Mar, 2018

利用位置感知稠密网络学习识别胸部X光异常

HTML
PDF
TL;DR本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。
发现论文，激发创造
  • ChestX-ray8:医院规模的胸部X光数据库和关于常见胸部疾病弱监督分类和定位的基准测试

    本文介绍了一个新的胸部X光数据库，名为“ ChestX-ray8 ”，其中包括108948个患者的32,717个独特患者的前瞻性X光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的“阅读胸部X射线”（仅通过图像级标签训练）仍然是完全自动化的高精度CAD系统的艰巨任务。

    May, 2017

  • 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

  • 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

  • AnaXNet：基于解剖学的胸部X光多标签病变定位分类

    本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

    May, 2021

  • REFLACX, 一份用于胸部X光异常定位的报告和眼动追踪数据集

    本文提出了一种潜在可扩展的方法，使用眼动仪和麦克风来收集隐式本地化数据，从而创建了REFLACX数据集（包括3032个同步集）。该数据集由五位放射科医生标记并包含了对MIMIC-CXR数据集中2616种胸部x光片的时间戳报告转录。此外，提供了包含心肺轮廓和异常标注的辅助标注，可用于计算多用户之间的一致性得分。

    Sep, 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

  • 用于胸部 X 光片结果定位分类的空间保留平面化技术

    本研究基于自动编码训练出一种新的深度学习神经网络，能够保留解剖结构和空间位置信息，通过对胸部X光片的异常评估，实现精确定位和分类，相较现有方法有了显著提升。

    Apr, 2022

  • 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

  • LeDNet: 多标签放射影像分类的定位启用深度神经网络

    利用新颖的局部化技术和卷积神经网络，我们通过胸部 X 光图像检测胸廓疾病，并且使用 Lung Disease Prediction Network（LeDNet）来提高准确性。我们通过局部化方法提取胸部 X 光图像的肺部区域面具，并将其叠加在原始 X 光图像上，形成面具叠加图像，然后使用 DenseNet-121 分类模型选择特征进行疾病分类预测。我们的实验证明了原始 CheXpert 图像和面具叠加图像的分类结果并进行了准确性和损失曲线分析。

    Jul, 2024