Nov, 2023

胸部 X 光片中的胸部疾病具有噪声标签的长尾多标签分类

PDF
TL;DR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。
chest x-rayscomputer-aided diagnosisrare diseasesdatasetlong-tailed multi-label classification
发现论文，激发创造
  • 基于胸部 X 射线的长尾、多标签疾病分类研究概述：CXR-LT 挑战的综述

    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

  • 胸部 X 光片的长尾多标签分类的技巧包

    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

  • 如何驾驭胸部 X 光数据的长尾？

    通过为模型选择更接近目标数据集领域的初始化方法，结合已有文献中的技术，以及利用合成数据增强尾部标签，可以显著提高深度学习模型在胸部 X 光图像中推断罕见异常的性能。

    Sep, 2023

  • 大规模长尾疾病放射学图像诊断

    研究针对放射学图像的大规模、大词汇疾病分类问题进行调查，该问题可被定义为多模态、多解剖结构、多标签、长尾分类，三个主要贡献为：（i）构建一个包含 5568 个隶属于 930 个唯一 ICD-10-CM 编码的疾病的学术可访问的大规模诊断数据集，包含 39026 例病例（192675 张扫描）；（ii）提出一种新的架构，可以处理任意数量的来自不同成像模态的输入扫描，通过知识增强进行训练以利用丰富的领域知识；（iii）针对多模态多解剖结构长尾诊断初始化了一个新的基准测试。我们的方法在该基准测试上展示了优越的结果。此外，我们的最终模型可以作为预训练模型，可以进行微调以从各种外部数据集中受益于诊断。

    Dec, 2023

  • ChestX-ray8: 医院规模的胸部 X 光数据库和关于常见胸部疾病弱监督分类和定位的基准测试

    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

  • 利用卷积神经网络解释胸部 X 射线，利用分层疾病依赖性和不确定标签

    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

  • 拓展视野：为长尾胸部 X 光分类实现混合量子迁移学习

    我们使用基于 Jax 的框架实现了用于长尾 CXR 分类的混合量子迁移学习的可访问实现。

    Apr, 2024

  • 使用密集卷积神经网络对胸部 X 光影像进行多标签分类的研究

    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

  • 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

  • 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