Nov, 2017

CheXNet: 深度学习实现胸部 X 光片放射学级别的肺炎检测

PDF
TL;DR研究发现通过使用基于卷积神经网络的算法 CheXNet，可以高于目前实践放射科医师的水平从胸部 X 光片中检测出肺炎，该算法使用了目前最大的公开数据集 ChestX-ray14，并可以检测数据集中的 14 种疾病并达到最先进的结果。
发现论文，激发创造
  • 使用深度神经网络预测肺炎和 COVID-19

    本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。

    Aug, 2023

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

    Dec, 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

  • 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

  • Deep-COVID: 使用深度迁移学习从胸部 X 射线图像预测 COVID-19

    利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

    Apr, 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

  • 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

  • 使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

    使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

    Apr, 2020

  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用 MIMIC-CXR 数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型 DualNet 体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示 DualNet 体系结构的性能提升。

    Apr, 2018