如何驾驭胸部 X 光数据的长尾?
通过整合多种先进设计,例如数据增强、特征提取器、分类器设计、损失函数加权、外生数据补充等,以及简单的测试时数据增强和集成,我们的框架在 ICCV CVAMD 2023 CXR-LT 比赛的测试集上最终实现了 0.349 的 mAP,排名前五。
Aug, 2023
在医学图像识别中,我们提出了一个长尾多标签疾病分类的问题,并通过一个公开的挑战 (CXR-LT) 提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题,并提出了对于长尾多标签医学图像分类的实用建议,最后,我们利用这些观察结果提出了基于视觉语言模型的少标签和零标签疾病分类的前进方向。
Oct, 2023
通过创建融合了常见和罕见胸部疾病的新数据集 “LTML-MIMIC-CXR”,我们提出了一种基准方法来解决胸部 X 光片中罕见疾病检测的问题,其中包括了自动标注修正的大型损失重新考虑策略和针对尾部类别负 logit 过抑制的自适应负正则化方法。我们在 LTML-MIMIC-CXR 上的评估显示出罕见疾病检测的显著进展,为稳健的计算机辅助诊断方法提供了基础,以达到在胸部 X 光片中识别一系列胸部疾病的平衡。
Nov, 2023
本文提出了一种用于 Chest X-ray 的多标签分类深度学习框架,通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练,处理多个数据集之间的差异性,提高了分类准确度。在三个数据集上实验,AUC 达到了 0.8349,表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。
Jun, 2020
该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架,用于预测 14 种常见胸部疾病的风险,同时针对常见胸透数据集中不确定样本占据的显著比例,提出了标签平滑技术。在超过 200k 的数据集上训练,该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数,表现高于独立测试集中的其他三位医学专家,该方法在 CheXpert 排行榜上排名第一。
Nov, 2019
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
本文用因果学方法构建了结构性因果模型 (SCM),利用反向门控调整选取肺部 X 光的有效视觉信息,去除混杂物对真实因果性学习的影响,实验结果表明,我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。
May, 2023
针对少样本异常图像的弱监督胸部 X 光检测方法(WSCXR)的研究。WSCXR 通过利用异常特征挖掘消除正常区域特征并采用线性混合策略增强异常特征,从而充分利用疾病区域的关键特征,实现了对异常图像的有效检测。
Nov, 2023
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
本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究,并对图像级预测(分类和回归)、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用,并提供了关于现有技术水平和未来潜在方向的全面讨论。
Mar, 2021