ICCVMar, 2017

SCAN：针对胸部 X 射线器官分割的结构校正对抗网络

PDF
TL;DR本文介绍了一种名为 SCAN 的结构校正对抗网络，用于在胸部 X 射线图像中分割肺部和心脏，通过扶持的方法使网络学习到高阶结构，最终取得了人类水平的性能。
chest x-rayorgan segmentationscancritic networkhuman-level performance
发现论文，激发创造
  • 通过体积伪标记实现射线图中人体解剖结构的精确细分

    本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。

    Jun, 2023

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • XLSor: 使用 Criss-Cross Attention 和定制的辐射逼真异常生成技术，创建一个强大精确的胸部 X 光片肺分割器

    本研究提出了一种新的肺部分割框架，包括基于交叉关注的分割网络和放射真实胸部 X 射线图像合成用于数据增强。同时，使用图像到图像的翻译模块来合成放射学异常胸片器用于数据增强，并阐明了该框架的稳健性和有效性。

    Apr, 2019

  • 机器学习：从胸部 X 射线片中分割肺部异常

    CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • 胸部 X 射线摄影图像的多任务器官分割和骨抑制图像翻译

    本研究首次引入条件生成对抗网络 (CGAN) 的多任务深度学习模型，该模型可同时生成经过骨抑制处理和经过器官分割处理后的图像，通过优化处理时间和操作参数，改善了数据可靠性。

    Jun, 2019

  • 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

  • 非对齐胸部 X 光图像分解的 CT 解剖知识编码

    本文提出一种新的图像分解生成对抗网络（DecGAN）用于对胸部 X 光片进行解剖分解，利用了 CT 嵌入的解剖知识，并通过诸如分解损失、对抗损失和循环一致性损失等方式确保了解剖分解结果的真实性和可靠性，实验表明该方法能够优于现有方法在预测肺部疾病方面的表现。

    Sep, 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

  • 利用人工智能方法进行疾病检测、治疗和规划的医学图像分析

    研究探讨了使用人工智能技术对 X 射线图像进行分割的框架，将数据进行预处理和清洗后，利用 SegNet 和 Residual Net 方法对 X 射线图像进行分割，实验结果表明，所提出的方法在所有已知的参数方面表现更好

    May, 2024

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019