用于胸部 X 光分类的自监督深度卷积神经网络
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
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
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
本文针对肺相关疾病的早期诊断问题，通过研究三种类型的肺X光图像分类，提出了一种基于MobileNetV2的定制模型MobileNet-Lung，结合了特征层的注意力机制，成功提高分类准确率至0.933。该研究填补了现有模型在肺病分类精确度上的不足，具有显著的临床应用价值。
Aug, 2024
本研究解决了依赖传统医学方法对胸部X光图像诊断时的延迟和不准确问题。论文提出了一种新颖的检测模型AttCDCNet，通过添加注意力模块和使用焦点损失来优化诊断过程，实验证明该模型在COVID-19影像数据集上的表现超越了传统DenseNet121模型，准确率达到94.94%。
Oct, 2024