Sep, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • CheXNet: 深度学习实现胸部X光片放射学级别的肺炎检测

    研究发现通过使用基于卷积神经网络的算法CheXNet，可以高于目前实践放射科医师的水平从胸部X光片中检测出肺炎，该算法使用了目前最大的公开数据集ChestX-ray14，并可以检测数据集中的14种疾病并达到最先进的结果。

    Nov, 2017

  • 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

  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

    Apr, 2018

  • ChestNet: 用于胸部X射线分类的深度神经网络

    本文提出了ChestNet模型，它将注意力机制融合到深度卷积神经网络中，以有效诊断胸部疾病，其结果表明，在使用官方病人方式分割的Chest X-ray 14数据集上，该模型优于其他无需额外训练数据使用的方法。

    Jul, 2018

  • 使用深度卷积神经网络(CNN)进行肺炎检测的迁移学习：基于胸部X光

    使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

    Apr, 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

  • 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

  • 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

  • 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

  • 基于胸部X光图像的肺结核分类的少样本学习方法

    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