通过 2.5D 多示例学习对 3D 病理数据进行分级以指导病理学家评估
人体组织和其组成的细胞形成的微环境本质上是三维的。我们提出了用于处理来自多种成像模态的 3D 组织图像并预测患者结果的基于深度学习的平台 MAMBA。MAMBA 通过 3D 基于块的方法,在预测方面表现出比传统的基于单层切片的预测方法更好的性能,暗示着使用 3D 形态特征进行更准确的预测。MAMBA 为临床决策支持提供了一种通用有效的 3D 弱监督学习框架,可以帮助揭示新的 3D 形态生物标志物以进行预后和治疗反应的研究。
Jul, 2023
本研究提出了一种简单的方法,使用 2D 网络和中间特征表示来处理 3D 数据,并使用特征减少模块进行分类,以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。
Jul, 2023
该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”,以在针生物镜下进行前列腺癌诊断,并获得了很高的 AUC,为计算病理学领域的决策支持系统部署提供了基础。
May, 2018
本文介绍了一种结合人工和深度神经网络特征提取的分析流程,并直接操作于数字扫描仪所生成的全幅图像上,实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征,最终通过对 368 个全幅图像进行测试,成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75%的总体准确性。
May, 2017
提出一种新颖的 2.5D 跨切片注意力模型,利用全局和局部信息以及证据关键性损失进行证据深度学习,用于检测前列腺癌的 MR 图像,该癌症为男性常见的癌症之一,并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验,取得了前列腺癌的最先进检测性能,并改善了确定性不确定性估计。
Jul, 2024
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
通过对 ADNI 海马 MRI 数据集进行分割实验,比较了不同的三维海马分割卷积架构的有效性和效率,结果表明,与简单的二维块相比,稍微非传统的 “堆叠的 2D” 方法提供了更好的分类性能,并且不需要额外的计算能力。同样我们也测试了一种流行的 “三平面” 方法,发现它提供了比 2D 方法更好的结果,但需要适度增加计算能力的要求。最后,我们评估了完整的三维卷积体系结构,并发现它提供了比三平面方法略好的结果,但代价是需要非常大的计算能力要求。
May, 2015
本研究提出了一种综合且可扩展的 3D SAM 模型,名为 CT-SAM3D,用于全身 CT 分割,通过使用一个(几乎)完全标记的 CT 数据集,建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示,通过减少大规模器官的交互提示工作量,以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。
Mar, 2024
本研究为培训深度学习算法所需数据量的问题提出了一种解决方案,通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练,可以加速涉及 3D 医学图像的任务的训练收敛速度和提高准确度。
Apr, 2019
本文提出了针对五种不同的自监督学习方法的三维版本,利用这些技术进行神经网络特征的学习,通过对三维图像的预处理,显著提高语义表示的精确性,从而在医学成像领域实现了数据效率、性能和收敛速度的提升,具有较高的竞争力和可扩展性。
Jun, 2020