期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
深度学习在骨质疏松辅助诊断中的应用
1
作者
姜良
张程
+2 位作者
魏德健
曹慧
杜昱峥
《计算机工程与应用》
CSCD
北大核心
2024年第7期26-40,共15页
骨质疏松症是一种由于骨密度下降引起骨折危险性增加的全身性疾病,临床上以影像学检查作为诊断依据。近几年深度学习方法在骨骼医学图像处理领域取得突破性进展,针对骨质疏松辅助诊断中所采用的深度学习方法进行了梳理总结。介绍了常用...
骨质疏松症是一种由于骨密度下降引起骨折危险性增加的全身性疾病,临床上以影像学检查作为诊断依据。近几年深度学习方法在骨骼医学图像处理领域取得突破性进展,针对骨质疏松辅助诊断中所采用的深度学习方法进行了梳理总结。介绍了常用的影像学数据集,系统阐述了卷积神经网络、循环神经网络、深度置信网络、生成对抗网络在骨质疏松分类中的应用,阐述了全卷积网络、U-Net在骨质疏松病灶区域分割中的应用,同时介绍了最新AI模型ChatGPT的潜在应用,比较不同模型的性能,指出该领域目前存在的难点并提出相应的展望。
展开更多
关键词
骨质疏松症
深度学习
计算机辅助诊断
卷积神经网络
下载PDF
职称材料
卷积神经网络基于MRI在半月板损伤诊断中的研究进展
2
作者
袁典
杜昱峥
+2 位作者
魏德健
张俊忠
曹慧
《磁共振成像》
CAS
CSCD
北大核心
2024年第3期223-229,共7页
半月板在维持膝关节稳固性方面发挥关键作用,半月板损伤是运动医学领域中常见的损伤,是导致膝关节骨关节炎形成的主要常见原因。MRI具有较高的特异性和敏感性,可以检测半月板的形态结构和膝关节内部信号,是诊断半月板损伤最佳医学图像...
半月板在维持膝关节稳固性方面发挥关键作用,半月板损伤是运动医学领域中常见的损伤,是导致膝关节骨关节炎形成的主要常见原因。MRI具有较高的特异性和敏感性,可以检测半月板的形态结构和膝关节内部信号,是诊断半月板损伤最佳医学图像技术之一。卷积神经网络作为深度学习的经典神经网络,在医学图像辅助诊断领域具有优越的能力,利用卷积神经网络基于MRI图像辅助诊断半月板损伤的相关研究也相继提出。本文全面综述了卷积神经网络在半月板MRI图像分割、检测以及分类中的应用,可以帮助读者了解基于MRI的卷积神经网络在半月板损伤诊断方面的研究进展,以期为半月板损伤的早期诊断与个性化治疗提供新方向。
展开更多
关键词
半月板损伤
磁共振成像
卷积神经网络
深度学习
图像分割
图像分类
下载PDF
职称材料
深度学习在阿尔茨海默病分类诊断中的应用
被引量:
2
3
作者
杜昱峥
曹慧
+2 位作者
聂永琦
魏德健
冯妍妍
《计算机工程与应用》
CSCD
北大核心
2023年第3期49-65,共17页
阿尔茨海默病是一种常见的神经退行性疾病,可依据神经影像学进行临床诊断。深度学习能够挖掘患者影像资料中隐含的丰富信息并完成不同阶段的病程分类,是目前计算机辅助诊断领域的研究热点。介绍阿尔茨海默病神经影像学数据集,总结经典...
阿尔茨海默病是一种常见的神经退行性疾病,可依据神经影像学进行临床诊断。深度学习能够挖掘患者影像资料中隐含的丰富信息并完成不同阶段的病程分类,是目前计算机辅助诊断领域的研究热点。介绍阿尔茨海默病神经影像学数据集,总结经典深度学习网络模型在阿尔茨海默病分类诊断中的应用以及深度学习模型可解释性,重点对卷积神经网络与融合多网络的分类诊断方法进行梳理分析,对不同的思路和方法综合对比,讨论深度学习在阿尔茨海默病辅助诊断领域面临的挑战与未来研究方向,对提高阿尔茨海默病的临床诊断效率与早期预测准确性具有重要意义。
展开更多
关键词
阿尔茨海默病
深度学习
计算机辅助诊断
卷积神经网络
下载PDF
职称材料
题名
深度学习在骨质疏松辅助诊断中的应用
1
作者
姜良
张程
魏德健
曹慧
杜昱峥
机构
山东中医药大学智能与信息工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2024年第7期26-40,共15页
基金
国家自然科学基金(81973981,82074579)
山东省自然科学基金(ZR2020MH360)
+1 种基金
山东省中医药科技项目(2020M006)
山东省研究生教育优质课程建设项目(SDYKC21055)。
文摘
骨质疏松症是一种由于骨密度下降引起骨折危险性增加的全身性疾病,临床上以影像学检查作为诊断依据。近几年深度学习方法在骨骼医学图像处理领域取得突破性进展,针对骨质疏松辅助诊断中所采用的深度学习方法进行了梳理总结。介绍了常用的影像学数据集,系统阐述了卷积神经网络、循环神经网络、深度置信网络、生成对抗网络在骨质疏松分类中的应用,阐述了全卷积网络、U-Net在骨质疏松病灶区域分割中的应用,同时介绍了最新AI模型ChatGPT的潜在应用,比较不同模型的性能,指出该领域目前存在的难点并提出相应的展望。
关键词
骨质疏松症
深度学习
计算机辅助诊断
卷积神经网络
Keywords
osteoporosis
deep learning
computer aided diagnosis
convolutional neural network
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
卷积神经网络基于MRI在半月板损伤诊断中的研究进展
2
作者
袁典
杜昱峥
魏德健
张俊忠
曹慧
机构
山东中医药大学智能与信息工程学院
山东中医药大学第一临床医学院
出处
《磁共振成像》
CAS
CSCD
北大核心
2024年第3期223-229,共7页
基金
国家自然科学基金项目(编号:82074579、82374620)。
文摘
半月板在维持膝关节稳固性方面发挥关键作用,半月板损伤是运动医学领域中常见的损伤,是导致膝关节骨关节炎形成的主要常见原因。MRI具有较高的特异性和敏感性,可以检测半月板的形态结构和膝关节内部信号,是诊断半月板损伤最佳医学图像技术之一。卷积神经网络作为深度学习的经典神经网络,在医学图像辅助诊断领域具有优越的能力,利用卷积神经网络基于MRI图像辅助诊断半月板损伤的相关研究也相继提出。本文全面综述了卷积神经网络在半月板MRI图像分割、检测以及分类中的应用,可以帮助读者了解基于MRI的卷积神经网络在半月板损伤诊断方面的研究进展,以期为半月板损伤的早期诊断与个性化治疗提供新方向。
关键词
半月板损伤
磁共振成像
卷积神经网络
深度学习
图像分割
图像分类
Keywords
meniscal injury
magnetic resonance imaging
convolutional neural networks
deep learning
image segmentation
image classification
分类号
R445.2 [医药卫生—影像医学与核医学]
R684 [医药卫生—骨科学]
下载PDF
职称材料
题名
深度学习在阿尔茨海默病分类诊断中的应用
被引量:
2
3
作者
杜昱峥
曹慧
聂永琦
魏德健
冯妍妍
机构
山东中医药大学智能与信息工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2023年第3期49-65,共17页
基金
国家自然科学基金(81973981,82074579)
山东省自然科学基金(ZR2020MH360)
山东省中医药科技项目(2020M006)。
文摘
阿尔茨海默病是一种常见的神经退行性疾病,可依据神经影像学进行临床诊断。深度学习能够挖掘患者影像资料中隐含的丰富信息并完成不同阶段的病程分类,是目前计算机辅助诊断领域的研究热点。介绍阿尔茨海默病神经影像学数据集,总结经典深度学习网络模型在阿尔茨海默病分类诊断中的应用以及深度学习模型可解释性,重点对卷积神经网络与融合多网络的分类诊断方法进行梳理分析,对不同的思路和方法综合对比,讨论深度学习在阿尔茨海默病辅助诊断领域面临的挑战与未来研究方向,对提高阿尔茨海默病的临床诊断效率与早期预测准确性具有重要意义。
关键词
阿尔茨海默病
深度学习
计算机辅助诊断
卷积神经网络
Keywords
Alzheimer’s disease
deep learning
computer aided diagnosis
convolutional neural network
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
深度学习在骨质疏松辅助诊断中的应用
姜良
张程
魏德健
曹慧
杜昱峥
《计算机工程与应用》
CSCD
北大核心
2024
0
下载PDF
职称材料
2
卷积神经网络基于MRI在半月板损伤诊断中的研究进展
袁典
杜昱峥
魏德健
张俊忠
曹慧
《磁共振成像》
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
3
深度学习在阿尔茨海默病分类诊断中的应用
杜昱峥
曹慧
聂永琦
魏德健
冯妍妍
《计算机工程与应用》
CSCD
北大核心
2023
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部