Mar, 2016

学习阅读胸部 X 光片：基于循环神经级联模型的自动图像注释

PDF
TL;DR本文介绍了一种利用深度学习模型进行图像内疾病检测和标注的方法，通过采用卷积神经网络和循环神经网络进行训练，可以有效提高图像注释结果的准确性。
image annotationdisease detectiondeep learningconvolutional neural networksrecurrent neural networks
发现论文，激发创造
  • 使用复发视觉注意模型学习如何观察胸部 X 光片

    该论文提出了一种基于随机注意力机制的递归神经网络模型，该模型能够学习在检测胸部 X 射线扫描中，哪些区域应该被视觉化探索，以便得出是否存在特定放射性异常的结论。

    Jan, 2017

  • 胸部 X 光片的多标记分类的强化级联卷积神经网络

    本研究通过训练深度学习模型，提出了一种能够诊断 14 种疾病的级联深度神经网络，其表现优于基线并与其他已发布的方法竞争，探讨了针对 ChestX-ray14 数据集的训练 DCNN 的损失函数选取和使用级联建模标签依赖性以及提高深度学习模型准确性的问题。

    Nov, 2017

  • 基于 RNN 患者监测的胸部 X 光分类改进

    本文研究了利用病人历史记录信息的 CNN 图像分类模型。模型使用了 Chest X-Ray 成像技术，利用机器学习算法进行自动评估，展示出使用病人历史记录等附加信息时分类模型的性能显著提高。

    Oct, 2022

  • 使用密集卷积神经网络对胸部 X 光影像进行多标签分类的研究

    本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

    Feb, 2022

  • 利用卷积神经网络解释胸部 X 射线，利用分层疾病依赖性和不确定标签

    该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架，用于预测 14 种常见胸部疾病的风险，同时针对常见胸透数据集中不确定样本占据的显著比例，提出了标签平滑技术。在超过 200k 的数据集上训练，该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数，表现高于独立测试集中的其他三位医学专家，该方法在 CheXpert 排行榜上排名第一。

    Nov, 2019

  • 利用层次疾病依赖和不确定标签通过 CNN 解释胸部 X 光片

    利用深度卷积神经网络（CNNs）构建了一个多标签分类框架，能够准确检测 14 种常见胸部疾病和病灶的存在，通过对 UGCXR 数据集的训练，该模型取得了目前最高的 AUC 分数 0.940， 平均优于独立评审组中的 2.6 位放射科医生，表现优于目前 CheXpert 测试集上的其他分类器。

    May, 2020

  • 用于胸部 X 光分类的自监督深度卷积神经网络

    本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

    Mar, 2021

  • 用于多类胸部感染诊断的深度残差卷积神经网络

    基于深度学习的残差卷积神经网络模型在多类别胸部感染诊断中展示了 93% 的准确率，但对纤维化等不同类别的性能差异表明了自动医学图像诊断的复杂性和挑战，同时为未来的研究提供了方向和改进建议。

    Nov, 2023

  • ChestNet: 用于胸部 X 射线分类的深度神经网络

    本文提出了 ChestNet 模型，它将注意力机制融合到深度卷积神经网络中，以有效诊断胸部疾病，其结果表明，在使用官方病人方式分割的 Chest X-ray 14 数据集上，该模型优于其他无需额外训练数据使用的方法。

    Jul, 2018

  • TieNet: 用于胸部 X 光片中常见胸部疾病分类和报告的文本图像嵌入网络

    本文提出了基于 Text-Image Embedding 网络的自动标注框架和胸透报告系统，利用临床自由文本的先验知识，结合卷积循环神经网络的多层注意力模型，对图像和文本进行嵌入和分类，并在未标记数据上相对于现有技术取得了更好的分类结果（平均 AUC 增加 6%）。

    Jan, 2018