Aug, 2024

从少数样本学习：对有限数据集的儿科腕部病理识别的细粒度方法

HTML
PDF
TL;DR本研究针对儿科腕部病理识别中的诊断挑战，提出了一种细粒度的方法，旨在自动识别X光影像中的重要区域，减少人工干预。通过使用Grad-CAM技术，我们的方法在有限的数据集上表现出色，显著提高了识别准确率和骨折敏感性，展现了在实际医疗应用中的潜在影响。
发现论文，激发创造
  • MURA：肌骨骼放射图异常检测的大型数据集

    介绍了MURA，这是一个包含40,561张骨骼肌肉系统放射线图像的大型数据集，通过研究这些图像的标注，训练了一个169层DenseNet模型以检测和定位异常。该模型的性能可与最佳放射科医生的性能相媲美，并提供了有关放射科医生的标准来比较模型表现。

    Dec, 2017

  • 使用少量X光图像和Faster R-CNN训练检测远端桡骨骨折

    通过训练Faster R-CNN深度学习网络，在只有38张有骨折的手部X光图像的情况下，可高精准度地识别和定位远端桡骨骨折，其准确性为96％，平均精度为0.866，并且较医生和放射科医师检测结果更为准确。这一技术为检测罕见疾病或常见疾病的罕见症状打开了可能性。

    Dec, 2018

  • 使用YOLOv8算法检测儿童腕部骨折X射线图像

    本文研究了如何使用YOLOv8算法从X光图像中检测儿童手腕骨折，并通过实验结果展示了该算法在不同模型大小上取得了不同的优势，其中YOLOv8l模型的平均精度最高（63.6%），而YOLOv8n模型在单个CPU上的推理时间只需67.4毫秒，并创建了“使用YOLOv8应用程序进行骨折检测”，以协助外科医生解释X光图像中的骨折，降低误诊概率，并为骨折手术提供更多有用信息。

    Apr, 2023

  • DeepLOC: 基于深度学习的手腕X光图像骨病理定位和分类

    该论文提出了一种新颖的方法，结合YOLO和Swin以及新提出的模块，用于定位和分类腕部X射线图像中的骨病理，解决了精确定位骨病理和准确分类异常的挑战。

    Aug, 2023

  • 用于图像分析的遮蔽条件扩散模型及其在婴幼儿滥用放射性诊断中的应用

    提出了一种用于数据增强的新型生成模型，可以生成真实且多样的带有CML的远端胫骨X射线图像，并生成其相关的分割标签，改善了ResNet-34在分类正常X射线图像和带有CML的图像方面的性能，并提高了U-Net在标注CML区域的性能。

    Nov, 2023

  • YOLOv8-AM：用于儿科腕部骨折检测的YOLOv8与注意力机制

    使用改进的YOLOv8-AM模型，结合注意力机制，通过对断骨检测的实验结果，证明了该模型在改进性能方面的先进性。

    Feb, 2024

  • 简化超声医学图像分割的视觉上下文学习与遮罩图像模型结合的简单框架

    新的简单视觉上下文学习（ICL）方法SimICL结合被设计用于自监督学习的屏蔽图像建模（MIM）对配对图像进行视觉ICL，成功地在具有有限注释的腕部超声数据集上验证，对于骨骼结构分割取得了非常高的Dice系数（DC）和Jaccard指数（IoU），并能减少图像标注需要的人工专家时间，提高超声图像分析中人工智能辅助的实际应用。

    Feb, 2024

  • YOLOv8中的全局上下文建模用于儿童腕部骨折检测

    深度学习在儿童尺骨骨折检测中的应用研究，通过YOLOv8+GC模型对X射线图像进行分析与诊断，提高了模型性能达到国际先进水平。

    Jul, 2024

  • 使用YOLO增强腕部异常检测：对最先进的单阶段检测模型进行分析

    使用YOLOv5、YOLOv6、YOLOv7和YOLOv8等最新单阶段深度神经网络检测模型检测手腕异常，相比于传统的两阶段检测算法Faster R-CNN，在骨折检测方面有优势，其中YOLOv8x在GRAZPEDWRI-DX儿科手腕数据集上表现出0.95的骨折检测mAP和0.77的总体mAP，突出了单阶段模型在增强儿科手腕成像方面的潜力。

    Jul, 2024

  • FCE-YOLOv8：结合特征上下文激励模块的YOLOv8在儿科腕部X光图像中的骨折检测

    该研究解决了儿童腕部骨折检测中的传统 radiologists 分析 X 光片的局限。提出的 FCE-YOLOv8 模型通过引入不同的特征上下文激励模块，显著提升了骨折检测的性能和效率，尤其是 YOLOv8+SE-M3 模型达到了 67.07% 的 mAP@50，超越了现有最先进模型的表现。

    Oct, 2024