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

本文介绍了一种名为 SCAN 的结构校正对抗网络，用于在胸部 X 射线图像中分割肺部和心脏，通过扶持的方法使网络学习到高阶结构，最终取得了人类水平的性能。

Mar, 2017

提出了一种新颖的方法，在 2D 胸部放射学图像上训练深度学习模型进行自动肺气肿分割，通过将肺 + 空间作为约束来提高分割性能。

Nov, 2023

本文提出一种新的图像分解生成对抗网络（DecGAN）用于对胸部 X 光片进行解剖分解，利用了 CT 嵌入的解剖知识，并通过诸如分解损失、对抗损失和循环一致性损失等方式确保了解剖分解结果的真实性和可靠性，实验表明该方法能够优于现有方法在预测肺部疾病方面的表现。

Sep, 2019

肺部掩模创建缺乏明确的标准和规范指南，导致注释者之间存在较高的主观性。在这项研究中，我们通过与计算机断层扫描（CT）评估的总肺容积进行比较，评估了按照当前最先进方法创建的胸部 X 线分割掩模上的肺部区域的低估情况。我们发现，通过遵循心脏、纵隔和膈肌的轮廓创建的肺部 X 线掩模严重低估肺部区域，并从进一步评估中排除了很大部分肺部，这可能导致许多临床错误。

Feb, 2024

本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

Dec, 2020

本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

Jan, 2017

本研究提出了一种新的肺部分割框架，包括基于交叉关注的分割网络和放射真实胸部 X 射线图像合成用于数据增强。同时，使用图像到图像的翻译模块来合成放射学异常胸片器用于数据增强，并阐明了该框架的稳健性和有效性。

Apr, 2019

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

通过六个公开数据库的统一和精细的解剖学标注，提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中，使用 HybridGNet 模型进行严格的验证和高质量的分割，提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 X 射线分析方法的开发和评估具有重要价值。

Jul, 2023