胸部 X 光片疾病分类的多标签广义零样本学习

Jul, 2021

胸部 X 光片疾病分类的多标签广义零样本学习

Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs

Nasir Hayat, Hazem Lashen, Farah E. Shamout

TL;DR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。

Abstract

Despite the success of deep neural networks in chest X-ray (CXR) diagnosis, supervised learning only allows the prediction of disease classes that were seen during training. At inference, these networks cannot predict an unseen disease class. Incorporating a new class requires the coll

deep neural networks cxr diagnosis zero-shot learning medical text corpus nih chest x-ray dataset

发现论文，激发创造

基于通用跨领域多标签少样本学习的胸部 X 光图像识别

利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部 X 射线异常分类，实验证明其优于传统方法。

Sep, 2023

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

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

GraphX$^{NET}$- 极端微弱监督下的胸部 X 光分类

本论文提出了一种基于图形优化模型、使用半监督学习的新型 X 射线分类框架，采用精选课程先验的新多类分类功能，证明了该方法产生竞争性结果，并极大地减少了注释数据的需求。

Jul, 2019

COVID-19 CT 扫描和未整理的报告的零样本多标签分类的经验分析

使用未结构化数据和 CT 扫描进行零样本多标签分类来诊断 COVID-19，以改善医学影像分析中的精度和效果。

Sep, 2023

COVID-19 预测的多数据集多任务学习

利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

May, 2024

用于胸部 X 光分类的自监督深度卷积神经网络

本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

Mar, 2021

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

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

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。

Jul, 2018

泛零样本学习生成对抗网络

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018