Mar, 2018

基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

PDF
TL;DR提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。
发现论文，激发创造
  • 基于混合卷积神经网络 - 变换器架构的胸部 X 射线疾病计算机辅助诊断

    通过将 DenseNet121 卷积神经网络与自注意力机制相结合的 SA-DenseNet121 模型，可以在胸部 X 射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

    Apr, 2024

  • 一种轻量级、快速、高效的深度卷积网络用于胸透结核检测

    提出了 LightTBNet，一种新颖的轻量级、快速和高效的深度卷积网络，专门用于从 X 射线图像中检测结核病，拥有出色的性能和快速预测，适用于在结核病高发地区使用的便携设备。

    Sep, 2023

  • 深度学习中的降维在肺癌胸部 X 光分析中的应用

    使用深度学习方法分析胸部 X 射线 2D 图像，在排除异常值的基础上，评估了一些降维技术的有效性，包括肺分割、骨影排除和 t-SNE。通过对一系列处理过的数据集进行训练和验证，结果表明经过肺分割、骨影排除和 t-SNE 排除异常值处理后的数据集（数据集＃05）实现了最高的训练速度和最佳的准确性。

    Jan, 2018

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

    Oct, 2023

  • 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

  • 重新审视计算机辅助结核病诊断

    结核病是全球主要的健康威胁，深度学习在计算机辅助结核病诊断方面取得了进展，但训练数据有限。为此，本文建立了一个大规模数据集 TBX11K，其中包含 11200 个带有肺结核区域边界框标注的胸部 X 光图像。此数据集可用于训练高质量计算机辅助结核病诊断模型，并提出了一种基准模型 SymFormer，通过对 CXR 图像的边界对称性进行处理来学习判别性特征。SymFormer 在 TBX11K 数据集上取得了最先进的性能，并提供了数据、代码和模型。

    Jul, 2023

  • 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

  • 自我监督学习的无监督儿科肺结核 X 射线检测

    使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

    Feb, 2024

  • 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