Feb, 2024

基于深度学习的胸部 X 射线严重程度评估的序数回归框架

PDF
TL;DR本研究调查了应用顺序回归方法对胸部 X 射线片中的疾病严重程度进行分类。我们提出了一个框架，将顺序回归问题分为三个部分：模型、目标函数和分类函数。我们使用 ResNet50 和 ViT-B-16 深度学习模型应用了不同的编码方法，包括独热编码、高斯编码、进度条编码和我们的软性进度条编码。我们表明编码的选择对性能有很大影响，最佳编码方法取决于所选择的 Cohen's kappa 的加权方式，以及所使用的模型架构。我们在 GitHub 上公开了我们的代码。
ordinal regression methodsdisease severitychest radiographsencoding methodsdeep learning models
发现论文，激发创造
  • 从医学序数标签预测连续分数的通用框架

    该研究提出了一种基于离散等级标签来预测连续值变量的框架，在三项临床预测任务中取得了较好效果，并证明了该方法通过蒙特卡罗 dropout 可以提高预测准确性。

    May, 2023

  • 神经网络的等级一致序列回归及其在年龄估计中的应用

    利用深度学习中基于序列回归的神经网络模型进行年龄预测的研究中，提出了一种新的一致性排序逻辑（CORAL）框架，用于提高预测准确率。

    Jan, 2019

  • 通过先验知识引导的深度强化学习框架用于胸部疾病分类

    本论文提出基于深度强化学习的诊断模型，并引入先验知识来指导诊断算法的学习，通过不断探索来提高诊断的准确性和模型的泛化能力，并在 NIH ChestX-ray 14 和 CheXpert 数据集上取得了竞争性的结果。

    Jun, 2023

  • 学习视觉语义嵌入用于报道胸部 X 光上的异常发现

    该论文提出了一种基于交叉模态检索的自动医学图像报告生成方法，该方法可以从报告中识别异常发现，并将它们与无监督聚类和最小规则分组，通过使用提出的有条件构建的视觉 - 语义嵌入进行图像和小粒度异常发现对齐，其能够更好地检索异常发现并在临床正确性和文本生成度量方面优于现有的生成模型。

    Oct, 2020

  • 使用胸部 CT 扫描的集成深度学习方法进行 COVID-19 严重性预测

    利用深度学习的集成模型和强大的测试时间数据增强技术，从胸部 CT 扫描中预测 COVID-19 的严重程度，并在 STOIC2021 COVID-19 AI Challenge 中获得第四名。

    May, 2023

  • 基于多模型深度学习方法的自动胸片报告生成器

    通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

    Sep, 2023

  • 自动化 COVID-19 存在与严重程度分类

    利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

    May, 2023

  • 自训练深度序数回归用于端到端视频异常检测

    采用自训练的深度序列回归方法进行视频异常检测，克服了训练数据需手动标注的限制，具有优秀的特征学习能力并实现了联合表示学习和异常评分，并在八个真实世界视频场景中表现出较高的性能，可应用于人机交互式视频异常检测。

    Mar, 2020

  • 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

  • 胸部 X 光片的多标记分类的强化级联卷积神经网络

    本研究通过训练深度学习模型，提出了一种能够诊断 14 种疾病的级联深度神经网络，其表现优于基线并与其他已发布的方法竞争，探讨了针对 ChestX-ray14 数据集的训练 DCNN 的损失函数选取和使用级联建模标签依赖性以及提高深度学习模型准确性的问题。

    Nov, 2017