May, 2024

2D 乳腺 X 线摄影图像和组织放射照相的空间匹配：改善可疑微钙化特征的刻画

PDF
TL;DR利用乳房 X 光片和数字组织病理学图像，我们研究了一种基于模板匹配的方法，利用微钙化作为标志物，将通过活检核心标本拍摄的放射照片与在乳房 X 光片上可见的钙化群进行匹配，该方法在确定微钙化的乳房区域方面具有较高的负预测值（0.98），但在精确度（0.66）和召回率（0.58）方面表现适中。
发现论文，激发创造
  • 迈向乳腺 X 线摄影图像的自动语义分割

    通过深度学习框架，我们在常规乳腺 X 线照片上提出了一个大型私有化分割数据集，并进行了大量实验以考虑不同的深度学习模型结构，从而准确地分割了乳头、胸肌、纤维腺体组织和脂肪组织，展示了该框架可以整合到临床实践中。

    Jul, 2023

  • 利用小波和傅里叶变换的互相关提高乳腺 X 光摄影的特异性

    文章对乳腺癌的检测进行了探究，提出了一种基于离散小波变换、傅里叶变换和朴素贝叶斯分类器的方法，在分析乳腺 X 线摄影图像的统计特征的基础上，实现了高准确率的乳腺癌检测。

    Jan, 2022

  • 乳腺摄影报告所述结果与结论之间的一致性监测的监督式机器学习算法

    开发了一个工具，通过将报告的结论与基于放射学结果的预期结论进行比较，检测乳腺 X 线摄影报告中的非标准术语和不完整语句。使用术语规范化和机器学习分类方法，可以将报告分类为七个 BI-RADS 最终评估类别，并提供了相应的语义相似性分数。该方法可以自动检测 BI-RADS 描述符和预期的最终评估类别，具有相当高的准确性。

    Feb, 2022

  • 多尺度深度分类器使用于乳腺 X 线摄影评估

    利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。

    Jun, 2018

  • 应用图形表示法对黑色素瘤 MELC 样本进行细胞级表征

    该研究使用多表位配体地图（Multi-Epitope-Ligand Cartography，MELC）对疑似黑色素瘤样本进行细胞水平的组织表征并构建了表示该表征的图表，进而采用图神经网络进行训练。该技术与方法组合的皮肤疾病图像分类准确率高达 87％，比现有方法提高 10％。

    Nov, 2022

  • 人工智能模型乳腺 X 线筛查的性能差距 -- 迈向公平和可解释的模型

    通过分析筛选乳腺 X 线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

    May, 2023

  • 使用机器学习自动化乳腺 X 光摄影图像分析

    本文提出了一种计算机辅助自动乳房 X 线摄影分析系统，其中包含三个连续的图像处理、特征选择和图像分类阶段，可以有效分类正常或癌症，实验证明该系统可以提高分类性能。

    Dec, 2020

  • 无监督特征相关性模型预测乳房异常变异图谱的纵向乳房 X 光检查

    针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

    Dec, 2023

  • ScanNet: 一种快速稠密的滑片图像扫描框架，用于乳腺癌转移的检测

    本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在 2016 年 Camelyon Grand Challenge 的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在 WSI 分类任务上超越了人类表现。

    Jul, 2017

  • 改善数字乳腺 X 光片的病灶体积测量

    通过开发一种模型来估计处理过的乳腺 X 线摄影图像中的病变体积，我们在数字乳腺 X 线摄影图上建立了一种更准确的病变体积测量方法，该方法是医学中心临床实践和乳腺癌筛查中影像学家常用的图像。

    Aug, 2023