Sep, 2024

TASL-Net：用于双模态超声视频智能诊断的三重注意力选择学习网络

HTML
PDF
TL;DR本研究解决了双模态超声视频智能诊断中嵌入医疗知识的挑战，提高了深度学习网络的诊断准确性。提出的三重注意力选择学习网络（TASL-Net）通过模拟超声医师的时间注意力和空间注意力，提升了视频信息的处理效率和临床信心。实验结果表明，TASL-Net在肺部、乳腺和肝脏三个数据集上表现优异，具有显著的临床应用潜力。
发现论文，激发创造
  • 简化即是美：针对腹部超声图像的同时视图分类与标志点检测

    通过使用多任务学习和卷积神经网络，提出了一种自动分类和检测腹部器官的方法，实验结果表明，该方法能够在单个网络中完成所有任务，提高特征提取的效率以及分类和测量的准确性。

    May, 2018

  • 注意力门控网络：学习在医学图像中利用显著区域

    提出了一种新型的注意力门模型，可自动学习聚焦各种形状和大小的目标结构，在卷积神经网络模型中集成可以提高模型灵敏度和预测准确性并加速计算，应用于医学图像分类和分割任务中可提高模型预测性能并改进其启发机制。

    Aug, 2018

  • 通过模拟超声医师的视觉注意力进行超声图像表示学习

    本文研究通过建立基于人类视觉注意的模型来学习图像的可转移表示，以取代直接学习类标签所造成的图像理解的简化。通过在超声视频中预测视觉显著性或注视点回归，利用卷积神经网络从注视数据集中学习视觉注意模型，并评估该模型在超声标准平面检测任务中的可迁移性。实验表明，在有限标记的场景下，微调视觉显著性预测器优于随机初始化，平均F1分数整体提高9.6％，对于心脏平面提高了15.3％。另外，该学习方法生成的表示发现是可靠的，在近乎监督的基准模型的精度上接近。

    Mar, 2019

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用US-4数据集进行直接预训练，提出了一种名为USCL的US半监督对比学习方法，以学习来自US-4的功能强大的特征，并在多项下游任务中取得超越ImageNet预训练和其他SOTA预训练方法的结果。

    Nov, 2020

  • 面向胎儿超声的解剖感知对比表示学习

    本文提出一种结合解剖学特征的对比学习方法，在不使用标注数据的情况下可从医学图像数据中学习出传递效果良好的视觉表征，具有在胎儿超声成像任务中的卓越表现并优于 ImageNet 监督学习和当前基于对比学习的最新方法。

    Aug, 2022

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于3D神经网络、融合时空特征的SlowFast网络以及增强噪声鲁棒性的SwAV方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 基于监督注意力多示例学习从多视角超声图像中检测心脏疾病

    为了自动化筛查主动脉瓣狭窄，我们提出了一种新的端到端的多实例学习方法，引入了监督式注意技术和一种新的自我监督预训练策略。实验表明，与以前的方法相比，我们的方法在提高准确率的同时可以减小模型尺寸。

    May, 2023

  • HCS-TNAS: 混合约束驱动的半监督Transformer-NAS用于超声图像分割

    通过提出一种新颖的神经架构搜索方法HCS-TNAS，该方法自动设计网络，以解决超声图像分割的多尺度特征理解和数据依赖性的问题，通过融合多层次搜索和半监督学习方法，HCS-TNAS有效改善了分割准确度，超过了最先进的方法。

    Jul, 2024

  • CC-SAM：具有交叉特征注意力和上下文的超声图像分割SAM

    本研究针对现有Segment Anything Model（SAM）在超声医学图像分割中的性能不足，提出了一种新的改进方案。通过结合冷冻卷积神经网络和新颖的变分注意力融合模块，我们增强了模型的局部空间信息捕捉能力，并利用ChatGPT生成文本提示优化分割精度，显著提升了超声医学图像分割的效果。

    Jul, 2024

  • 基于自监督对比学习的乳腺肿瘤分类研究

    本研究解决了乳腺超声视频中的肿瘤分类问题，采用了三元组网络和自监督对比学习技术，从未标记的超声视频片段中学习特征表示。实验结果表明，模型在接收操作特征曲线（AUC）上达到了0.952，显著优于其他模型，大幅降低了对标记数据的需求，具有应用于自动乳腺超声图像诊断的潜力。

    Aug, 2024