Mar, 2019

利用大型胸部 X 光数据集进行年龄预测

PDF
TL;DR本文应用深度学习技术，以胸部 X 光片为数据集，采用回归模型对人的年龄进行预测，并探索了激活图以识别影响预测的重要区域，发现在正确预测的 X 光片中，在锁骨、肩膀、脊柱和纵膈部等部位最活跃，在异常预测的 X 光片中则可能出现疾病模式，可以用于评估患者健康状况与其年龄预期平均值之间的差距。
发现论文，激发创造
  • 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

  • 使用深度学习和胸部 CT 放射学特征进行自动化 5 年死亡率预测

    通过胸部计算机断层扫描和分割多种解剖结构的地图，提出使用分类器预测老年人 5 年死亡率的新方法。所提出的模型可在预防和个性化医疗方面产生深远影响。

    Jul, 2016

  • 胸部 X 光分析的深度学习：一份调查

    本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

    Mar, 2021

  • X 射线识别：使用对比目标从 X 射线中识别患者身份

    本文研究表明深度学习模型能够精确提取来自患者胸部 X 光片的生物信息（例如种族、性别和年龄）。此外，我们还发现深度学习模型在识别方面也非常准确，即可以区分属于同一患者和属于不同患者的 CXRs。这些发现暗示了医学成像社区在公共 CXR 数据库大量增加的情况下应考虑的潜在隐私问题。

    Apr, 2023

  • 胸部 X 射线图像分类：因果关系视角

    本文用因果学方法构建了结构性因果模型 (SCM)，利用反向门控调整选取肺部 X 光的有效视觉信息，去除混杂物对真实因果性学习的影响，实验结果表明，我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。

    May, 2023

  • 基于 RNN 患者监测的胸部 X 光分类改进

    本文研究了利用病人历史记录信息的 CNN 图像分类模型。模型使用了 Chest X-Ray 成像技术，利用机器学习算法进行自动评估，展示出使用病人历史记录等附加信息时分类模型的性能显著提高。

    Oct, 2022

  • 应用于胸部 X 光片的深度学习：利用和预防快速通道

    本研究研究了深度学习应用于胸部 X 光片的自动诊断疾病方面存在的问题，提出了针对偏斜类别的解决方案，并通过简单的迁移学习方法进行了验证。

    Sep, 2020

  • 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

  • 胸部 X 射线图像的弱监督异常检测

    针对少样本异常图像的弱监督胸部 X 光检测方法（WSCXR）的研究。WSCXR 通过利用异常特征挖掘消除正常区域特征并采用线性混合策略增强异常特征，从而充分利用疾病区域的关键特征，实现了对异常图像的有效检测。

    Nov, 2023