智慧医疗
米诺陶诺斯
这个作者很懒,什么都没留下…
展开
-
阅读笔记:RELATIONAL LEARNING BETWEEN MULTIPLE PULMONARY NODULES VIA DEEP SET ATTENTION TRANSFORMERS
Abstract 肺多发结节的诊断和治疗在临床上很重要,但很有挑战性。以往对多发结节患者的结节特征的研究使用的是单独结节分析方法,从而忽略了结节之间的关系。在本研究中,我们提出了一个多实例学习(MIL)方法,并实证证明了学习多个结节之间的关系的好处。通过处理来自同一病人的多个结节作为一个整体,单独结节体素之间的关键关系信息将会被提取。据我们所知,我们首次研究肺多发结节之间的关系。受最近自然语言处理(NLP)领域进展的启发,我们引入了一个带有3D-CNN的self-attention transforme原创 2020-09-16 14:51:56 · 381 阅读 · 0 评论 -
阅读笔记:Multi-Level Cross Residual Network for Lung Nodule Classification
Abstract 计算机辅助算法在医学图像疾病诊断中起着重要的作用。肺癌作为一种主要的癌症,通常通过计算机断层扫描发现。为了提高肺癌患者的生存率,早期诊断是必要的。在本文中,我们提出了一种新的结构,多层次交叉残差卷积神经网络(ML-xResNet),以分类不同类型的肺结节恶性肿瘤。ML-xResNet是由具有不同卷积核大小的三层并行resnet构造的,用于提取输入信号的多尺度特征。而且,residuals不仅与当前level层相连,还与其他level交叉连接。为了说明ML-xResNet的性能,我们将该翻译 2020-08-10 22:38:49 · 1004 阅读 · 0 评论 -
阅读笔记:Semi-supervised adversarial model for benign–malignant lung nodule classification on chest CT
Abstract 胸部CT对良恶性肺结节的分型是早期发现肺癌、延长患者生存最关键的一步。深度卷积神经网络(deep convolutional neural networks, DCNNs)虽然在图像分类方面取得了很大的成功,但它仍然需要大量的带标记的训练数据,而大多数医学图像分析应用由于需要进行图像采集,尤其是图像标注的工作,而无法得到这些数据。在本文中,我们提出了一个半监督对抗分类(SSAC)模型,该模型可以使用标记和未标记数据进行训练,用于肺良性恶性结节的分类。这个模型包含一个基于自编码器的对抗无翻译 2020-08-04 00:29:49 · 876 阅读 · 0 评论 -
阅读笔记:3D-MCN: A 3D Multi-scale Capsule Network for Lung Nodule Malignancy Prediction
Abstract 尽管在自动预测肺癌恶性肿瘤方面取得了进展,但实现高精度仍然具有挑战性。现有的解决方案大多基于卷积神经网络(CNNs),需要大量的训练数据。大部分已开发的CNN模型仅基于主要结节区域,而没有考虑周围组织。获得高灵敏度的肺结节恶性肿瘤预测是一个挑战。此外,当最终目标是在临床环境中使用该模型时,应该考虑到模型的可解释性。胶囊网络(CapsNets)是一种新的和革命性的机器学习架构,用以克服CNNs的缺点。利用CapsNet在生物医学领域的成功,我们提出了一种新的肺肿瘤恶性预测模型。我们将提出翻译 2020-08-01 23:25:00 · 1233 阅读 · 0 评论