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

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

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

本研究提出了一种三分支注意力引导卷积神经网络（AG-CNN），它可从特定于疾病的区域学习以避免噪声和提高对齐性，并与全局分支相结合，从而产生了准确的胸部X射线诊断。

Jan, 2018

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大-最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

本文介绍了Chest X-rays疾病识别与深度学习技术中使用的many-to-one distribution learning和K-nearest neighbor smoothing方法，通过对现有的公共数据集进行测试，结果表明该模型在疾病识别方面的表现优于现有的最先进方法。

Feb, 2021

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

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

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

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