-
生成对抗网络在医学图像跨模态重建中的应用及展望
编辑人员丨2023/8/5
医学图像跨模态重建是指基于被试某一种模态图像,预测同一被试的另一种模态图像,以实现更精准的个体化医疗.生成对抗网络(generative adversarial networks,GAN)是医学图像跨模态重建中最常见的深度学习技术,该技术通过从遵循真实数据分布的隐式分布中生成医学图像,进而快速重建出其他模态医学图像数据.随着临床对多模态影像数据需求的剧增,GAN技术在磁共振成像、计算机断层扫描和正电子发射型计算机断层扫描等多种不同的医学图像模态之间的跨模态重建任务中均得到广泛的应用,在脑、心等不同部位实现精准高效的跨模态图像重建.此外,虽然GAN在跨模态重建中取得了一定的成功,但其在稳定性、泛化能力和准确度方面仍需要进一步的改进.
...不再出现此类内容
编辑人员丨2023/8/5
-
基于AI算法的磁共振检查预约准时与迟到预测的可行性研究及其临床应用
编辑人员丨2023/8/5
目的 探究以人工智能算法为基础建立磁共振检查预约迟到预测模型,对磁共振检查预约患者做出准时与迟到预测的可行性.方法 回顾性从放射科信息系统收集2018年1月1日—12月31日连续的已完成磁共振检查的患者预约信息共9087例,经过数据清洗后分为准时组(患者到达时间早于患者预约时间,n=8265),和迟到组(患者到达时间晚于患者预约时间,n=822).使用XGBoost(Extreme Gradient Boosting)算法作为分类预测模型的基础架构,并结合梯度提升算法中的特征重要性分数生成特征重要性排序列表,训练二分类模型.数据随机分为训练集(70％)和测试集(30％).以测试集的预测结果检测磁共振检查预约迟到分类预测模型的效能.结果 在测试集中,准时者2488例,迟到者239例,磁共振检查预约迟到模型预测准时与迟到的精确度分别为0.994和0.941,召回率分别为0.994和0.933,F1-分数分别为0.994和0.937,ROC曲线下面积均为0.99.结论 使用基于XGBoost算法分类模型可对磁共振检查预约做出准时与迟到的预测,为实际临床工作中进一步根据检查项目、检查人数等智能化地分配医学影像科的设备资源、人力资源,以提供更加高效优质的影像检查服务提供了可能.
...不再出现此类内容
编辑人员丨2023/8/5
-
基于深度学习的医学影像高效生成方法研究
编辑人员丨2023/8/5
目的:提出一种基于深度学习的医学影像高效生成方法,以解决医学影像数据获取困难、患病样本分布不均匀的问题.方法:将作为CycleGAN输入的2种真实图像进行图像风格迁移,在训练过程中CycleGAN学习2种图像的图像风格,并将这2种图像的图像风格进行转换,输出不同于原图像风格的图像.以肺部CT图像和眼底图像为例,分别对该方法的样本风格转换能力和患病样本生成能力进行测试.结果:经过训练后,该方法能够将肺部厚层CT图像转换为薄层CT图像,并能生成大量质量较高的眼底患病图像,且生成图像耗时短.结论:该方法可以高效生成医学影像,为临床研究以及相关人工智能模型训练提供了有力的保障,并且可为医学人工智能产品的泛化能力提供测试支撑.
...不再出现此类内容
编辑人员丨2023/8/5
