修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

6 条数据
?? 中文（中国） ▾

  • 乳腺X线摄影检测乳腺癌：人工智能支持系统的影响

    摘要： 目的：比较放射科医生在无辅助与人工智能（AI）系统辅助下阅读乳腺X线摄影检查的乳腺癌检出效能。材料与方法：开展一项符合HIPAA法规的富集回顾性、完全交叉、多读者多病例研究。纳入2013至2017年间240名女性（中位年龄62岁；范围39-89岁）的筛查数字乳腺X线检查结果。14名符合《乳腺影像质量标准法案》的放射科医生对240例检查（100例癌症、40例假阳性召回、100例正常）分别进行有/无AI辅助的判读，提供乳腺影像报告和数据系统评分及恶性概率。AI辅助为医生提供交互式决策支持（点击乳腺区域显示局部癌变概率）、计算机检出异常的传统病灶标记及基于检查的癌变概率评分。通过混合模型方差分析与广义线性模型（针对多次重复测量），比较两种条件下受试者工作特征曲线下面积（AUC）、特异性与敏感性及判读时间。结果：AI辅助的平均AUC高于无辅助判读（0.89 vs 0.87，P=0.002）。敏感性提升（86%[100例中86例] vs 83%[100例中83例]，P=0.046），特异性呈改善趋势（79%[140例中111例] vs 77%[140例中108例]，P=0.06）。单例判读时间相近（无辅助146秒，AI辅助149秒，P=0.15）。AI系统单独使用的AUC与放射科医生平均AUC相当（0.89 vs 0.87）。结论：放射科医生使用AI系统辅助乳腺X线摄影判读时，癌症检出效能提升且无需额外判读时间。

    关键词： 乳腺X线摄影、计算机辅助检测、乳腺癌、深度学习、人工智能

    更新于2025-09-23 15:21:01

  • 新前沿：人工智能时代乳腺影像计算机辅助诊断的最新进展

    摘要： 目的：本文旨在比较乳腺影像学中传统与基于机器学习的计算机辅助检测（CAD）平台（重点关注乳腺X线摄影），强调传统CAD的局限性，并突出未来新型CAD系统开发中的潜在解决方案。 结论：随着计算能力的显著提升和先进深度学习算法的快速涌现，乳腺影像CAD开发正经历范式转变，预示着可能真正改善临床诊疗的新系统即将诞生。

    关键词： 计算机辅助检测、乳腺、人工智能、乳腺X线摄影、纹理分析、计算机辅助诊断

    更新于2025-09-23 15:43:12

  • 眼底照片中视盘苍白的自动计算机辅助分析

    摘要： 目的：由于眼底照片中视盘苍白评估的主观性，其判读常易出现误判。我们开发了一套基于彩色眼底照片的视盘苍白全自动计算机辅助检测（CAD）系统，并评估了该系统的准确性。 方法：新开发的CAD系统可自动分割和分析视盘苍白图像，并建立了逻辑回归模型进行风险分析。使用230张不同程度视盘苍白的照片及123张经光学相干断层扫描确认的正常视盘对照验证软件。评估了该CAD系统通过彩色眼底照片自动检测视盘苍白的敏感性和特异性，并与两位独立眼科医生手动检测视盘苍白的结果进行效能对比。 结果：该全自动CAD系统在彩色眼底图像中检测视盘苍白的敏感性为95.3%，特异性为96.7%。系统总体准确率达96.1%，优于单个检查者的手动检测结果。 结论：我们成功开发出能自动检测眼底照片中视盘苍白的CAD系统。该算法可辅助眼科医生对眼底照片中视盘苍白的临床判断。

    关键词： 自动、计算机辅助检测、视盘、苍白

    更新于2025-09-11 14:15:04

  • [2018年IEEE国际成像系统与技术会议（IST）- 波兰克拉科夫（2018.10.16-2018.10.18）] 2018年IEEE国际成像系统与技术会议（IST）- 基于扩散加权成像的前列腺癌计算机辅助诊断：技术综述

    摘要： 全球范围内，前列腺癌是男性中最常被诊断的癌症之一。然而，开发高效的前列腺癌诊断技术至关重要且具有重大临床意义。这些技术能提升治疗效果并改善患者生存几率。尽管经直肠超声（TRUS）引导活检仍是前列腺癌诊断的标准方法，但由于其侵入性而不受青睐。因此，有必要探索能早期检测前列腺癌的非侵入性方法。多种磁共振成像技术（如T2加权MRI、动态对比增强（DCE）-MRI和扩散加权成像（DWI））已被广泛用于前列腺癌检测。本文主要目标是综述最新非侵入性计算机辅助诊断（CAD）系统通过DWI诊断前列腺癌的研究，重点介绍实验过程、实施方案及报道结果。此外，论文还概述了现有诊断系统的挑战，并展示了当前解决这些挑战的趋势。

    关键词： 弥散加权成像，前列腺癌，计算机辅助检测

    更新于2025-09-09 09:28:46

  • [SPIE图像处理会议 - 美国休斯顿（2018年2月10日-2018年2月15日）] 医学成像2018：图像处理——基于深度学习的非心电门控CT扫描自动阿加斯顿评分计算

    摘要： 引言：Agatston评分是心血管疾病与临床结局相关性的成熟评估指标。该评分通过CT扫描计算得出：a)测量动脉粥样硬化斑块的体积和密度；b)将这些信息汇总为指数。目的：开发一种卷积神经网络，无需预先分割冠状动脉钙化（CAC），即可直接输入非增强胸部CT扫描并输出对应的Agatston评分。材料与方法：我们使用包含5973例非增强非心电门控胸部CT扫描的数据库（其Agatston评分已人工计算）。采用目标检测器自动裁剪每例扫描的心脏区域，将数据库分为4973例训练集和1000例测试集。我们训练了一个三维深度卷积神经网络，直接从提取的心脏图像回归Agatston评分。结果：在1000例测试案例中，该方法与人工参考标准的相关系数达r=0.93（p≤0.0001），且正确分层72.6%病例至标准风险组。相比基于CAC预先分割的复杂前沿方法（在心电门控肺部CT中达到r=0.94），本方法表现相当。结论：卷积神经网络可直接从心脏图像回归Agatston评分，无需预先分割CAC。这是Agatston评分计算的新简化范式，其结果与现有前沿文献相当。

    关键词： 肺部CT、计算机辅助检测、深度学习、阿加斯顿评分

    更新于2025-09-09 09:28:46

  • 基于弱监督的眼底图像病灶检测

    摘要： 对眼疾患者进行早期诊断和持续监测一直是计算机辅助检测（CAD）技术关注的重点。过去几十年间，检测一种或几种特定类型视网膜病变在计算机辅助筛查领域已取得重大突破。然而，由于视网膜病变种类繁多且正常解剖结构复杂，从视网膜中自动检测未知且多样化的病变仍是一项具有挑战性的任务。本文针对该问题提出一种弱监督方法——仅需一系列正常与异常视网膜图像，无需专门标注其位置和类型。具体而言，将眼底图像视为背景、血管及背景噪声（异常图像包含病变）的叠加。通过空间对齐、颜色归一化和血管去除等一系列简单预处理步骤后，背景被构建为低秩结构。背景噪声则分别被视为随机变量：正常图像采用高斯模型建模，异常图像采用高斯混合模型（MoG）建模。该方法将眼底图像的背景知识与背景噪声统一编码至单一模型中，并利用正常与异常图像协同优化该模型——既能充分刻画背景的低秩子空间，又能在异常眼底图像中将病变与背景噪声区分开来。实验结果表明，该方法具有较高的准确率，性能优于既往相关方法。

    关键词： 高斯混合模型、计算机辅助检测、低秩结构、弱监督学习、视网膜病变

    更新于2025-09-09 09:28:46