ICLRApr, 2021

使用 U-Net 和分割技术预测结核病

PDF
TL;DR本研究旨在通过使用 MODS 方法和无镜头显微镜来便利和自动化诊断结核病，同时使用 U-Net 网络对数据集进行自动分割，以预测结核病的发生。结果显示出对结核病细胞的自动分割表现出很好的精确度，因此可有望用于结核病的自动诊断。
tuberculosisdiagnosismods methodlens-free microscopyu-net network
发现论文，激发创造
  • 利用无镜显微图像进行肺结核自动语义分割预测

    本研究旨在通过使用 MODS 法和无镜显微镜来自动化和简化肺结核的诊断。我们使用 U-Net 网络在收集的数据集中进行 TB 线索的自动分割，在自动分割 TB 线索方面，我们的初步结果显示了有希望的证据。

    Jul, 2020

  • 利用胶囊神经网络在无透镜显微图像中预测结核病

    本文研究使用 MODS 方法和无镜显微技术自动预测结核病，采用 CapsNet 网络结构，结果优于传统的 CNN 网络结构。

    Jul, 2020

  • 一种轻量级、快速、高效的深度卷积网络用于胸透结核检测

    提出了 LightTBNet，一种新颖的轻量级、快速和高效的深度卷积网络，专门用于从 X 射线图像中检测结核病，拥有出色的性能和快速预测，适用于在结核病高发地区使用的便携设备。

    Sep, 2023

  • 用可解释自监督深度神经网络增强结核筛查

    结核病在全球资源匮乏的人群和偏远地区持续存在，每年新增感染者超过 1000 万人，是公共卫生领域不平等的显著象征。通过介绍一种针对结核病筛查的可解释自监督自训练学习网络，本研究实现了 98.14% 的出色总准确率，并在 95.72% 的召回率和 99.44% 的精确率下，有效捕获临床重要特征。

    Jun, 2024

  • 基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

    提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。

    Mar, 2018

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

    Oct, 2023

  • 利用机器学习预测结核病治疗结果：卡纳塔克邦结核病数据研究

    该研究通过使用机器学习，特别是结合表格数据，更准确地预测结核病（TB）的治疗结果，将这一预测任务转化为二元分类问题，并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分，在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理（NLP）在模型学习中的应用，通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响，并提出了未来的研究方向，展示了机器学习在医疗保健中的潜力。

    Mar, 2024

  • 重新审视计算机辅助结核病诊断

    结核病是全球主要的健康威胁，深度学习在计算机辅助结核病诊断方面取得了进展，但训练数据有限。为此，本文建立了一个大规模数据集 TBX11K，其中包含 11200 个带有肺结核区域边界框标注的胸部 X 光图像。此数据集可用于训练高质量计算机辅助结核病诊断模型，并提出了一种基准模型 SymFormer，通过对 CXR 图像的边界对称性进行处理来学习判别性特征。SymFormer 在 TBX11K 数据集上取得了最先进的性能，并提供了数据、代码和模型。

    Jul, 2023

  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    通过提出的一种基于深度学习的自动分割算法，在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现，为实现对 COVID-19 肺部感染的量化诊断打下了基础。

    Apr, 2020

  • TBDLNet：分类多重耐药和药物敏感的肺结核网络

    该论文提出将一种新型深度学习模型 TBDLNet 应用于识别 CT 图像，以自动分类多重耐药结核和药物敏感性结核。

    Oct, 2023