- 使用多模态深度学习整合医学影像与临床报告进行先进疾病分析
通过创新的多模态深度学习模型,本文旨在深度整合医学图像和临床报告等异构信息。使用卷积神经网络提取高维特征,捕捉关键视觉信息;利用双向长短时记忆网络结合注意机制,在临床报告文本中进行深度语义理解,准确捕捉与疾病相关的关键陈述。通过设计的多模态 - 通过扩散模型进行迭代式在线图像合成以解决不平衡分类
医学图像分类中存在类别不平衡问题,我们引入了一种迭代在线图像合成(IOIS)框架以解决该问题,该框架包含在线图像合成(OIS)和准确适应采样(AAS)两个关键模块,通过在实例级别和类别级别上目标的不平衡分类问题。实验证明了我们的方法在解决类 - MultiFusionNet:多层次多模态深度神经网络的胸部 X 光图像分类
通过利用卷积神经网络,提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型,能够从不同层次提取特征并融合它们,在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率,具有准确的疾病分类潜力,并可推广至 - OCTDL:用于基于图像的深度学习方法的光学相干断层扫描数据集
该研究使用光学相干断层扫描(OCT)技术,建立了一个开放数据集(OCTDL),其中包含 1600 多幅高分辨率 OCT 图像,针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术,对该数据集进行了疾病分类的研究。
- 基于胸部 X 射线的长尾、多标签疾病分类研究概述:CXR-LT 挑战的综述
在医学图像识别中,我们提出了一个长尾多标签疾病分类的问题,并通过一个公开的挑战 (CXR-LT) 提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题,并提出了对于长尾多标签医学图像分类的实用建议,最后,我们利用这些 - 口咽癌患者预测结果的图数据建模
本文首次提出了病患超图网络(PHGN),并在感染舌咽癌(OPC)患者的计算机断层扫描(CT)辐射组学特征上进行了针对二分类和时间分析的研究,与图神经网络和基准线性模型进行了比较。
- 动物中计算机辅助细胞学诊断:基于 CNN 的图像质量评估用于准确疾病分类
该研究介绍了一种面向动物的计算机辅助细胞学诊断系统,重点是使用卷积神经网络进行图像质量评估。该系统集成了图像质量评估,确保在疾病分类中具有可靠的性能。研究广泛调查了卷积神经网络处理各种图像变化和场景的能力,并分析了对检测低质量输入数据的影响 - FaFCNN:基于特征融合神经网络的通用疾病分类框架
我们提出了基于特征感知融合相关神经网络(FaFCNN)的研究框架,通过引入特征感知交互模块和基于领域对抗学习的特征对齐模块,解决了深度学习 / 机器学习方法在疾病分类任务中训练样本数量不足和质量不佳,以及多源特征融合训练鲁棒分类模型的问题; - GazeGNN: 一种用于疾病分类的注视导向图神经网络
本文中提出了一种新的注视引导的图神经网络(GazeGNN),用于对医学扫描进行疾病分类,该方法不需要将目光信息转换为视觉注意力图;该方法在公共胸部 X-ray 数据集上实验,相较于现有方法,本方法取得了最佳分类性能。
- MedKLIP: 医学知识增强的语言 - 图像预训练
该研究论文提出了基于医学图像文本匹配的预训练方法,利用三元组信息和医学专有知识进行医疗分类和定位,取得了比其他方法更好的分类结果。
- 利用深度学习模型检测猴痘皮损:可行性研究
本文开发了一个 “猴痘皮肤病变数据集”,并使用多种预训练深度学习模型对猴痘及其他疾病进行分类,最终实现了一个在线筛查工具。虽然初步结果有所希望,但需要更大样本的数据集以进一步提高模型的泛化能力。
- 基于置信度的越界检测:一项比较研究与分析
通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力,并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力,结果表明在计算机视觉任务中高性能不直 - ChestX-Det10:胸部 X 光检测数据集
该研究提供了一个名为 ChestX-Det10 的新基准,包括大约 3,500 个显微镜图像的 10 种疾病 / 异常的框注释。这个基准可以用于胸部 X 光的疾病分类和定位研究。
- CVPR基于激活映射引导的弱监督学习应用于一种新的柑橘害虫基准测试
本研究采用弱监督学习辅助识别农作物病虫害,设计了显著性图来自动选择感兴趣的区域,同时构建了一个包含正负样本的柑橘害虫基准数据集,实验结果表明该方法在农业领域中的病虫害分类问题上有良好的应用前景。
- 基于潜在图学习的疾病预测
本文通过提出新的动态本地化图剪枝方法,在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性,由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。
- 2018 年皮肤病变分析挑战赛:面向黑色素瘤检测的国际皮肤成像协作举办的挑战活动
本研究总结了由国际皮肤成像协作组织(ISIC)主办的全球最大的皮肤图像分析挑战赛的结果,旨在建立皮肤图像智能分析的新标准,实验表明,当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题,这对于卫生保健领域中的机器学习 - 皮肤镜图像分类的卷积神经网络模型集成
这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统,使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测,其主要特点是基于图像增强和颜色规范化的预处理方法,任务表现优秀。
- 基于规则特征和知识引导的卷积神经网络临床文本分类
本文提出一种新方法,将基于规则和基于知识引导的深度学习技术相结合,应用在医学自然语言处理中,以实现疾病分类,该方法包括识别触发短语、使用触发短语预测类别和使用词嵌入和 UMLS 实体嵌入来训练卷积神经网络,实验结果表明该方法优于现有技术水平