Sep, 2021

REFLACX, 一份用于胸部X光异常定位的报告和眼动追踪数据集

HTML
PDF
TL;DR本文提出了一种潜在可扩展的方法，使用眼动仪和麦克风来收集隐式本地化数据，从而创建了REFLACX数据集（包括3032个同步集）。该数据集由五位放射科医生标记并包含了对MIMIC-CXR数据集中2616种胸部x光片的时间戳报告转录。此外，提供了包含心肺轮廓和异常标注的辅助标注，可用于计算多用户之间的一致性得分。
发现论文，激发创造
  • ChestX-ray8:医院规模的胸部X光数据库和关于常见胸部疾病弱监督分类和定位的基准测试

    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

  • 利用位置感知稠密网络学习识别胸部X光异常

    本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

    Mar, 2018

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

    Jan, 2020

  • 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

  • 临床推理胸部影像数据集

    本研究提供了基于场景图的Chest ImaGenome数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的X线诊断本体论将每个CXR的注释连接为以解剖学为中心的场景图。

    Jul, 2021

  • 将眼动数据整合到胸部X线DL方法中：初步研究

    本文提出了一种新颖的多模态 DL 结构，结合医学图像和眼动数据用于检测胸部 X 射线异常，结果表明将眼动数据直接应用于 DL 结构并不能表现出优越的预测性能，在 DL 结构中应用人类生成的数据，比如眼动数据，需要更全面深入的研究。

    Feb, 2023

  • 你有两位教师：胸部X射线半监督解剖异常检测的共同进化图像和报告提炼

    该研究提出了一种半监督的胸部X射线异常检测方法，使用放射学报告的文本分类结果和视觉检测结果互相辅助，通过伪标签改进技术提高性能。实验结果表明其在公共的MIMIC-CXR基准上的表现优于其他现有的弱监督和半监督方法。

    Jul, 2023

  • 机器学习：从胸部X射线片中分割肺部异常

    CheX-nomaly模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强U-net模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • 利用隐私保护的大型语言模型和多类型标注增强胸部 X 光数据集：提高分类的数据驱动方法

    使用MAPLEZ方法，使用基于规则的系统从CXR报告中提取和增强发现标签，包括存在性、位置、严重程度以及放射科医生对发现的不确定性，并在分类监督中取得了显著的模型质量提升

    Mar, 2024

  • ChEX：胸部X光片的交互式定位和区域描述

    通过结合文本提示和边界框，我们提出了一种新颖的多任务架构和训练方法，用于解决医学图像的报告生成和解释性问题。我们称之为胸部 X 射线解释器（ChEX）。通过在9个不同的胸部X射线任务中进行评估，包括定位图像解释和报告生成，我们展示了ChEX与SOTA模型的竞争力，并进一步分析证明了ChEX的交互能力。

    Apr, 2024