普通 X 光片自动诊断膝骨关节炎方法

    本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据 Kellgren-Lawrence 分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

    Oct, 2017