本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部X射线或CT图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。
Nov, 2022
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
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。
该研究旨在开发一种能够在胸部X光片中识别肺炎是否存在的软件，该软件采用基于机器学习的迁移学习技术建立了一个计算模型。经过训练后，该模型在新图像中表现出显著的肺炎识别结果，对于测试样本，敏感性达到98％，特异性达到97.3％。因此可以得出结论，可以开发出一种能够在胸部X光片中识别肺炎的软件。
Sep, 2023
使用扩散模型的合成数据补充对胸部X射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。
Nov, 2023
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
通过深度学习技术，本研究旨在将不同的肺部疾病分为五类，并以96.21%的准确率通过Xception模型进行分类和诊断。
Apr, 2024
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
本研究解决了肺结核胸部X光数据集中的类别不平衡问题，提出了一种基于原型网络的少样本学习方法。实验表明，相较于其他方法，所提方法在分类准确性上显著提高，尤其适用于疾病分类的应用，具有重要的临床价值。
Sep, 2024
本研究解决了如何生成合成胸部X光图像以优化深度学习模型在分类和分割任务中的性能的问题。通过使用潜在扩散模型并结合放射科医师的反馈，提出了一种新方法来提升合成数据的质量。实验结果表明，合成数据在分类和分割任务中均显著提高了模型性能，具有重要的应用潜力。
Nov, 2024