小杨小杨1-CSDN博客

原创腹部多器官分割的眼动引导双路径网络

这项研究提出了一种新的方法，名为眼动引导双路径网络（Eye-Guided Dual-Path Network，EG-DPN），用于腹部多器官分割。这项工作的主要目标是提高医学影像分析中的多器官分割准确性，并减少对高成本手动标签的需求。研究团队发现，通过记录放射科医生在阅读腹部图像时专注的区域的眼动信息，可以有效地指导网络模型关注分割任务所需的相关对象或特征。因此，他们提出了一种方法来整合这种眼动信息，并将其与图像信息相结合，以提高分割模型的性能。

2024-05-23 12:09:21 174

原创无源域适应的医学图像分割方法：基于原型锚定特征对齐与对比学习

无监督域适应（UDA）因其能够将从有标记的源域中学习到的知识迁移到无标记的目标域而备受关注。然而，典型的UDA方法需要同时访问源域和目标域的数据，这在源数据由于隐私问题而不可用的医学场景中受到很大限制。为了解决无源数据问题，我们提出了一种新颖的两阶段无源域适应（SFDA）框架，用于医学图像分割。在域适应过程中，只能使用经过良好训练的源分割模型和未标记的目标数据。方法原型锚定特征对齐阶段首先利用预训练的像素级分类器的权重作为源原型，这些原型保留了源特征的信息。

2024-05-23 11:48:07 334

原创 All-In：局部-全局图驱动的基于蒸馏的十亿像素组织病理学图像表示学习模型及其在癌症风险评估中的应用

对于组织病理学图像分析中的疾病诊断，机器学习模型的效用已经得到了广泛研究。然而，对于患者风险分层的努力相对较少。在本研究中，探索了在图形神经网络中结合全局和局部特征进行患者风险分层的方法。提出的网络结合了精细和粗糙的组织病理学模式，并利用它们的相互作用来改善风险分层。代码地址。

2024-05-22 10:16:40 310

原创 HIGT：用于全景切片图像分析的层次交互图-Transformer

在计算病理学领域，全景切片图像（WSIs）的金字塔结构被用于捕捉从单个细胞相互作用到组织微环境的各种信息。这种层次结构对癌症诊断和预后任务非常有用。然而，先前的层次WSI分析方法主要存在两个问题：第一，只关注WSI金字塔内的局部或全局关联；第二，使用的不同分辨率之间的交互是单向的，导致对WSI金字塔的描述不够全面。为了应对这些问题，本文提出了一种新颖的层次交互图-Transformer（Hierarchical Interaction Graph-Transformer, HIGT）。

2024-05-22 10:06:09 513

原创基于全景切片图像的癌症生存预测：多视角分析驱动的层次图Transformer

癌症生存预测不仅需要考虑肿瘤的生物形态，还需要考虑肿瘤与周围组织的上下文交互。以往基于全景切片图像（WSI）进行生存预测的学习框架的主要局限在于对病理成分（如肿瘤、基质、淋巴细胞等）之间的上下文交互缺乏足够的表示和量化。为了解决这一问题提出了一种多视角分析驱动的层次图Transformer（Hierarchical Graph Transformer，HGT）。方法多视角分析策略：利用切片内的超像素分析和跨切片的聚类分析，挖掘WSIs的空间和语义先验。层次图卷积网络。

2024-05-22 09:35:25 422

原创基于混合Transformer-CNN模型的多分辨率学习方法的解剖学标志检测

精确定位解剖标志点在临床诊断、治疗规划和研究中具有重要作用。现有大多数深度学习方法主要依赖于热图回归学习，该方法生成的标签表示为以标记坐标为中心的二维高斯分布，并将其整合到单一空间分辨率的热图中。然而，这种方法的精度受到热图分辨率的限制，难以捕捉更细微的细节。方法在本研究中，我们引入了一种多分辨率热图学习策略，使网络能够通过独立生成的多分辨率热图，精确捕捉语义特征表示，从而提高定位精度。

2024-05-21 09:22:26 249

原创 TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer

TSegFormer: 高精度3D牙齿分割的多任务Transformer网络背景与挑战口内扫描仪（IOS）在数字牙科中广泛使用，提供牙冠和牙龈的详细三维信息。准确的3D牙齿分割对各种牙科应用至关重要。然而，现有方法在处理复杂边界时容易出错，且在不同患者间表现不佳。方法本文提出了一种名为TSegFormer的新方法，通过多任务3D Transformer架构捕捉IOS点云中不同牙齿和牙龈之间的局部和全局依赖关系。

2024-05-21 09:15:51 170

原创 Merging-Diverging Hybrid Transformer Networks for Survival Prediction in Head and Neck Cancer

头颈癌（HNC）由于其复杂性和患者预后差异大，提出了重大挑战。准确的生存预测对于个性化治疗计划至关重要。当前的方法常常由于影像和临床数据的异质性而表现不佳，导致预测效果不理想。为了解决这些挑战，我们提出了一种新型的合并-分歧混合Transformer网络（MDHT-Net），旨在通过有效整合多种数据源来预测HNC患者的生存结果。MDHT-Net结合了卷积神经网络（CNN）和Transformer架构的优势，从包括医学影像和临床记录在内的多模态数据中捕捉局部和全局特征。

2024-05-20 10:34:37 297

原创 ProtoASNet：用于超声心动图中主动脉瓣狭窄分类的动态原型网络，具备内在可解释性和不确定性意识

主动脉瓣狭窄（Aortic Stenosis, AS）是一种常见的心脏瓣膜疾病，准确及时的诊断对于适当的治疗至关重要。目前大多数自动检测AS严重程度的方法依赖于黑箱模型，这些模型的信任度较低，阻碍了其在临床中的应用。为了解决这一问题，本文提出了一种名为ProtoASNet的原型网络，该网络直接从B模式超声心动图视频中检测AS，同时基于输入和学习到的时空原型之间的相似性进行可解释的预测。

2024-05-20 10:14:38 975

原创基于Transformer的端到端可变长度体数据分类

在自动分类3D医学数据时，内存占用问题和样本切片数量的差异是两个主要挑战。传统的解决方案如子采样虽然能解决这些问题，但可能会丢失重要的诊断信息。Transformer在序列数据分析中显示了良好的性能，但其在处理长序列时，数据、计算和内存需求都非常高。本文提出了一种基于Transformer的端到端框架，能够高效分类可变长度的体数据。输入数据随机化在训练过程中，通过随机化输入的体数据分辨率（即切片数量），增强了分配给每个体数据切片的可学习位置嵌入的能力。

2024-05-17 09:55:15 503

原创 IVOCT中基于Vision Transformer的多类病变检测

心血管疾病是一种高致死率的疾病。血管内光学相干断层扫描（IVOCT）技术可以显著帮助诊断和治疗心血管疾病。然而，从数百张IVOCT图像中定位和分类病变是一项耗时且具有挑战性的任务，尤其对于初级医生而言更是如此。因此，一种自动病变检测和分类模型是非常可取的。为了实现这一目标，在本研究中，首先收集了一个IVOCT数据集，包括来自69个IVOCT数据的2,988张图像，以及跨三个类别的4,734个病变标注。

2024-05-17 09:35:44 366

原创基于三维超声成像的颈动脉粥样硬化监测的可解释深度生物标志物

本文开发了一种名为Siamese Change Biomarker Generation Network（SCBG-Net）的可解释深度生物标志物，用于评估治疗对颈动脉粥样硬化的影响。SCBG-Net基于从三维超声（3DUS）图像中提取的血管壁和斑块体积及纹理特征进行评估。SCBG-Net是第一个用于连续监测颈动脉斑块变化的深度网络。SCBG-Net自动整合从3DUS中提取的体积和纹理特征，生成一个称为AutoVT（自动整合体积和纹理特征）的变化生物标志物，该标志物对饮食治疗敏感。

2024-05-17 09:26:12 268

原创 STAR-Echo：一种使用时空分析和基于Transformer的影像组学模型预后慢性肾脏病患者 MACE 预后的新型生物标志物

慢性肾脏病（CKD）患者患有主要不良心血管事件（MACE）的风险较高。超声心动图评估左心室（LV）功能和心脏异常。LV壁（LVW）的病理生理学和收缩期/舒张期功能与CKD患者的MACE结果（O-和O+）相关联。然而，传统的基于LV容积的测量，如射血分数，其预测价值有限，因为它们仅依赖于末期帧。我们假设通过时空分析，对比分析LVW的形态可以预测CKD患者的MACE风险。然而，由于噪声、分辨率低和需要手动干预，准确地描绘和分析每个帧的LVW是具有挑战性的。

2024-05-16 10:08:33 713

原创一种新型多任务模型：模仿皮肤科医生进行临床图像中皮肤疾病的准确鉴别诊断

皮肤疾病是最常见的健康问题之一，准确的计算机辅助诊断方法对皮肤科医生和患者都至关重要。然而，大多数现有方法忽视了皮肤疾病诊断所需的基本领域知识。本文提出了一种新型多任务模型，名为DermImitFormer，通过模仿皮肤科医生的诊断程序和策略来填补这一空白。通过多任务学习，该模型同时预测身体部位和病变属性，以及疾病本身，提高了诊断准确性并改善了诊断可解释性。设计的病变选择模块模仿了皮肤科医生的放大动作，有效突出了嘈杂背景中的局部病变特征。

2024-05-16 09:53:27 338

原创 SegNetr: 在U型网络中，重新思考局部-全局交互和跳跃连接

最近，由于其简单易调结构，U型网络已经在医学图像分割领域占据主导地位。然而，现有的U型分割网络存在以下问题：1）主要专注于设计复杂的自注意模块，以弥补基于卷积操作的长期依赖性不足，从而增加了网络的参数总数和计算复杂度；2）仅简单地融合编码器和解码器的特征，忽视了它们空间位置之间的连接。在本文中，研究重新思考了上述问题，并构建了一种轻量级的医学图像分割网络，称为SegNetr。引入了一种新颖的SegNetr块，它可以在任何阶段以及仅具有线性复杂度的情况下动态地执行局部-全局交互。

2024-05-15 09:23:26 356

原创 HC-Net: 自动牙周疾病诊断的混合分类网络

从全景X射线图像中准确分类牙周病对于临床高效诊疗至关重要，但由于射线照相术中的微妙证据，这是一项具有挑战性的任务。最近的方法试图通过估计图像上的骨质流失来对牙周病进行分类，依赖于放射学手动注释来监督分割或关键点检测。然而，这些射线照相注释与临床金标准不一致，可能导致测量误差和分类不稳定。在本文中，提出了一种新型的混合分类框架HC-Net，用于从X射线图像中准确分类牙周病。该框架由三个部分组成：牙齿水平分类、患者水平分类和可学习的自适应噪声OR门。

2024-05-15 09:04:29 621

原创 Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering

在识别皮肤疾病的皮肤镜图像方面，现有的深度学习模型表现出了令人期待的性能。然而，这些模型在临床应用中只能识别预定义的类别，而无法应对不断涌现的新未知类别的数据。因此，自动发现和识别新的语义类别对于从新数据中获取知识至关重要。为了解决这个问题，研究提出了一种新的自动发现新语义类别的框架，它基于已知类别的知识。具体而言，首先利用对比学习方法学习所有已知和未知类别数据的稳健且无偏的特征表示。然后，采用一种基于不确定性感知的多视图交叉伪监督策略，使用自我标记策略生成的伪标签对所有类别的数据进行联合训练。

2024-05-14 09:20:20 261

原创利用关系感知一致性和虚拟特征补偿解决医学分类中的长尾问题

由于患病样本稀缺，医学图像数据集存在天然的不平衡，导致诊断算法对多数类别产生偏见。这一情况降低了诊断性能，特别是在识别罕见类别方面。现有研究将这一挑战描述为长尾问题，并采取解耦策略来减轻分类器的偏见。但是这些研究仅使用不平衡的数据集来训练编码器，并通过舍弃主要类别的样本来重新训练分类器，从而限制了诊断性能。本文提出了一种分为两个阶段的多视图关系感知一致性和虚拟特征补偿（MRC-VFC）框架。在第一阶段，设计了一种多视图关系感知一致性（MRC）用于表示学习，为编码器的训练提供了无偏的指导，除了不平衡的监督。

2024-05-14 08:58:46 838

原创在实时超声病变检测中挖掘负面时间背景以抑制假阳性

在实时超声图像中进行病变检测是医学诊断中的关键任务之一。然而，由于图像噪声和环境因素的干扰，假阳性结果的产生可能会降低检测的准确性。为了解决这一问题，研究人员提出了一种新的方法，利用负面时间背景来帮助抑制假阳性。在超声图像序列中，负面时间背景是指不包含任何病变的图像片段。这些片段提供了健康组织的参考背景，有助于识别真实病变和噪声之间的差异。这项新方法利用负面时间背景来识别可能的假阳性结果，并在实时超声图像中进行标记。具体而言，该方法通过比较实时图像与负面时间背景来识别异常结果。

2024-05-13 10:19:58 286

原创 Laplacian-Former: Overcoming the Limitations of Vision Transformers in Local Texture Detection

近期研究表明，Vision Transformer（ViT）模型在各种计算机视觉任务中表现出色。然而，相较于传统的卷积神经网络（CNN）模型，ViT模型往往难以捕捉图像的高频信息，这可能限制了其对局部纹理和边缘信息的准确感知能力。鉴于人体组织中的异常情况（如肿瘤和病变）在结构、纹理和形状上存在巨大差异，因此高频信息，尤其是纹理信息，对于有效的语义分割任务至关重要。本文通过自适应地重新校准拉普拉斯金字塔中的频率信息来增强自注意力图。利用了双注意力机制，包括高效的注意力和频率注意力。

2024-05-13 09:44:55 934

原创 Automatic Segmentation of Internal Tooth Structure from CBCT Images Using Hierarchical Deep Learning

牙齿的精确分割对于治疗规划至关重要。然而，以往的方法往往将牙齿视为一个整体进行分割，忽略了牙齿内部结构的重要性。本文提出了一种完全自动化的方法，用于分割牙齿的内部结构，包括牙釉质、牙本质和牙髓。这项任务具有挑战性，因为需要从CBCT图像中准确地识别96种不同的牙齿结构。设计了一个包含粗到精分割的三阶段过程，旨在在不降低原始分辨率的情况下实现牙齿内部结构的精确分割。为了有效地捕获牙齿的分层结构，提出了双层次U-Net（DHU-Net），该网络能够有效地融合来自不同层次的编码器和解码器特征。

2024-05-11 11:40:16 184

原创 ACC-UNet: A Completely Convolutional UNet Model for the 2020s

这十年以来，计算机视觉领域引入了 Vision Transformer，标志着广泛的计算机视觉发生了根本性的变革。类似的转变也出现在医学影像领域，UNet，作为最具影响力的架构之一，已经重新设计为使用了 Transformer。此外，像 ConvNext 这样的重要工作重新审视了视觉中卷积模型的有效性，将一个 ResNet 提升到了 Swin Transformer 的水平。

2024-05-11 11:30:12 201 2

原创 Minimal-Supervised Medical Image Segmentation via Vector Quantization Memory

辅助重构分支：该分支通过提供额外的监督并产生学习视觉表示所需的梯度，从而补充了分割任务。伪标签生成分支：该分支利用向量量化（VQ）库存储纹理导向和全局特征。然后利用这些特征生成高质量的伪标签，这对于训练分割模型至关重要。伪标签混合：为了增强模型训练，将分割预测与从VQ库获得的伪标签进行混合。这种混合过程确保模型从两个信息源中受益，从而提高性能。

2024-05-11 11:17:13 282

原创 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching Between 3D and 2D Networks

背景与挑战医学图像分割通常需要大量精确标注的数据集，但像素级注释是一项耗时的任务，需要领域专家的大量努力，因此在实际临床场景中很难获得。在这种情况下，减少所需标注量是一种更实际的方法。稀疏标注是一种可行的方向，它只涉及对少量切片进行注释，并且与传统的弱标注方法（如边界框和涂鸦）相比，具有几个优点，因为它保留了精确的边界。挑战与解决方案从稀疏标注学习具有挑战性，因为监督信号稀缺。为了解决这个问题，我们提出了一个框架，可以通过跨教学的方式稳健地从稀疏标注中学习。

2024-05-10 11:52:00 377

原创 FocalUNETR: A Focal Transformer for Boundary-Aware Prostate Segmentation Using CT Images

该研究致力于解决CT图像中前列腺精确定位的挑战。首先，指出了CT图像的两大问题：前列腺边界不清晰和模型捕获全局上下文的局限性。为了解决这些问题，提出了一种基于焦点变换器的图像分割架构，能够同时提取局部特征和全局上下文。其次，通过设计辅助的边界诱导标签回归任务，以解决CT图像中不清晰的边界问题。代码地址。

2024-05-10 11:36:12 364

原创 DHC：用于类别不平衡的半监督医学图像分割的双重去偏异构协同框架

该研究针对三维医学图像的体积级标注需求专业性高、耗时长的问题，因此半监督学习（SSL）在利用有限标注数据进行训练方面尤为重要。然而，类别不平衡的严重问题成为限制这些方法在实际应用中的瓶颈，但却鲜有解决方案。为解决这一问题，提出了一种新颖的双重去偏异构协同（DHC）框架，用于半监督三维医学图像分割。提出了两种损失加权策略，即分布感知去偏加权（DistDW）和困难感知去偏加权（DiffDW），这两种策略动态地利用伪标签引导模型解决数据和学习偏差。该框架通过同时训练这两个不同且准确的子模型显著改善了性能。

2024-05-09 11:54:44 397

空空如也

空空如也