May, 2024

卷积神经网络模型在搜索虚拟数字乳房层析成像幻像期间排除信号类似的解剖结构

PDF
TL;DR通过比较 Channelized Hotelling Observer（CHO）和卷积神经网络（CNN），我们表明 CNN 可以用作模拟人类搜索任务中的模型观察器，而传统的线性模型观察器由于无法排除解剖背景导致的误报而失败。
model observerslinear model observerconvolutional neural networksdetection accuracysearch task
发现论文，激发创造
  • 基于模拟观察函数的损失函数提升学习型 CT 重建中的信号检测能力

    通过引入受模型观察者框架启发的新型训练损失函数，我们改善了重建合成稀疏视野乳腺 CT 数据中弱信号的可检测性。

    Feb, 2024

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

    使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

    Feb, 2024

  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 用于肺结节检测的三维 G-CNNs

    使用 3D roto-translation group convolutions （G-Convs）能够有效地降低 Convolutional Neural Networks 的样本复杂度，从而更好实现肺结节检测中假阳性的过滤，从而达到了比基线体系结构更高的敏感性和收敛速度。

    Apr, 2018

  • 通过卷积神经网络提升医学影像诊断技术

    使用改进的 DenseNet 架构，本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究，重点关注其可解释性、有效性和伦理问题，并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现，同时指出了连续模型改进上的需求，团队合作和伦理考虑也被提出，以便在放射学诊断中负责任地部署卷积神经网络。

    Nov, 2023

  • 学习图像表示以进行异常检测：应用于药物开发中发现组织学改变

    本文提出了一种在组织病理学图像中进行异常检测的系统，该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练，并用于药物毒性评估，结果优于已有的方法。

    Oct, 2022