本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

Mar, 2018

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

BarlowTwins-CXR 通过自监督学习策略显著提高了胸部 X 射线图像异常定位的效率和准确性，超越了传统的迁移学习方法，并有效地解决了跨域场景中的领域不一致问题。我们的实验结果表明，利用自监督学习可以提高在医学环境中具有有限异构数据的模型的泛化能力。

Feb, 2024

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

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

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

本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

Feb, 2022

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

Jan, 2020