Jul, 2018

基于注意力引导的课程学习，用于胸部 X 光片弱监督分类和定位

PDF
TL;DR利用放射学报告中的疾病严重程度信息，基于卷积神经网络的注意力引导课程学习（AGCL）框架进行胸部疾病的联合分类和弱监督定位，提高了分类 AUC 和定位召回率和精度。
weakly supervised localizationconvolutional neural networkattention-guided curriculum learningradiology reportschestxray14 dataset
发现论文，激发创造
  • 像放射科医生一样进行诊断：面向胸部疾病分类的注意力引导卷积神经网络

    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

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    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

  • 使用交叉注意力网络进行多标签胸部疾病图像分类

    本研究探讨了在医疗诊断和治疗计划中支持临床的自动疾病分类的技术，并提出了一种新颖的交叉注意力网络方案（Cross-Attention Networks）来分类胸透图像以提高性能，同时结合新的损失函数，克服了数据不平衡的问题，并取得了最先进的结果。

    Jul, 2020

  • 多阶段合作学习的胸部 X 光透视与临床视觉注意预测：增强解释性

    使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

    Mar, 2024

  • 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

  • DualAttNet：基于图像级和细粒度疾病注意力的协同融合，用于胸部 X 线多标签病变检测

    本文提出一种名为 “DualAttNet” 的双重注意力监督模块，用于胸部 X 光片的多标签病变检测，并对 VinDr-CXR、ChestX-ray8 和 COVID-19 数据集进行评估。实验结果表明，DualAttNet 在不同检测体系结构下的 mAP 和 AP50 超过基线 by 0.6% to 2.7% 和 1.4% to 4.7%。

    Jun, 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

  • 胸部 X 光片疾病分类的多标签广义零样本学习

    本文提出了一种能够同时预测 CXR 图像中多个已见与未见疾病的多标签广义零样学习 (CXR-ML-GZSL) 网络，借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习，该网络在 NIH Chest X-ray 数据集上的实验表明其能够优于两个强基线方法。

    Jul, 2021

  • 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

  • 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