Jun, 2024

CT成像的全面索引和语义注释：提升FAIR性

HTML
PDF
TL;DR该研究介绍了一种通过自动索引和语义增强来提高临床CT图像系列的可发现性、可访问性、可互操作性和可重用性的方法，使用HL7 FHIR资源对元数据进行标准化，以提供医学影像数据的易发现性并促进互操作性，为医疗人工智能应用的大规模集成和索引提供了基础。
发现论文，激发创造
  • 大规模放射学数据库上的文本/图像交错深度挖掘，用于自动图像解释

    提出了一种文本/图像深度学习系统，通过融合自然语言处理技术相互作用，在病人扫描图像中生成语义标签，预测辐射学水平中的语义主题并自动生成关键词。

    May, 2015

  • 一份用于分割算法开发和评估的大型注释医学图像数据集

    本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在2018年举行的一个众包挑战中被使用的数据集。

    Feb, 2019

  • 应用人工智能技术对NLST和NSCLC-Radiomics计算机断层扫描数据集进行注释扩充

    本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注，从而丰富了国家癌症研究所影像数据共享平台中的数据资源，并伴随云端笔记本进行演示说明，以加强公共科研数据的可访问性和可用性。

    May, 2023

  • 构建RadiologyNET：大规模多模态医学数据库的无监督注释

    通过多模态数据源自动标注医学放射照片，利用机器学习技术进行医学诊断和治疗的自动化流程。

    Jul, 2023

  • INSPECT: 肺栓塞诊断和预后的多模态数据集

    通过整合三维医学影像和电子健康记录，我们引入了INSPECT数据集，其中包含19402名患有肺栓塞（PE）风险的患者的匿名长期记录，以及多个结果的基准标签，为评估多个重要PE相关任务的基线建模方法提供了一个基准。

    Nov, 2023

  • VISION-MAE: 医学图像分割和分类的基础模型

    人工智能（AI）在医学影像诊断和分割方面具有改革潜力，但其发展和临床应用面临多个挑战，包括数据有限性、泛化能力不足以及有效整合多模态数据的必要性。我们提出了一种新的基础模型VISION-MAE，针对医学影像进行专门设计。VISION-MAE是在包含各种模态（CT、MR、PET、X射线和超声）的250万张未标记图像数据集上使用自监督学习技术进行训练的，并使用明确的标签对其进行分类和分割任务的自适应。VISION-MAE具有较高的标签效率，在领域内外应用中表现优于几个基准模型，并且即使数据标注可用性减少，也能实现高性能。该模型代表了医学影像人工智能的重大进展，为改善分割和分类任务提供了具有泛化性和稳健性的解决方案，同时减轻了数据标注工作量。

    Feb, 2024

  • 使用特定领域的余弦相似度度量方法对胸部X射线报告进行语义文本相似性评估

    医疗语言处理和深度学习技术作为改善医疗保健的关键工具，特别是在医学影像和医学文本数据的分析中。本研究介绍了一种新的方法，专门用于评估生成的医学报告与实际情况之间的语义相似度，该方法在领域特定的医学背景下表现出较高的效率。

    Feb, 2024

  • 通过从X射线专家模型中提炼知识来引导胸部CT图像理解

    利用自然语言作为有限可用的数据集辅助胸部CT图像理解并通过对比学习技术提高模型的性能。

    Apr, 2024

  • 国家癌症研究所成像数据共享平台中AI生成的乳腺、脑、肝、肺和前列腺癌注释

    本研究解决了国家癌症研究所成像数据共享平台（IDC）中癌症影像数据集注释不足的问题。通过开发nnU-Net模型，本研究提供了高质量的AI辅助标注数据集，涵盖多种影像学模式，并经过放射科医生的审核与纠正。该研究的显著发现是，提供具有全面性和准确性的影像数据集，有助于推动癌症成像工具和算法的进一步研究与发展。

    Sep, 2024

  • MedImageInsight：一个针对通用领域医学影像的开源嵌入模型

    本研究针对医学影像领域中的现有问题，提出了MedImageInsight，一个经过多样化领域训练的开源医学影像嵌入模型。该模型在胸部X射线、皮肤病学及OCT影像等多个领域实现了现有技术水平，并在影像检索和疾病分类任务中展现了优异的性能，具有推动医学影像AI研究和发展的潜力。

    Oct, 2024