ICCVSep, 2021

利用合成生成的计算机断层扫描 (CT) 图像改善结核病 (TB) 预测

PDF
TL;DR通过从 X 光合成生成 CT 图像，可以提高腐败性疾病分类准确性，特别地，我们研究了结核病，并展示了合成 CT 图像比基线 X 光提高了 7.50％的结核病标识能力和 12.16％的结核病特性区分能力。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自我监督学习的无监督儿科肺结核 X 射线检测

    使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

    Feb, 2024

  • 使用深度学习模型对比评估数字和模拟胸部 X 射线图像以识别结核病

    比较数字式和模拟式胸部 X 光片上基于深度学习的设备在识别结核病放射学征象方面的性能，并评估了三种手机在正确识别放射学征象方面的差异。

    Jul, 2023

  • 一种基于条件生成对抗网络的 COVID-19 CT 图像合成方法

    为满足 COVID-19 CT 成像数据需求，提出一种基于条件生成对抗网络的 CT 图像合成方法，可以高效生成高质量和逼真的 COVID-19 CT 图像，表现优于其他最先进的图像合成方法，有望应用于语义分割和分类等各种机器学习应用。

    Jul, 2020

  • 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

  • COVID-VR：基于体视学计算机断层扫描的深度学习 COVID-19 分类模型

    基于体素渲染图像的 COVID-VR 方法能够有效识别肺部病变并且在与基于切片的方法进行竞争时表现出竞争力。

    Aug, 2023

  • COVID-CT-MD: COVID-19 计算机断层扫描数据集，可应用于机器学习和深度学习

    介绍了一个新的 COVID-19 CT 扫描数据集 COVID-CT-MD，该数据集不仅包括 COVID-19 病例，而且还包括 CAP 的健康和感染主体，并标有叶片级别，切片级别和病人级别标签，有助于开发先进的基于机器学习和深度神经网络的解决方案。

    Sep, 2020