Apr, 2022

用于胸部 X 光片结果定位分类的空间保留平面化技术

PDF
TL;DR本研究基于自动编码训练出一种新的深度学习神经网络，能够保留解剖结构和空间位置信息，通过对胸部 X 光片的异常评估，实现精确定位和分类，相较现有方法有了显著提升。
deep learningchest x-raysanomaly classificationlocation awarenessauto-encoding
发现论文，激发创造
  • 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

  • AnaXNet：基于解剖学的胸部 X 光多标签病变定位分类

    本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

    May, 2021

  • 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

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 应用于胸部 X 光片的深度学习：利用和预防快速通道

    本研究研究了深度学习应用于胸部 X 光片的自动诊断疾病方面存在的问题，提出了针对偏斜类别的解决方案，并通过简单的迁移学习方法进行了验证。

    Sep, 2020

  • 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

  • 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

  • 细粒度标签学习在胸部 X 射线检查报告生成中的应用

    通过一种具有领域知识的自动生成算法和深度学习网络，对于胸部 X 光片的影像可实现自动标记并生成描述性报告，其精度优于现有的状态评价指标，如先前的自动化方法无法准确检测广泛的放射学发现。

    Jul, 2020

  • 深度学习在胸部 X-Ray 报告中理解空间语言的表示框架，标注和空间关系提取

    该研究提出了一种基于深度学习自然语言处理的方法，通过从放射学报告中提取空间信息，包括放射学发现、解剖位置、可能诊断以及相关避免使用术语等，从而为诊断提供详细信息。

    Aug, 2019

  • 寻找意识到的胸部 X 光机器自动报告的解剖标记

    通过使用任务感知的解剖结构特征提取方法，我们在自动化报告流程中整合任务感知的解剖结构特征，并取得了临床准确性提高的最新成果。

    Aug, 2023