Sep, 2023

MVC: 一种用于从胸部 X 光图像进行 COVID-19 诊断的多任务视觉变压器网络

PDF
TL;DR使用计算机算法进行医学图像分析在过去的十年中引起了研究界的广泛关注并取得了巨大进展。本文提出了一种新方法，即多任务视觉 Transformer（MVC），用于同时对胸部 X 射线图像进行分类和识别受影响的区域，实验证实了该方法在图像分类和受影响区域识别任务上的优越性。
medical image analysiscomputer-based algorithmsdeep learning modelsmulti-task diagnosischest x-ray images
发现论文，激发创造
  • 基于视觉 Transformer 的胸部 X 射线 COVID-19 检测研究

    COVID-19 检测中，迁移学习结合视觉变换器是一种有效的方法，并且在实验中显示出了优于传统方法和卷积神经网络的表现，这证明了视觉变换器在改进临床筛查和诊断的效率和准确性方面具有潜力。

    Jul, 2023

  • 基于 Vision Transformer 技术对胸部 X 光图像进行分析以提高 COVID-19 诊断

    本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

    Jun, 2023

  • COVID-VIT：基于视觉变换模型的 CT 胸部图像 COVID-19 分类

    本文通过建立可解释的视觉 Transformer 深度学习技术，旨在基于胸部 X 线片预测 COVID-19 肺炎的诊断结果，以期进行更快速、准确和规范的人群筛查，通过对病人的三维数据进行二分类的训练，分析和探究了两种深度学习方法，即建立在传统卷积神经网络（CNN）基础上的 DenseNet 和基于关注模型的视觉 Transformer，结果表明视觉 Transformer 表现更佳，F1 分数为 0.76。

    Jul, 2021

  • StudyFormer：基于注意力和动态多视角分类器的 X 光图像研究

    该文提出了一种利用卷积神经网络和视觉变压器结合的方法，用于从多视角合并信息以提高 X 射线图像分类性能，实验表明该方法超越了单视角模型以及传统的多视角分类架构。

    Feb, 2023

  • COVID-19 预测的多数据集多任务学习

    利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

    May, 2024

  • 使用迁移学习检测胸部 X 光图像中的 COVID19

    本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

    Apr, 2023

  • 使用低层胸部 X 光特征语料库的视觉变换器，用于 COVID-19 诊断和严重程度量化

    本论文提出了一种创新的 Vision Transformer 算法用于诊断和量化 COVID-19 的严重程度，通过使用基础网络提取常见的胸片异常结果，并利用其嵌入特征作为 Transformer 模型的语料库，实现了针对 CXR 的目标。实验结果显示，该模型在诊断和严重程度量化任务上具有卓越的泛化能力和最先进的性能，这是广泛部署所必需的。

    Apr, 2021

  • 卷积神经网络、ResNet 和视觉 Transformer 在胸部疾病多分类中的比较研究

    使用大规模语言模型和 Transformer 架构，基于 ViT 模型，在多标签分类任务中对胸部 X 射线图像进行准确的肺部疾病诊断。

    May, 2024

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • 通过卷积神经网络和视觉变换器的模型级集成来提高肺炎检测的新方法

    通过模型融合的方式，将卷积神经网络和视觉 Transformer 网络结合起来，以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在 Kaggle 小儿肺炎数据集上取得了 94.87% 的准确率，比基准模型表现更好。

    Jan, 2024