- LOTUS:学习优化基于任务的超声图像表示
通过模拟介质的计算,该论文提出一种新的方法,利用 CT 扫描的数据生成物理模拟的超声图像,通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果,并在其他器官上进行了优化图像表示的定性结果评估。
- 利用同时节点和边预测的图神经网络实现骨椎可靠识别
用于 CT 扫描的自动椎骨定位和识别对于许多临床应用很重要,本论文提出了一种简单的流程,使用 U-Net 进行标准预测,然后使用单个图神经网络来关联和分类具有完整方向的椎骨,并通过引入包含骨体关联的脊柱枢等标记来测试我们的方法,展示了我们的 - 基于 StyleGAN2 的医学影像异常检测
利用生成对抗网络(GAN)检测处于训练分布之外的图像,该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。
- MedLSAM:用于 3D 医学图像定位和分割的模型
本文提出了一种名为 MedLSAM 的模型,在不增加标注工作量的情况下实现了常数标注工作量,同时简化了注释过程。
- 单层和双层放射照片 CT 重建的变压器
本文介绍了一种基于变压器架构的新方法,该方法可在仅有的双平面 X 射线的情况下重建计算机断层扫描(CT)图像,进而实现对器官进行大体测量,具有很高的实用价值。该方法可作为一种新型检测手段,并提供了一个基于 GitHub 的公开代码库,以鼓励 - CVPR无标记肝肿瘤分割
本研究利用合成肝癌在 CT 扫描中表现真实准确,以此训练 AI 模型实现肝癌分割,并且能够自动生成小型 (甚至微小的) 合成肝癌的多个样本,为提高肝癌早期检测成功率和评估 AI 鲁棒性提供新思路。
- 基于 CLIP 的器官分割和肿瘤检测通用模型
本文介绍了 CLIP-Driven Universal Model 模型,它基于 Contrastive Language-Image Pre-training 学习的文本嵌入,结合分割模型,可以分割 25 个器官和 6 种肿瘤,具有更高的 - 从结肠镜视频中估计结肠三维重构的覆盖范围
提出了一种方法,用于从三维结构化数据中估算回肠的表面面积,可以减少肠镜检查中被漏检的息肉数量,该方法在合成和真实数据下均取得了良好的结果。
- 基于几何学习的放疗分割误差自动识别
本研究提出了使用卷积神经网络和图神经网络相结合的新型架构,基于自我监督学习的方法,无需基准来自动识别三维器官风险分割中的错误,为放射治疗过程提供了离线质量保证工具,以便识别需要专注于的区域。
- AI-MIA: 应用医学影像进行 COVID-19 的检测和严重程度分析
本文介绍在欧洲计算机视觉会议(ECCV 2022)AIMIA 研讨会框架下组织的第二次 COVID-19 竞赛的基线方法,并介绍了 COV19-CT-DB 数据库和基于 CNN-RNN 网络的深度学习方法的性能表现。
- U-Noise:可学习的噪声掩码,用于可解释的图像分割
利用添加噪声的方法,我们提出了一种全新的解释深度学习图像分割模型的方法,能在医学等重要决策应用中提高模型的可解释性,并演示了该方法优于传统的 Grad-CAM 和遮挡敏感方法,同时,我们证明了该可解释性模型可以基于遮挡图像的下游性能进行定量 - U-Net 及其变体在医学图像分割中的应用与理论
U-net 是一种主要用于医学图像分析的图像分割技术,可以使用少量的训练数据对图像进行精确分割。本文回顾了 U-net 架构的各种发展,并探讨了最近的趋势。我们研究了深度学习中的各种创新,并讨论了这些工具如何促进 U- net。此外,我们还 - 基于轻量级伪三维卷积和表面点回归的深度体积通用病变检测
提出了一种基于深度学习的方法,采用 P3DC 操作符和 SPR 方法对 3D CT 扫描中的病变进行准确和全面检测和计量,结果表明该方法在公共和本地数据集上都取得了优秀的表现,适用于大规模和小规模数据集。
- E$^2$Net:一种在 CT 扫描中用于精确肝脏和肿瘤分割的边缘增强网络
我们提出了一种两阶段的 2D 肝脏和肝瘤分割框架,第一阶段是粗略的肝脏分割网络,第二阶段是用于更精确的肝脏和肿瘤分割的边缘增强网络 (E$^2$Net)。E$^2$Net 在网络内明确地建模互补对象(肝脏和肿瘤)及其边缘信息,以保留器官和病 - 面向高效学习:COVID-19 CT 肺部和感染分割基准
本研究旨在提供基于已标注的 70 个 COVID-19 病例的三个基准模型,用于肺部和感染物的分割,包括少样本学习,域泛化和知识迁移等当前新兴研究领域,研究者可以利用提供的 40 多个预训练模型快速分割肺部和感染物,平均识别精度高达 97. - 基于 Harmony-Search 和 Otsu 的肺 CT 扫描图像新型冠状病毒疾病(COVID-19)检测系统
本研究旨在通过 CT 扫描来提取和评估因 Coronavirus disease (COVID-19) 引起的肺炎感染。提出了基于图像辅助的系统来从肺部 CT 扫描的冠状视图中提取 COVID-19 感染部分,并计算感染的严重程度。该工具的 - DeepAAA:利用深度学习进行临床可应用和普适性的腹主动脉瘤检测
本研究提出了一种基于深度学习的技术,用于检测和量化腹主动脉瘤,该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合,可用于主动脉分割和腹主动脉瘤检测,模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证,在 57 个新的检查 - 使用深度学习进行自动肺叶分割
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
- 扩张全卷积网络在病理性肺组织语义分割中的应用
研究利用基于纯卷积神经网络,进行肺部 CT 图像的语义分割,实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。
- 头颅 CT 扫描关键结果检测深度学习算法的开发与验证
本研究开发和验证了一组深度学习算法,用于自动检测无对比剂头颅 CT 扫描的关键发现:颅内出血(ICH)及其类型,脑内实质(IPH),脑室内(IVH),硬膜下(SDH),硬脑膜外 (EDH) 和蛛网膜下 (SAH),骨盖骨折,中线移位和占位效