Nov, 2019

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

    Apr, 2018

  • CheXpert：一份具有不确定性标签和专家比较的大型胸透数据集

    CheXpert是一个包含224,316个患者的65,240个胸部X射线片的大型数据集，通过自动检测放射学报告中14个观察结果的存在来捕捉放射X线解释中固有的不确定性，并且利用不同的不确定性方法来训练卷积神经网络，将此数据集作为标准基准来评估胸部X射线解释模型的性能。

    Jan, 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

  • 深度挖掘外部不完美数据用于胸部X光疾病筛查

    本文提出了一种用于Chest X-ray的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC达到了0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

    Jun, 2020

  • 胸部疾病识别的多对一分布学习和K-最近邻平滑方法

    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

  • 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

  • 使用深度卷积神经网络在儿科胸部X光片中自动诊断多种疾病

    本文研究了利用改进的“分布平衡损失函数”训练基于深度卷积神经网络（D-CNNs）的模型来自动分类儿科肺病的多个病理学表现，为解决医师标注样本稀缺、类别不平衡等问题，作者构建了一个包含5,017份儿科胸部X光片的数据集，并证明了这种方案在准确性上的优越性。

    Aug, 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

  • 基于多关系图学习的专家不确定性和严重程度感知胸部X光分类

    通过考虑疾病的严重程度和不确定性，从胸部X射线报告中重新提取疾病标签，设计了具有专家不确定性感知损失函数的多关系图学习方法，实验结果表明模型在疾病严重程度和不确定性方面优于最先进的方法。

    Sep, 2023

  • 基于胸部X射线的长尾、多标签疾病分类研究概述：CXR-LT挑战的综述

    在医学图像识别中，我们提出了一个长尾多标签疾病分类的问题，并通过一个公开的挑战(CXR-LT)提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题，并提出了对于长尾多标签医学图像分类的实用建议，最后，我们利用这些观察结果提出了基于视觉语言模型的少标签和零标签疾病分类的前进方向。

    Oct, 2023