Oct, 2023

HydraViT：自适应多支路 Transformer 用于胸部 X 光图像的多标签疾病分类

PDF
TL;DR通过将 transformer 骨干结构与多分支输出模块相结合，HydraViT 方法提高了胸部 X-ray 图像的多标签分类性能。
chest x-raydiagnostic toolconvolutional neural networksmulti-label classificationhydravit
发现论文，激发创造
  • 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

  • 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

  • CheXFusion: 多视角特征有效融合用于长尾胸部 X 射线分类的转换器

    本研究通过引入 CheXFusion，一个基于 transformer 的融合模块，结合多视图图像处理，通过自注意力和交叉注意力机制，高效聚合多视图特征并考虑标签的共现作用，进一步探索数据平衡和自训练方法以提高模型性能，在 MIMIC-CXR 测试集中取得了 0.372 mAP 的最先进结果，并在竞赛中获得第一名，突显了在医学图像分类中考虑多视图设置、类别不平衡和标签共同出现的重要性。

    Aug, 2023

  • 探究用于多标记胸部疾病分类的遮蔽自编码器

    本文介绍了一种基于自编码器预训练的视觉 Transformer 模型（ViT）在医学图像分类任务上的性能优化方法，并探讨了策略和技术详细研究。

    Oct, 2022

  • 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

  • LT-ViT：用于多标签胸部 X 射线分类的视觉 Transformer

    利用 LT-ViT 来从多个尺度聚合信息，实现对胸部 X 光图像进行纯可视化模型训练，其优于基于纯 ViTs 的现有方法，在两个公开 CXR 数据集上表现出最先进的性能，并且对于其他预训练方法具有泛化性且不依赖于模型初始化，并且能够实现模型的可解释性而无需使用 grad-cam 及其变种。

    Nov, 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

    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。

    Sep, 2023

  • DualAttNet：基于图像级和细粒度疾病注意力的协同融合，用于胸部 X 线多标签病变检测

    本文提出一种名为 “DualAttNet” 的双重注意力监督模块，用于胸部 X 光片的多标签病变检测，并对 VinDr-CXR、ChestX-ray8 和 COVID-19 数据集进行评估。实验结果表明，DualAttNet 在不同检测体系结构下的 mAP 和 AP50 超过基线 by 0.6% to 2.7% 和 1.4% to 4.7%。

    Jun, 2023

  • 使用交叉注意力网络进行多标签胸部疾病图像分类

    本研究探讨了在医疗诊断和治疗计划中支持临床的自动疾病分类的技术，并提出了一种新颖的交叉注意力网络方案（Cross-Attention Networks）来分类胸透图像以提高性能，同时结合新的损失函数，克服了数据不平衡的问题，并取得了最先进的结果。

    Jul, 2020

  • SynthEnsemble：基于 CNN、视觉 Transformer 和混合模型的多标签胸部 X 光分类的融合

    通过深度学习技术，我们使用多种预训练的卷积神经网络 (CNN)、Transformer、混合 (CNN+Transformer) 模型和经典模型，在 “ChestX-ray14” 数据集上进行实验。最佳的单一模型是 CoAtNet，其在接收器工作特性曲线下的面积（AUROC）为 84.2%。通过将所有经过训练的模型的预测组合，使用加权平均集成方法，其中每个模型的权重是通过差分进化确定的，我们进一步提高了 AUROC 至 85.4%，在该领域超越了其他最先进的方法。我们的研究结果表明，深度学习技术尤其是集成深度学习，有潜力提高从胸部 X 射线图像中自动诊断胸部疾病的准确性。

    Nov, 2023