BUSClean: 用于医疗人工智能的乳腺超声图像预处理和知识提取的开源软件
通过利用神经网络的CycleGAN方法,从医学超声图像数据中生成伪解剖图像,提高图像质量以更好地表现病变区域,其中生成伪解剖图像在病变分割中的对比度和区分度较高,可潜在地简化诊断流程并改善临床结果。
Feb, 2022
本研究重点探讨利用交互式分割算法Segment Anything Model(SAM)进行乳腺超声影像乳腺肿瘤分割的有效性。 该研究表明ViT_l模型在性能指标上具有卓越表现,研究还评估了该模型在分割恶性和良性肿瘤方面的差异性能,发现其在两个类别中均表现出出色的能力。 此外,本研究还分析了体积、对比度、长宽比和复杂性等各种肿瘤特征对分割性能的影响。 研究结果为SAM作为乳腺超声影像乳腺肿瘤分割算法提供了有价值的见解。
May, 2023
本文提出了一种基于弱监督学习的Two-Stage Detection and Diagnosis Network (TSDDNet),用于增强乳腺癌超声计算机辅助诊断的精确性,通过优化检测网络和分类网络,使模型在病灶检测和诊断任务中达到最佳表现。
Jun, 2023
通过使用来自1,540名患者的2,945张乳腺超声图像,研究了不同BI-RADS定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明,使用多种先进的分类架构(包括VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet和Vision Transformers),而非传统的机器学习模型,通过全方位的分析,我们的计算机辅助诊断(CAD)系统显著提高了准确性,在全fine-tuning设置下的准确率为76.39%和F1分数为67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高,为未来旨在改善医学成像CAD系统的精确度和可靠性的努力奠定了坚实的基础。
Nov, 2023
通过使用卷积神经网络和波及注意力机制,结合音速微运动成像(VSI)技术,研究人员提出了一种名为Wavelet_Attention_UNet(WATUNet)的新型分割模型,该模型在乳腺癌诊断方面具有突出表现,在两个数据集上的Dice系数和F1得分均超过了其他深度网络的表现。
Nov, 2023
通过成像学和形态学的相结合,我们提出了一种新的方法,在早期乳腺超声图像中进行弱监督病变分割,其性能超过了依赖像素级注释的监督学习方法。
Nov, 2023
通过LangChain和大型语言模型(Large Language Models, LLM)的组合,我们提出了一种整合多种图像分析工具的方法,可以准确提取超声图像的相关特征,将其在临床背景中进行解释,并生成全面且标准化的报告,从而减轻放射科医师和医疗保健专业人员的负担,提高报告的一致性和质量。大量实验证明了所提出方法中涉及的每个工具均能提供定性和定量上显著的结果。此外,对所生成报告的临床评估表明,所提出的方法可以以临床意义的方式进行报告生成。
Dec, 2023
本研究提出了一种新颖的乳腺超声图像分割方法,称为BUSSAM,通过使用适配器技术将Segment Anything Model(SAM)迁移到乳腺超声图像分割领域。通过设计轻量级的CNN图像编码器以及交叉支路适配器,位置适配器和特征适配器对原始SAM进行微调,实验结果表明,我们的模型在医学图像分割方面具有显著优势。
Apr, 2024
应用于乳腺超声图像中的人工智能模型具有潜在的减轻癌症负担的应用前景。本研究提出了一种能够解释其预测结果的可解释人工智能模型,并通过预测具有特定临床意义的乳腺影像学术语来方便放射科医师审查和纠正错误,从而提高癌症分类的性能。
Jun, 2024
本研究解决了乳腺超声图像分割中由于超声伪影和噪声导致的挑战性问题。提出了一种基于U-Net的神经网络(CResU-Net),通过结合其他深度神经网络来改进编码器和解码器部分,显著提高了分割精度。最终结果显示,该网络在BUSI数据集上实现了优于现有深度学习方法的表现,为早期疾病诊断提供了有效工具。
Sep, 2024