Interpreting extracted rules from ensemble of trees: Application to computer-aided diagnosis of breast MRI
University of Toronto(多伦多大学);Sunnybrook Research Institute(桑尼布鲁克研究所)
高预测性能和易用性和可解释性是计算机辅助诊断(CAD)对人类阅读研究适用性的重要要求。我们提出了一个专门设计的CAD系统,更容易理解的放射科医生审查筛选乳腺MRI研究。多参数成像特征被组合以产生用于区分癌性和非癌性病变的CAD系统。完整的系统使用规则提取算法,以易于理解的图形可视化方式呈现病变分类结果。
2016-06-27 cs.CV stat.ML
Study and development of a Computer-Aided Diagnosis system for classification of chest x-ray images using convolutional neural networks pre-trained for ImageNet and data augmentation
University of São Paulo(圣保罗大学)
卷积神经网络(ConvNets)是图像识别和分类的实际标准。在目前的工作中,我们开发了一个计算机辅助诊断(CAD)系统,使用ConvNets将X射线胸部图像数据集分为两组:正常和肺炎。该研究使用PyTorch平台上可用的ConvNets模型:AlexNet,SqueezeNet,ResNet和Inception。我们最初使用三种训练风格:使用随机初始化从头开始,使用预训练的ImageNet模型只训练适应我们问题的最后一层(迁移学习),以及预训练的模型修改训练模型的所有分类层(微调)。最后一种训练策略是使用数据增强技术,避免ConvNets上的过度拟合问题,从而在本研究中获得更好的结果
2018-06-03 cs.CV
Computer-Aided Cytology Diagnosis in Animals: CNN-Based Image Quality Assessment for Accurate Disease Classification
ACC Cyfronet AGH(AGH 赛弗罗内特学术计算中心);AGH University of Science and Technology(AGH 科技大学);Sano Centre for Computational Medicine(萨诺计算医学中心)
本文提出基于CNN图像质量评估的动物细胞学诊断系统,采用ResNet18分析输入尺寸与裁剪策略,验证IQA对提升疾病分类准确性的作用。
2023-08-11 cs.CV
DeepCAD: A Deep Generative Network for Computer-Aided Design Models
Columbia University(哥伦比亚大学)
3D形状的深度生成模型已经引起了大量的研究兴趣。然而,几乎所有的方法都生成离散的形状表示,如体素、点云和多边形网格。我们提出了第一个3D生成模型的一个完全不同的形状表示-描述一个形状作为一个序列的计算机辅助设计(CAD)操作。与网格和点云不同,CAD模型对3D形状的用户创建过程进行编码,广泛用于许多工业和工程设计任务。然而,CAD操作的顺序和不规则结构对现有的3D生成模型提出了重大挑战。通过类比CAD操作和自然语言,我们提出了一个基于Transformer的CAD生成网络。我们证明了我们的模型的形状自动编码和随机形状生成的性能。为了训练我们的网络,我们创建了一个由178,238个模型及其CAD构造序列组成的新CAD数据集。我们已经公开了这个数据集,以促进未来对这个主题的研究。
2021-08-16 cs.CV cs.GR cs.LG
Computer-Aided Diagnosis of Low Grade Endometrial Stromal Sarcoma (LGESS)
San Jose State University(圣何塞州立大学)
低度恶性子宫内膜间质肉瘤(LGESS)是一种罕见的癌症,约占所有子宫癌病例的0.2%。大约75%的LGESS患者最初被误诊为平滑肌瘤,这是一种良性肿瘤,也称为肌瘤。在这项研究中,潜在的LGESS患者的子宫组织活检图像预处理使用分割和染色归一化算法。然后应用各种经典机器学习和领先的深度学习模型将组织图像分类为良性或癌症。对于所考虑的经典技术,我们达到的最高分类准确度约为0.85,而我们最好的深度学习模型达到的准确度约为0.87。这些结果表明,适当训练的学习算法可以在LGESS的诊断中发挥有用的作用。
2021-07-09 cs.CV cs.LG eess.IV
Computer Aided Diagnosis and Out-of-Distribution Detection in Glaucoma Screening Using Color Fundus Photography
Muroran Institute of Technology(室兰工业大学);Niigata University of Healthcare and Welfare(新潟医疗福祉大学);Konica Minolta, Inc.(柯尼卡美能达公司)
人工智能用于Robust青光眼筛查(AIROGS)挑战赛的举办是为了开发从彩色眼底摄影进行青光眼筛查的解决方案,这些解决方案对现实世界的场景具有鲁棒性。本报告描述了我们提交给AIROGS挑战的方法。我们的方法采用卷积神经网络来将输入图像分类为“可诊断青光眼”或“不可诊断青光眼”。此外,我们引入了一个推理时间的分布(OOD)检测方法来识别不可分级的图像。我们的OOD检测是基于一个基于能量的方法结合激活整流。
2022-02-24 cs.CV
Computer-aided Colorization State-of-the-science: A Survey
The Hong Kong Polytechnic University(香港理工大学);National Cheng-Kung University(成功大学)
本文按时间顺序综述计算机辅助上色技术,提出融合视觉与图形的分类法,并引入审美评估以补充传统重建指标,在七个模型上验证后指出未来研究方向。
2024-10-03 cs.CV
Self-paced Convolutional Neural Network for Computer Aided Detection in Medical Imaging Analysis
Massachusetts General Hospital(麻省总医院);Zhejiang University(浙江大学);University of Michigan(密歇根大学);Beijing Institute of Technology(北京理工大学)
组织定征长期以来一直是计算机辅助诊断(CAD)系统的重要组成部分,用于自动病变检测和进一步的临床规划。受深度学习方法在各种计算机视觉问题上的优越性能的激励,将深度学习应用于医学图像分析的工作越来越多。然而,由于医学图像的高度异质性和训练样本的相对缺乏,开发用于计算机辅助诊断的鲁棒且可靠的深度学习模型仍然具有很大的挑战性。具体而言,医学图像的注释和标记比其他应用更昂贵和耗时,并且通常涉及来自多个领域专家的手工劳动。在这项工作中,我们提出了一个多阶段,自定进度的学习框架,利用卷积神经网络(CNN)分类计算机断层扫描(CT)图像补丁。这种方法的关键贡献在于,我们通过使用自定进度的学习CNN来细化未标记的实例,从而增加了训练样本的大小。通过在包括NVIDIA DGX1机器在内的高性能计算服务器上实现该框架,我们获得了实验结果,表明即使在非常缺乏手动标签的情况下,自步调提升的网络也始终优于原始网络。性能增益表明,具有有限训练样本的应用程序(如医学图像分析)可以从使用所提出的框架中受益。
2017-07-19 cs.CV cs.LG stat.ML
Computer-Aided Road Inspection: Systems and Algorithms
Tongji University(同济大学);Continental AG(大陆集团);University of Bristol(布里斯托大学)
道路损坏是一种不便和安全隐患,严重影响车辆状况、驾驶舒适性和交通安全。传统的人工视觉道路检测过程是昂贵的,危险的,疲惫的,繁琐的。此外,人工道路检查结果是定性和主观的,因为它们完全取决于检查员的个人经验。因此,对自动化道路检测系统的需求不断增加。本章首先比较了五种最常见的道路损坏类型。然后,讨论了2-D/3-D道路成像系统。最后,介绍了机器视觉和智能道路损伤检测算法的研究现状。
2022-03-04 cs.CV
Computer-Aided Colorectal Tumor Classification in NBI Endoscopy Using CNN Features
Hiroshima University(广岛大学);Hiroshima General Hospital of West Japan Railway Company(西日本旅客铁道株式会社广岛综合医院);Hiroshima University Hospital(广岛大学医院)
在本文中,我们报告的结直肠NBI内窥镜图像识别的结果,使用卷积神经网络(CNN)提取的特征。在这项比较研究中,我们从不同的CNN模型中提取不同层的特征,然后训练线性SVM分类器。具有10倍交叉验证的实验结果表明,来自前几个卷积层的特征足以实现类似的性能(即,识别率为95%),具有非CNN局部特征,如视觉袋词,Fisher向量和VLAD。
2016-08-24 cs.CV
Fusing Medical Image Features and Clinical Features with Deep Learning for Computer-Aided Diagnosis
Beijing Institute of Technology(北京理工大学);Xuanwu Hospital, Capital Medical University(首都医科大学宣武医院);National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College(中国医学科学院北京协和医学院肿瘤医院(国家癌症中心/国家肿瘤临床医学研究中心))
目前的计算机辅助诊断(CAD)方法主要依赖于医学图像。临床信息在实际的临床诊断中通常需要考虑,但在CAD中尚未得到充分利用。在本文中,我们提出了一种新的基于深度学习的方法,用于融合磁共振成像(MRI)/计算机断层扫描(CT)图像和诊断任务的临床信息。该方法采用两条神经层路径分别提取图像特征和临床特征,同时以临床特征为关注点指导图像特征的提取。最后,这两种特征模态被连接起来以做出决策。我们评估了所提出的方法在阿尔茨海默病诊断、轻度认知障碍转换器预测和肝脏微血管侵袭诊断中的应用。实验结果表明,以临床特征为指导的图像特征提取方法和两种特征的串联用于分类,能够有效、稳定地提高诊断性能。
2021-03-10 cs.CV cs.LG eess.IV
Deep Learning in Computer-Aided Diagnosis and Treatment of Tumors: A Survey
Hebei University of Technology(河北工业大学);University of Oxford(牛津大学);Hospital of Joint Logistics Support Force(联勤保障部队第九八三医院)
计算机辅助肿瘤诊断和治疗是近年来深度学习的热点,它构成了一系列医疗任务,如肿瘤标志物的检测,肿瘤休闲的轮廓,肿瘤的亚型和阶段,治疗效果的预测,以及药物开发。同时,也有一些在主流任务场景下产生的定位精准、性能优异的深度学习模型。因此,接下来从面向任务的角度介绍深度学习方法,主要集中在医疗任务的改进上。然后从体外诊断(IVD)、影像诊断(ID)、病理诊断(PD)和治疗计划(TP)四个阶段对肿瘤诊断和治疗的最新进展进行了综述。根据每个阶段的具体数据类型和医疗任务,介绍了深度学习在肿瘤计算机辅助诊断和治疗中的应用,并分析了其中的优秀作品。本调查最后讨论了研究问题,并提出了未来改进的挑战。
2020-11-02 cs.CV eess.IV
EndoBoost: a plug-and-play module for false positive suppression during computer-aided polyp detection in real-world colonoscopy (with dataset)
Fudan University(复旦大学);Zhongshan Hospital, Fudan University(复旦大学附属中山医院);Nanjing University of Science and Technology(南京理工大学)
使用深度学习的计算机辅助检测系统的进步为内窥镜图像分析开辟了新的领域。然而,在封闭数据集上开发的基于学习的模型在复杂的临床环境中容易受到未知异常的影响。特别是,息肉检测的高假阳性率仍然是临床实践中的主要挑战。在这项工作中,我们发布了FPPD-13数据集,该数据集提供了现实世界结肠镜检查中计算机辅助息肉检测过程中典型假阳性的分类和真实案例。我们进一步提出了一个事后模块EndoBoost,它可以插入到通用息肉检测模型中,以过滤掉假阳性预测。这是通过对息肉流形进行生成学习来实现的,其中通过密度估计对流量进行归一化并拒绝误报。与监督分类相比,这种异常检测范式在开放世界环境中实现了更好的数据效率和鲁棒性。大量的实验表明,一个有前途的假阳性抑制在回顾性和前瞻性验证。此外,发布的数据集可用于对已建立的检测系统进行“压力”测试,并鼓励进一步研究稳健可靠的计算机辅助内窥镜图像分析。数据集和代码将在http://endoboost.miccai.cloud上公开。
2022-12-23 cs.AI cs.CV
AliFuse: Aligning and Fusing Multi-modal Medical Data for Computer-Aided Diagnosis
Shanghai Jiao Tong University(上海交通大学)
本文提出基于Transformer的AliFuse框架,通过注意力机制与结合恢复建模和对比学习的方法对齐并融合多模态医疗数据,在阿尔茨海默病分类任务中取得优于八个基线的最优性能。
2025-01-31 cs.CV
Computer Aided Restoration of Handwritten Character Strokes
School of Mathematical Sciences, Tel-Aviv University(数学科学学院,特拉维夫大学)
本文提出一种变分方法用于修复损坏的古代希伯来文字符,通过立方样条进行梯度下降并保持插值,实现了对1000个古代字符的修复。
2016-07-06 cs.CV cs.GR cs.NA
Fully automatic computer-aided mass detection and segmentation via pseudo-color mammograms and Mask R-CNN
School of Information Technology and Electrical Engineering, University of Queensland(昆士兰大学信息技术与电气工程学院)
乳腺摄影肿块检测和分割通常作为连续和单独的任务执行,在先前的研究中,分割通常仅在手动确认的真阳性检测上执行。我们提出了一个完全集成的计算机辅助检测(CAD)系统,用于同时进行乳房X线摄影肿块检测和分割,而无需用户干预。所提出的CAD仅包括伪彩色图像生成和基于Mask R-CNN的质量检测分割阶段。基于多尺度形态筛选将灰度乳房X线照片转换为伪彩色图像,其中增强了团块状图案以提高Mask R-CNN的性能。然后采用Mask R-CNN的迁移学习来同时检测和分割伪彩色图像上的肿块。在公共数据集INbreast上进行评估,该方法通过在每张图像0.9个假阳性时实现0.90的平均真阳性率和0.88的平均Dice相似性指数来进行质量分割,从而优于最先进的方法。
2019-10-19 cs.CV
Computer-Aided Knee Joint Magnetic Resonance Image Segmentation - A Survey
Utah State University(犹他州立大学);University of Idaho(爱达荷大学);Nanchang Hangkong University(南昌航空大学);Collingwood General and Marine Hospital(科林伍德综合与海军医院);McMaster University(麦克马斯特大学)
骨关节炎(OA)是老年人群的主要健康问题之一。MRI是目前观察和评价OA病程进展最常用的技术。然而,MRI分析的极端劳动力成本使得该过程效率低下且昂贵。此外,由于人为错误和主观性质,观察者间和观察者内的变异性相当高。计算机辅助膝关节MRI图像分割是目前一个活跃的研究领域,它可以减轻医生和放射科医生耗时和繁琐的工作,提高诊断性能,具有巨大的临床和科研潜力。在过去的几十年里,研究人员已经广泛研究了自动/半自动膝关节MRI分割方法。然而,据我们所知,在这一领域还没有全面的调查文件。本文对现有的方法按原理进行了分类,并对目前的研究现状进行了深入的讨论,指出了未来的研究趋势。
2018-02-13 cs.CV
Depth Reconstruction and Computer-Aided Polyp Detection in Optical Colonoscopy Video Frames
Stony Brook University(石溪大学)
我们提出了一种计算机辅助检测算法的光学结肠镜图像中的息肉。息肉是结肠癌的前兆。仅在美国,每年就有超过1400万例光学结肠镜检查,主要是为了筛查息肉。光学结肠镜检查已经显示出由于结肠中存在的回旋褶皱和弯曲而具有大约25%的息肉遗漏率。在这项工作中,我们提出了一个自动检测算法来检测这些息肉的光学结肠镜图像。我们使用机器学习算法来推断给定光学结肠镜图像的深度图,然后使用详细的预先构建的息肉轮廓来检测和描绘该给定图像中息肉的边界。我们已经取得了最好的召回率为84.0%,最好的特异性值为83.4%。
2016-09-10 cs.CV
GenCAD: Image-Conditioned Computer-Aided Design Generation with Transformer-Based Contrastive Representation and Diffusion Priors
Massachusetts Institute of Technology(麻省理工学院)
GenCAD提出一种结合自回归Transformer、对比学习和潜在扩散模型的图像条件CAD生成方法,将图像转换为可编辑的参数化CAD命令序列,显著优于现有方法并支持图像检索CAD模型。
2025-04-08 cs.CV cs.GR cs.LG
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer
University of Idaho(爱达荷大学);Harbin Institute of Technology(哈尔滨工业大学);Medical College at Qingdao University(青岛大学医学院)
基于深度学习的计算机辅助诊断在乳腺癌检测方面取得了前所未有的性能。然而,大多数方法都是计算密集型的,这阻碍了它们在现实世界应用中的广泛传播。在这项工作中,我们提出了一个有效的和轻量级的多任务学习架构,同时分类和分割乳腺肿瘤。我们将分割任务纳入肿瘤分类网络中,这使得主干网学习专注于肿瘤区域的表示。此外,我们提出了一个新的数值稳定的损失函数,可以很容易地控制癌症检测的灵敏度和特异性之间的平衡。使用具有1,511个图像的乳腺超声数据集对所提出的方法进行评估。肿瘤分型的准确性、敏感性和特异性分别为88.6%、94.1%和85.3%。我们使用虚拟移动终端验证模型,平均推理时间为0.35秒每幅图像。
2022-01-13 cs.CV eess.IV
Generation of Multimodal Justification Using Visual Word Constraint Model for Explainable Computer-Aided Diagnosis
KAIST(韩国科学技术院);Technical University of Munich(慕尼黑工业大学)
尽管基于深度学习的方法具有出色的性能,但决策过程的模糊性已被指出为以实际方式应用基于深度学习的方法的主要障碍。可解释性可以保证深度学习系统的可信度,因此在医学领域尤为重要。在这项研究中,提出了一种新的深度网络,同时用视觉指向图和诊断句子证明结果来解释诊断决策。为了提高句子生成的准确性,在训练句子生成器时,设计了一种视觉词约束模型。为了验证所提出的方法,进行了对比实验的问题上的乳腺肿块的诊断。实验结果表明,所提出的深度网络可以更准确地解释诊断与各种文本的理由。
2019-06-10 cs.CV
A GLCM Embedded CNN Strategy for Computer-aided Diagnosis in Intracerebral Hemorrhage
Tencent(腾讯)
计算机辅助诊断(CADx)系统已被证明可以通过提供各种医学图像(如计算机断层扫描(CT)和磁共振(MR))的分类来帮助放射科医生。目前,卷积神经网络在CADx中发挥着重要作用。然而,由于CNN模型应该具有类似方形的输入,因此通常难以将CNN算法直接应用于放射科医生感兴趣的不规则分割感兴趣区域(ROI)。在本文中,我们提出了一种新的方法来构建模型,通过提取和转换的不规则区域的信息到一个固定大小的灰度共生矩阵(GLCM),然后利用GLCM作为我们的CNN模型的一个输入。这样,作为对原始CNN的一个有用的实现,CNN也提取了一些基于GLCM的特征。同时,该网络将更加关注重要的病变区域,并在分类中达到更高的准确性。在Hemorrhage、BraTS 18和Cerebral三个分类数据库上进行实验,验证了该模型的普适性。总之,该框架优于相应的国家的最先进的算法在每个数据库的测试损失和分类精度作为评估标准。
2019-06-05 cs.CV
G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection
Technische Universität Kaiserslautern(凯泽斯劳滕工业大学);German Research Center for Artificial Intelligence GmbH (DFKI)(德国人工智能研究中心);Opthalmology Clinic(眼科诊所);National University of Science and Technology (NUST)(国立科技大学);National Center of Artificial Intelligence(国家人工智能中心);Smart Data and Knowledge Services(智能数据与知识服务部)
用于自动青光眼检测的大型公开可用的视网膜眼底图像数据集的稀缺一直是人工智能成功应用于实际计算机辅助诊断(CAD)的瓶颈。一些小的数据集,可用于研究社区通常遭受不切实际的图像捕获条件和严格的纳入标准。现有数据集的选择已经有限,这些缺点使得成熟的CAD系统具有挑战性,以便它可以在现实世界的环境中执行。在本文中,我们提出了一个大型的公开可用的视网膜眼底图像数据集青光眼分类称为G1020。该数据集通过符合常规眼科学的标准实践进行管理,预计将作为青光眼检测的标准基准数据集。该数据库由1020个高分辨率彩色眼底图像组成,并为青光眼诊断、视盘和视杯分割、垂直杯盘比、下、上、鼻和颞象限中的神经视网膜边缘大小以及视盘的边界框位置提供了地面实况注释。我们还报告了通过进行广泛的实验进行自动青光眼诊断和分割视盘和视杯的基线结果。
2020-05-28 cs.CV cs.LG eess.IV
Multi-task Dictionary Learning based Convolutional Neural Network for Computer aided Diagnosis with Longitudinal Images
Arizona State University(亚利桑那州立大学);University of Michigan(密歇根大学);Mayo Clinic(梅奥诊所)
基于纵向数据的神经退行性疾病的医学图像诊断和预后引起了计算机视觉研究者的极大兴趣。当前用于许多图像分类任务的最先进的模型是基于卷积神经网络(CNN)。然而,将CNN应用于生物问题的一个关键挑战是可用的标记训练样本非常有限。CNN在计算机辅助诊断应用中应用的另一个问题是,为了实现更好的诊断和预后准确性,通常必须处理纵向数据集,即,在不同时间点扫描的图像数据集。在这里,我们认为,一个增强的CNN模型与迁移学习的联合分析的任务,从多个时间点或区域的利益可能有潜力,以提高计算机辅助诊断的准确性。为了实现这一目标,我们创新了一个基于CNN的深度学习多任务字典学习框架来解决上述挑战。首先,我们在ImageNet数据集上预训练CNN,并将知识从预训练的模型转移到医学成像进展表示中,为不同的任务生成特征。然后,我们提出了一种新的无监督学习方法,称为多任务随机坐标编码(MSCC),学习不同的任务,通过使用共享和个人字典和生成预测未来的认知临床分数所需的稀疏特征。我们将我们的新模型应用于一个公开的神经影像学队列,以预测具有两种不同特征集的临床指标,并将其与其他七种最先进的方法进行比较。实验结果表明,我们提出的方法取得了优越的效果。
2017-08-31 cs.CV
Early Diagnosis of Lung Cancer Using Computer Aided Detection via Lung Segmentation Approach
NMAM Institute of Technology(NMAM理工学院);Visvesvaraya Technological University(韦斯韦斯瓦拉亚理工大学);Sahyadri College of Engineering and Management(萨亚德里工程与管理学院);JSS Academy of Technical Education(JSS技术教育学院)
肺癌开始于肺部,导致癌症在创造中的人口中死亡的原因。据美国癌症协会估计,约27%的死亡是因为癌症。在其演变的早期阶段,肺癌通常不会引起任何症状。许多患者在症状变得更加突出的发展阶段被诊断出来,导致治疗效果差和死亡率高。计算机辅助检测系统用于实现肺癌诊断的更高准确性。在这项研究工作中,我们提出了一种新的方法,肺部分割的基础上模糊C均值聚类,自适应采样,活动轮廓模型的分割。实验结果进行了分析和介绍。
2021-07-23 cs.CV eess.IV
Uncertainty Quantification in Computer-Aided Diagnosis: Make Your Model say "I don't know" for Ambiguous Cases
Leibniz Universität Hannover(汉诺威莱布尼茨大学)
我们评估了两种不同的方法,将预测不确定性集成到诊断图像分类器中,以提高患者在深度学习中的安全性。在第一种方法中,在测试时应用蒙特卡洛抽样并丢弃,以获得类标签的后验分布(贝叶斯ResNet)。第二种方法通过预测后验分布的参数并从中采样最终结果(变分ResNet)将ResNet扩展为概率方法。后验分布的方差用作不确定性的度量。这两种方法都在显示四种不同视网膜状况的光学相干断层扫描数据集上进行训练。我们的研究结果表明,分类器预测错误的情况与更高的不确定性相关。误诊病例的平均不确定性是正确诊断病例的平均不确定性的4.6至8.1倍。通过深度学习对计算机辅助诊断中的预测不确定性进行建模,可以产生更可靠的结果,并有望提高患者的安全性。
2019-08-02 cs.CV eess.IV
Adaptive Contrast for Image Regression in Computer-Aided Disease Assessment
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University(香港大学);The Hong Kong University of Science and Technology Shenzhen Research Institute(香港科技大学深圳研究院)
用于医学应用的图像回归任务,例如骨矿物质密度(BMD)估计和左心室射血分数(LVEF)预测,在计算机辅助疾病评估中发挥重要作用。大多数深度回归方法训练具有单个回归损失函数(如MSE或L1损失)的神经网络。在本文中,我们提出了第一个用于深度图像回归的对比学习框架,即AdaCon,它由一个通过新的自适应边缘对比损失的特征学习分支和一个回归预测分支组成。我们的方法将标签距离关系作为学习的特征表示的一部分,这使得下游回归任务的性能更好。此外,它可以作为一个即插即用的模块,以提高现有的回归方法的性能。我们证明了AdaCon在两个医学图像回归任务上的有效性,即从X射线图像估计骨密度和从超声心动图视频预测左心室射血分数。与最先进的BMD估计和LVEF预测方法相比,AdaCon分别使MAE相对改善3.3%和5.9%。
2021-12-22 cs.CV
A comprehensive survey on computer-aided diagnostic systems in diabetic retinopathy screening
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心);Indiana University-Purdue University(印第安纳大学-普渡大学)
糖尿病(DM)可导致显著的微血管破坏,最终导致糖尿病视网膜病变(DR)或糖尿病引起的眼部并发症。如果不加以控制,这种疾病会随着时间的推移而增加,最终导致视力完全丧失。检测这种光学发展的一般方法是通过检查来自视网膜图像的血管、视神经乳头、微动脉瘤、出血、渗出物等。最终,这受到经验丰富的眼科医生数量和糖尿病病例数量的极大增长的限制。为了实现早期和有效的DR诊断,眼科领域需要强大的计算机辅助诊断(CAD)系统。我们的评论是为任何人,从学生到建立研究人员,谁想要了解什么可以完成与CAD系统和他们的算法建模和视网膜图像处理领域的计算机视觉和模式识别的领导。对于刚刚起步的人,我们特别强调不同数据库和算法框架的逻辑,优势和缺点,重点是最近的方法。
2022-08-03 cs.CV eess.IV physics.med-ph
COVIDx CT-3: A Large-scale, Multinational, Open-Source Benchmark Dataset for Computer-aided COVID-19 Screening from Chest CT Images
University of Waterloo(滑铁卢大学);Waterloo AI Institute(滑铁卢人工智能研究所);DarwinAI Corp.(达尔文人工智能公司)
计算机断层扫描(CT)已被广泛探索作为COVID-19筛查和评估工具,以补充RT-PCR检测。为了帮助放射科医生进行基于CT的COVID-19筛查,已经提出了许多计算机辅助系统。然而,许多建议的系统是建立使用CT数据,这是有限的数量和多样性。为了支持机器学习驱动的筛查系统的开发,我们引入了COVIDx CT-3,这是一个用于从胸部CT图像中检测COVID-19病例的大规模多国基准数据集。COVIDx CT-3包括来自至少17个国家的6,068名患者的431,205个CT切片,据我们所知,这是开放获取形式的最大,最多样化的COVID-19 CT图像数据集。此外,我们研究了COVIDx CT-3数据集的数据多样性和潜在偏差,发现尽管努力从各种来源收集数据,但仍然存在显著的地理和类别不平衡。
2022-11-16 cs.CV eess.IV
Deep Supervised Information Bottleneck Hashing for Cross-modal Retrieval based Computer-aided Diagnosis
Huazhong University of Science and Technology(华中科技大学);Guizhou Normal University(贵州师范大学);Hubei University(湖北大学)
将X射线图像、放射学报告和其他医学数据映射为公共空间中的二进制代码,这可以帮助临床医生从异构模态(即,基于散列的跨模态医学数据检索),为促进计算机辅助诊断提供了新的视角。然而,仍然存在一个障碍,以提高医疗检索的准确性:如何揭示模糊的语义的医疗数据,而不分心的多余信息。为了克服这个缺点,我们提出了深度监督信息瓶颈哈希(DSIBH),它有效地增强了哈希码的可区分性。具体而言,针对单模态的深度确定性信息瓶颈(Yu,Yu和Principe 2021)被扩展到跨模态场景。这样就减少了多余的信息,从而提高了散列码的可鉴别性。实验结果表明,所提出的DSIBH相比,国家的最先进的跨模态医学数据检索任务的优越的准确性。
2022-05-06 cs.AI cs.CV cs.LG
Computer-aided implant design for the restoration of cranial defects
Shanghai Jiao Tong University(上海交通大学);Graz University of Technology(格拉茨技术大学);BioTechMed-Graz(格拉茨生物技术与医学研究联盟)
在颅骨缺损修复手术中,患者专用颅骨植入物是重要且必要的。然而,传统的人工设计颅骨植入物的方法复杂且耗时。我们的目的是开发一个新的软件EasyCrania,以方便和有效地设计颅骨植入物。该过程分为镜像建模、裁剪曲面、曲面拟合、初始种植体生成和最终种植体生成五个步骤。我们的方法的主要概念是使用镜像模型的几何信息作为基础来生成最终的种植体。对比研究表明,EasyCrania可以显著提高颅骨植入物设计的效率。评价者内信度和评价者间信度稳定,分别为87.07 ± 1.6%和87.73 ± 1.4%。
2017-06-23 cs.CV
Computer Aided Detection and Classification of mammograms using Convolutional Neural Network
本研究提出基于卷积神经网络(CNN)的方法,利用DDSM数据集对乳腺X线摄影图像进行特征提取与正常/异常分类,以辅助乳腺癌早期检测。
2024-09-04 cs.CV eess.IV
ICADx: Interpretable computer aided diagnosis of breast masses
KAIST(韩国科学技术院)
在这项研究中,一种新的计算机辅助诊断(CADx)框架的设计,以调查分类乳腺肿块的可解释性。最近,深度学习技术已成功应用于包括CADx在内的医学图像分析。然而,现有的基于深度学习的CADx方法在解释诊断决策方面具有局限性。在实际的临床实践中,临床决策可以通过合理的解释来做出。因此,CADx中当前的深度学习方法在现实世界的部署中受到限制。在本文中,我们调查的可解释性CADx的建议可解释CADx(ICADx)框架。所提出的框架设计了一个生成对抗网络,它包括可解释的诊断网络和合成病变生成网络,以学习恶性肿瘤和标准化描述(BI-RADS)之间的关系。病变生成网络和可解释诊断网络在对抗学习中竞争,使得两个网络得到改进。在公共乳腺X线照片数据库上验证了该方法的有效性。实验结果表明,所提出的ICADx框架可以提供质量的可解释性以及质量分类。这主要归功于这样一个事实:所提出的方法经过有效训练,可以通过对抗性学习找到恶性肿瘤与解释之间的关系。这些结果意味着,建议ICADx框架可能是一个有前途的方法来开发CADx系统。
2018-05-23 cs.CV
Computer-aided diagnosis of lung nodule using gradient tree boosting and Bayesian optimization
Kyoto University Graduate School of Medicine(京都大学医学院);Kyoto University Hospital(京都大学医院);Osaka Medical College(大阪医科大学)
我们旨在评估用于肺结节分类的计算机辅助诊断(CADx)系统,重点关注(i)梯度树提升(XGBoost)的有用性和(ii)使用贝叶斯优化(Tree Parzen Estimate,TPE)和随机搜索进行参数优化的有效性。从公共CT图像数据库中纳入99个肺结节(62个肺癌和37个良性肺结节)。局部二进制模式的变体用于计算特征向量。使用特征向量及其标签训练支持向量机(SVM)或XGBoost。使用TPE或随机搜索来优化SVM和XGBoost的参数。留一法交叉验证用于优化和评估我们的CADx系统的性能。使用受试者工作特征分析的曲线下面积(AUC)评价性能。计算AUC 10次,并获得其平均值。SVM和XGBoost的最佳平均AUC分别为0.850和0.896;两者均使用TPE获得。XGBoost总体上优于SVM。与随机搜索相比,使用TPE时,获得获得高AUC的最佳参数的试验次数较少。总之,XGBoost在肺结节分类方面优于SVM。TPE比随机搜索更有效地进行参数优化。
2017-08-28 cs.CV
A dataset for Computer-Aided Detection of Pulmonary Embolism in CTA images
Ferdowsi University of Mashhad(马什哈德菲尔多西大学);Mashhad University of Medical Sciences(马什哈德医科大学)
如今,肺栓塞(PE)分析领域的研究人员需要使用公开的数据集来评估和比较他们的方法。已经设计了不同的系统来检测肺栓塞(PE),但没有一个系统使用任何公共数据集。所有论文都使用了自己的私人数据集。为了填补这一空白,我们收集了20名患者的5160张计算机断层扫描血管造影(CTA)图像,并由该领域的专家对图像进行标记后,我们提供了一个可靠的数据集,该数据集现已公开。在某些情况下,PE检测可能是困难的,例如当它发生在外周分支或当患者患有肺部疾病(如实质疾病)时。因此,CAD系统的效率在很大程度上取决于数据集。在给定的数据集中,66%的PE位于外周分支,还包括不同的肺部疾病。
2017-07-05 cs.CV
Federated Distillation for Medical Image Classification: Towards Trustworthy Computer-Aided Diagnosis
School of Information and Communication Engineering, Hainan University(海南大学信息与通信工程学院);College of Mathematical Sciences, BoHai University(渤海大学数学科学学院);Australian AI Institute, University of Technology Sydney(悉尼科技大学澳大利亚人工智能研究所);School of Electronic Science and Technology, Hainan University(海南大学电子科学与技术学院)
本文提出联邦学习框架FedMIC,通过融合全局与本地知识为异构医疗机构提供定制化隐私保护医学图像分类模型,在降低通信开销的同时保持性能,并在四个公开数据集上验证了有效性。
2024-07-03 cs.CV
RUN:Residual U-Net for Computer-Aided Detection of Pulmonary Nodules without Candidate Selection
University of Electronic Science and Technology of China(电子科技大学);School of Information and Software Engineering, University of Electronic Science and Technology of China(电子科技大学信息与软件工程学院)
肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键。肺结节检测结果对后期诊断有重要影响。在这项工作中,我们提出了一个新的网络名为RUN完成结节检测在单步的绕过候选人的选择。该系统引入了残差网络的捷径来改进传统的U网,从而解决了U网因深度不够而效果不佳的缺点。此外,我们将实验结果与传统的U-Net进行了比较。我们在2016年肺部感染分析(LUNA 16)感染检测挑战中验证了我们的方法。我们在每次扫描2个假阳性时获得90.90%的灵敏度,因此实现了比当前最先进方法更好的性能。
2018-05-30 cs.CV
A Comprehensive Review of Computer-aided Whole-slide Image Analysis: from Datasets to Feature Extraction, Segmentation, Classification, and Detection Approaches
Stevens Institute of Technology(史蒂文斯理工学院);University of Luebeck(吕贝克大学);Northeastern University(东北大学);China Medical University(中国医科大学)
随着计算机辅助诊断(CAD)和图像扫描技术的发展,全切片图像(WSI)扫描仪在病理诊断领域得到了广泛的应用。因此,WSI分析已成为现代数字病理学的关键。自2004年以来,WSI在CAD中的应用越来越广泛。由于机器视觉方法通常基于半自动或全自动计算机,因此效率高,节省人力。WSI与CAD技术相结合进行分割、分类和检测,有助于组织病理学家获得更稳定、定量的分析结果,节省人力成本,提高诊断客观性。本文综述了基于机器学习的WSI分析方法。首先介绍了WSI和CAD方法的发展现状。其次,我们讨论了公开可用的WSI数据集和分割,分类和检测任务的评估指标。然后,继续回顾了机器学习在WSI分割、分类和检测方面的最新进展。最后,对现有的分析方法进行了研究,分析了各种分析方法的适用性,并对分析方法在该领域的应用前景进行了展望。
2021-02-21 cs.AI cs.CV
Computer-Aided Design of Personalized Occlusal Positioning Splints Using Multimodal 3D Data
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(理论与应用信息学研究所,波兰科学院)
提出一种融合口内扫描、CBCT、面部扫描与石膏模型的计算机辅助咬合夹板设计方法,通过变换矩阵与虚拟压印实现个性化制造并验证几何精度。
2025-08-29 cs.CV
Computer-Aided Multi-Stroke Character Simplification by Stroke Removal
Kyushu University, Fukuoka, Japan(九州大学,福冈,日本)
本文提出一种通过高精度字符识别模型评估易读性并选择性移除笔画以简化多笔画字符的框架,实验证明该策略在保持字符可区分性的同时具有简化潜力。
2025-06-29 cs.CV
Automatic Reverse Engineering: Creating computer-aided design (CAD) models from multi-view images
Hannover University of Applied Sciences(汉诺威应用科学大学)
本文提出融合卷积编码器、多视图池化与transformer CAD序列生成器的自动逆向工程网络,可由多视图图像直接生成CAD模型,并在模拟与真实照片上验证有效性。
2023-09-23 cs.CV
Millimeter Wave Drones with Cameras: Computer Vision Aided Wireless Beam Prediction
Arizona State University(亚利桑那州立大学)
毫米波(mmWave)和太赫兹(THz)无人机有可能实现几个未来的应用,如覆盖范围扩展,增强安全监控和灾难管理。然而,这些无人机需要部署大型天线阵列并使用窄方向性波束来维持足够的链路预算。与这些阵列相关的大波束训练开销使得调整这些窄波束对于高度移动的无人机来说具有挑战性。为了应对这些挑战,本文提出了一种基于视觉辅助机器学习的方法,该方法利用从安装在无人机上的摄像头收集的视觉数据来实现快速准确的光束预测。此外,为了便于评估所提出的解决方案,我们构建了一个由共存的无线和视觉数据组成的合成无人机通信数据集。所提出的视觉辅助解决方案实现了$\approx 91\%$的顶级$1$波束预测精度,并且接近于$100\%$的顶级$3$精度。这些结果突出了所提出的解决方案在实现高度移动的毫米波/太赫兹无人机通信方面的功效。
2022-11-14 cs.CV cs.IT eess.SP
Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis
Shanghai Jiao Tong University(上海交通大学);University of Georgia(佐治亚大学);ShanghaiTech University(上海科技大学);Shanghai United Imaging Intelligence Co., Ltd.(上海联影智能医疗科技有限公司)
当深度神经网络(DNN)首次被引入医学图像分析领域时,研究人员对其性能印象深刻。然而,现在很明显,大量手动标记的数据通常是训练正确运行的DNN所必需的。这种对监督数据和标签的需求是当前医学图像分析中的主要瓶颈,因为从有经验的专家那里收集大量注释可能是耗时且昂贵的。在本文中,我们证明了阅读医学图像的放射科医生的眼球运动可以成为一种新的监督形式,以训练基于DNN的计算机辅助诊断(CAD)系统。特别地,我们记录了放射科医生在阅读图像时的凝视轨迹。凝视信息被处理,然后通过注意力一致性模块用于监督DNN的注意力。据我们所知,上述管道是利用专家眼球运动进行基于深度学习的CAD的最早努力之一。我们已经进行了广泛的实验膝关节X射线图像骨关节炎的评估。结果表明,我们的方法可以实现相当大的改善,在诊断性能的帮助下,注视监督。
2022-04-06 cs.CV eess.IV
Computer-aided position planning of miniplates to treat facial bone defects
Graz University of Technology(格拉茨技术大学);BioTechMed-Graz(格拉茨生物技术与医学研究联盟);Medical University of Graz(格拉茨医科大学);Shanghai Jiao Tong University(上海交通大学)
在这方面的贡献,提出了一个软件系统的计算机辅助定位规划的微型板治疗面部骨缺损。术中使用的接骨板必须被动适应底层骨轮廓,以充分稳定骨碎片。然而,这种手术可能导致频繁的术中材料重新调整,特别是在复杂的手术病例中。我们的方法是能够适应选择的常见种植体模型上的外科医生的理想位置在三维计算机模型。这是相对于周围解剖结构发生的,始终包括调整所用接骨材料的方向和位置的可能性。通过使用所提出的软件,外科医生能够在计算机可视化模型的帮助下在几分钟内以其形式和形态预先计划即将到来的植入物。此外,生成的模型可以以STL文件格式存储,这是3D打印常用的格式。使用这项技术,外科医生能够打印虚拟生成的植入物,或创建单独设计的弯曲工具。该方法导致根据周围解剖结构的适应性接骨材料,并且还需要最小量的金钱和时间。
2017-08-17 cs.CE cs.CG cs.CV
Computer-Aided Extraction of Select MRI Markers of Cerebral Small Vessel Disease: A Systematic Review
University of New South Wales(新南威尔士大学);CSIRO(联邦科学与工业研究组织);Prince of Wales Hospital(威尔士亲王医院)
脑小血管病(CSVD)是老年人认知障碍(包括痴呆)的主要血管因素。成像仍然是CSVD体内研究最有前途的方法。为了取代主观和费力的视觉评级方法,新兴的研究已经应用了最先进的人工智能从MRI扫描中提取CSVD的成像生物标志物。我们的目的是总结已发表的计算机辅助方法,以检查CSVD的三种成像生物标志物,即脑微出血(CMB),血管周围间隙(PVS)扩张,和假定的血管起源的腔隙。确定了71项经典图像处理、经典机器学习和深度学习研究。与骨陷窝相比,CMB和PVS已经得到了更好的研究。虽然在本地测试数据集中实现了良好的性能指标,但在不同的研究或临床队列中尚未验证可推广的管道。迁移学习和弱监督技术已被应用于适应训练数据的限制。未来的研究可以考虑汇集来自多个来源的数据以增加多样性,并使用图像处理指标和与临床测量的关联来验证方法的性能。
2022-04-04 cs.CV eess.IV q-bio.NC
COVID-19 Computer-aided Diagnosis through AI-assisted CT Imaging Analysis: Deploying a Medical AI System
University of Ioannina(约阿尼纳大学);AIandMe SMPC(AIandMe SMPC公司);National Technical University of Athens(雅典国立技术大学);Queen Mary University of London(伦敦大学玛丽皇后学院)
本研究集成并部署了一套含分类与分割组件的COVID-19 CT影像分析AI系统,克服数据、安全等多类挑战,可在云边环境可靠扩展,输出感染概率并提升可解释性,助力医生快速检测与隔离患者。
2024-03-12 cs.CV eess.IV
ChatCAD: Interactive Computer-Aided Diagnosis on Medical Image using Large Language Models
ShanghaiTech University(上海科技大学);Shanghai Jiao Tong University(上海交通大学);United Imaging Intelligence(联影智能)
大语言模型(LLM)最近在临床应用中显示了其潜力,提供了有价值的医学知识和建议。例如,像ChatGPT这样的大型对话LLM已经成功通过了美国医学执照考试的一部分,但LLM目前在处理图像方面存在困难,这使得从医学图像中解释信息变得非常困难,而医学图像中包含丰富的信息,可以支持临床决策。另一方面,用于医学图像的计算机辅助诊断(CAD)网络通过使用先进的深度学习算法来支持临床决策,在医学领域取得了巨大成功。本文提出了一种将LLM集成到医学图像CAD网络中的方法。所提出的框架使用LLM来增强多个CAD网络的输出,例如诊断网络、病变分割网络和报告生成网络,通过总结和重组以自然语言文本格式呈现的信息。我们的目标是将LLM的医学领域知识和逻辑推理的优势与现有医学图像CAD模型的视觉理解能力相结合,为患者创建一个比传统CAD系统更用户友好和更容易理解的系统。在未来,LLM的医学知识也可用于提高基于视觉的医学图像CAD模型的性能。
2023-02-14 cs.CV eess.IV
A Semantic Segmentation Network Based Real-Time Computer-Aided Diagnosis System for Hydatidiform Mole Hydrops Lesion Recognition in Microscopic View
The Third Affiliated Hospital of Tsinghua University(清华大学附属北京清华长庚医院);Zhengzhou University(郑州大学)
葡萄胎是最常见的妊娠滋养细胞疾病之一,具有恶性潜能。对于病理学家来说,HM切片是水肿病变诊断的重要依据。在病理科,HM病变的多种显微镜表现和显微镜下有限的视野意味着需要具有丰富诊断经验的医生来防止漏诊和误诊。特征提取可以显著提高诊断过程的准确性和速度。计算机辅助诊断(CAD)作为一种卓越的辅助诊断技术,已广泛应用于临床实践。我们构建了一个基于深度学习的CAD系统,以实时识别显微镜视图中的HM水肿病变。该系统由三个模块组成;图像拼接模块和边缘扩展模块对图像进行处理,以改善积水病变识别模块的结果,该模块采用语义分割网络、我们新颖的复合损失函数和逐步训练函数,以达到识别积水病变的最佳性能。我们使用HM水肿数据集评估了我们的系统。实验表明,我们的系统是能够实时响应,并正确地显示整个显微镜视图与准确标记HM水肿病变。
2022-04-11 cs.CV eess.IV
Mutual Attention-based Hybrid Dimensional Network for Multimodal Imaging Computer-aided Diagnosis
多模态3D计算机辅助诊断的最新研究表明,当3D卷积神经网络(CNN)带来更多参数且医学图像稀缺时,获得具有竞争力的自动诊断模型仍然是不平凡的和具有挑战性的。综合考虑多模态图像中感兴趣区域的可分割性和诊断精度,提出了一种新的基于相互注意的混合维网络用于多模态三维医学图像分类(MMNet).混合维网络将2D CNN与3D卷积模块集成,以生成更深、信息量更大的特征图,并降低3D融合的训练复杂度。此外,ImageNet的预训练模型可以用于2D CNN,这提高了模型的性能。立体注意力集中在构建3D医学图像中的区域的丰富的上下文相互依赖性上。为了提高多模态医学图像中病理组织的区域相关性,我们进一步设计了一个相互关注的网络框架,以建立不同图像模态下相似立体区域的区域一致性,提供一种隐式的方式来指导网络关注病理组织。MMNet优于许多以前的解决方案,并在三个多模态成像数据集上实现了与最先进技术竞争的结果,即,腮腺肿瘤(PGT)数据集,MRNet数据集和PROSTATEx数据集,并通过大量的实验验证了它的优点。
2022-01-24 cs.CV eess.IV
Computer-aided abnormality detection in chest radiographs in a clinical setting via domain-adaptation
Oak Ridge National Laboratory(橡树岭国家实验室)
医学中心正在部署深度学习(DL)模型,以帮助放射科医生从胸部X光片中诊断肺部疾病。这种模型通常在大量公开可用的标记射线照片上进行训练。这些预训练的DL模型在临床环境中的泛化能力很差,因为公共可用和私人持有的X光照片之间的数据分布发生了变化。在胸部X射线照片中,分布的不均匀性源于用于生成图像的X射线设备及其配置的不同条件。在机器学习社区中,数据生成源中的异构性所带来的挑战被称为域转移,这是生成模型中的模式转移。在这项工作中,我们引入了一个域移位检测和去除方法来克服这个问题。我们的实验结果表明,所提出的方法的有效性部署一个预训练的DL模型异常检测在胸部X光片在临床环境中。
2020-12-19 cs.AI cs.CV
Computer Vision Aided Blockage Prediction in Real-World Millimeter Wave Deployments
Arizona State University(亚利桑那州立大学)
本文首次对使用视觉(RGB摄像头)数据和机器学习在毫米波(mmWave)动态链路阻塞发生前进行主动预测进行了真实评估。主动预测视距(LOS)链路阻塞使毫米波/亚太赫兹网络能够在链路故障发生之前做出主动网络管理决策,例如主动波束切换和切换。这可以在有效利用无线资源的同时显著提高网络可靠性和延迟。为了在现实中评估这一收益,本文(i)开发了一种基于计算机视觉的解决方案,该解决方案处理安装在基础设施节点处的摄像头捕获的视觉数据,(ii)研究了基于大规模现实世界数据集DeepSense 6 G的拟议解决方案的可行性,该数据集包括多模态传感和通信数据。基于所采用的真实世界数据集,所开发的解决方案在预测未来$0.1$ s内发生的阻塞时实现了$\approx 90\%$准确性,并且在预测$1$ s内发生的阻塞时实现了$\approx 80\%$准确性,这突出了毫米波/亚太赫兹通信网络的有前途的解决方案。
2022-03-03 cs.CV eess.SP
Seeking an Optimal Approach for Computer-Aided Pulmonary Embolism Detection
Arizona State University(亚利桑那州立大学);Mayo Clinic(梅奥诊所)
肺栓塞(PE)代表血栓(“血块”),通常源自下肢静脉,其行进到肺中的血管,导致血管阻塞,并且在一些患者中导致死亡。这种疾病通常使用CT肺血管造影(CTPA)诊断。深度学习为PE的计算机辅助CTPA诊断(CAD)带来了巨大的希望。然而,在深度学习文献中存在许多针对给定任务的竞争方法,这导致了CAD PE系统开发的巨大混乱。为了解决这一困惑,我们对适用于在图像和检查级别使用CTPA进行PE诊断的竞争性深度学习方法进行了全面分析。在图像层面,我们将卷积神经网络(CNN)与Vision Transformers进行了比较,并将自监督学习(SSL)与监督学习进行了对比,然后对迁移学习与从头开始训练进行了评估。在考试层面,我们重点比较了传统分类(CC)和多示例学习(MIL)。我们广泛的实验一致表明:(1)尽管自然图像和CT扫描之间存在差异,但迁移学习始终提高了性能,(2)使用SSL的迁移学习优于其监督同行;(3)CNN优于Vision Transformers,否则表现出令人满意的性能;(4)CC算法优于MIL算法。与现有技术相比,本文的优化算法在图像级和检查级分别获得了0.2%和1.05%的AUC增益,分别
2021-09-15 cs.CV eess.IV
COVIDx CXR-4: An Expanded Multi-Institutional Open-Source Benchmark Dataset for Chest X-ray Image-Based Computer-Aided COVID-19 Diagnostics
University of Waterloo(滑铁卢大学)
本文提出COVIDx CXR-4,一个扩展的多机构开源胸部X光数据集,将患者规模扩大2.66倍以上,包含45,342名患者的84,818张图像,并分析其多样性及潜在偏差,是目前最大且最多样化的COVID-19 CXR开源数据集。
2023-11-29 cs.CV eess.IV
Discovery Radiomics with CLEAR-DR: Interpretable Computer Aided Diagnosis of Diabetic Retinopathy
University of Waterloo(滑铁卢大学);University of Guelph(圭尔夫大学);Canadian Institute of Advanced Research (CIFAR)(加拿大高等研究院);Vector Institute(向量研究院)
目的:近年来,放射组学驱动的计算机辅助诊断(CAD)已显示出相当大的前景,作为一种潜在的工具,用于改善医学肿瘤学中的临床决策支持,特别是那些基于发现放射组学概念的工具,其中通过分析医学成像数据发现放射组学测序仪。当前CAD方法的主要限制之一是,很难获得关于如何做出决策的见解或理由,从而限制了它们对临床医生的效用。研究方法:在这项研究中,我们提出了CLEAR-DR,一种新的可解释的CAD系统的概念的基础上的类增强的注意反应发现放射组学的目的是糖尿病视网膜病变的临床决策支持。结果如下:除了通过发现的深度放射组测序仪进行疾病分级外,CLEAR-DR系统还对决策过程进行可视化解释,以更好地了解和理解系统的决策过程。结论:我们证明了建议的CLEAR-DR系统的有效性和实用性,提高了糖尿病视网膜病变分级应用的诊断分级结果的可解释性。重要性:CLEAR-DR可以作为一个潜在的强大工具,以解决当前CAD系统的不可解释性问题,从而提高其实用性的临床医生。
2017-10-29 cs.AI cs.CV cs.NE