搜索结果: 16-26 共查到“临床医学 深度学习”相关记录26条 . 查询时间(0.109 秒)
利用深度学习模型判断基线胸部平扫CT肺结节的良恶性
肺结节 深度学习 随访
2020/3/4
基于深度学习肺结节良恶性鉴别诊断模型，探讨基线胸部平扫CT对肺结节良恶性的鉴别诊断价值。回顾性连续纳入东部战区总医院2009年5月至2017年6月在胸部平扫CT上表现为肺结节且有病理证实的130例患者，共纳入136个结节，其中恶性结节86个，良性结节50个。所有患者至少有2次及以上随访胸部平扫CT检查，其中第1次检查为基线检查，病理前最后1次检查为最终检查。使用Dr.Wise Lung Analy...
评估使用常规肺CT扫描数据训练的肺结节良恶性判别深度学习模型，在肺结节靶扫描CT图像上的良恶性分类效能。回顾性分析上海市胸科医院2016年1月至2018年12月间胸部CT扫描发现肺结节并行手术切除的患者923例，共搜集有病理检测报告且在常规扫描和靶扫描数据集上可对应的结节969个。使用基于常规扫描CT数据训练的深度学习良恶性分类模型，对于本研究中搜集的常规扫描和靶扫描数据集进行评测，评估指标包含两...
基于深度学习的自发性脑出血CT影像分割算法精准计算病灶体积的应用探讨
深度学习 图像分割 脑出血
2020/3/4
探讨深度学习技术在自发性脑出血CT影像分割和精准计算出血病灶体积的效果。回顾性分析天津医科大学总医院2016年4月至2018年4月影像及临床诊断为自发性脑出血的1 223例患者资料。分为实质内出血、脑室出血、蛛网膜下腔出血和混合型出血4种类型。采用完全随机法将患者分为训练集905例、验证集156例、测试集162例，实质内出血分别为498、107和100例。由医师对出血区域进行轮廓勾勒标注，作为金标...
探讨基于手腕部影像传统关注区域深度学习特征的人工智能骨龄评估技术可行性及效果。选取11 858例本院0~18岁骨龄检测影像数据，随机分成训练集（80%）和验证集（20%），应用深度学习等方法构建基于传统关注的17个特征区域定位模型及骨龄回归模型；另选取本院近期1 229例骨龄影像作为测试集检测其效能。采用平均精度均值（mAP）及平均绝对误差（MAE）分别评价模型定位及骨龄预测的准确性。
开发一种能够自动分辨前列腺多序列MR图像的人工智能（AI）工具。回顾性分析2017年5月至2018年12月华中科技大学同济医学院附属同济医院前列腺多序列MR图像。前列腺多序列MR图像的分类由ResNet18卷积神经网络（CNN）模型来实现。运用深度残差网络提升训练精度和测试精度。所使用的数据集包括19 146张7个前列腺MR序列图像（横断面T1WI、横断面T2WI、冠状面T2WI、矢状面T2WI、...
基于深度学习的心血管疾病风险预测模型
心血管疾病 风险预测 电子病历 深度学习
2020/6/15
心血管疾病的准确预测对其预防工作有着重大的意义，本文提出一种基于电子病历数据挖掘的模型研究心血管疾病的风险预测。该模型利用循环神经网络等技术对患者的历史电子病历数据进行表征学习，不仅能有效捕获电子病历数据中的时序特征，而且其特征工程无需人工干预。此外，在循环神经网络上嵌入的关注机制从每个患者的数据学到了一个上下文向量，该向量能有效增强深度模型的拟合能力和可解释性。
近日，来自芬兰阿尔托大学(Aalto University)的科学家们通过研究发现深度学习（Deep Learning）方法可以协助临床医生准确诊断糖尿病视网膜病变及黄斑水肿，相关研究成果以“Deep Learning Fundus Image Analysis for Diabetic Retinopathy and Macular Edema Grading”为题，发表在Scientific ...
基于深度学习的医学图像分割研究进展
医学图像分割 深度学习 卷积神经网络 综述
2020/6/12
医学图像分割是医学图像定量分析的关键步骤之一，因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题，提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先，论述卷积神经网络的基本结构及其常用架构；其次介绍深度学习在医学图像病灶分割中的应用，其中包括肺结节的检测和分类，脑肿瘤分割和乳腺病灶的分割；最后，分...
基于深度学习的X线诊断乳腺癌研究进展
乳腺肿瘤 乳房X线摄影术 深度学习 卷积神经网络
2020/2/14
乳腺癌是女性最常见的恶性肿瘤之一。乳腺X线摄影是诊断乳腺癌的重要手段，对早期病灶检出具有重要价值。近年来，深度学习因其高效率、高精度等特点成为医学领域的研究热点。已有研究将深度学习应用于X线诊断乳腺癌领域，证实其可提高诊断准确率、降低漏诊率。本文对深度学习在X线诊断乳腺癌中的研究进展进行综述。
探讨深度学习在乳腺良恶性病变鉴别中的意义。方法：对100例乳腺疾病患者的X线钼靶及超声检查的数据用反向传播神经网络进行深度学习分析，随机选择50例样本作为训练样本，组成训练集，其余样本组成测试集。建立神经网络诊断模型，分析神经网络模型的诊断结果。
