Feb, 2024

BarlowTwins-CXR：跨领域自监督学习增强异质数据中的胸部X光异常定位

HTML
PDF
TL;DRBarlowTwins-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。
发现论文，激发创造
  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

    Apr, 2018

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    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

  • 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

  • 深度挖掘外部不完美数据用于胸部X光疾病筛查

    本文提出了一种用于Chest X-ray的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC达到了0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

    Jun, 2020

  • 你有两位教师：胸部X射线半监督解剖异常检测的共同进化图像和报告提炼

    该研究提出了一种半监督的胸部X射线异常检测方法，使用放射学报告的文本分类结果和视觉检测结果互相辅助，通过伪标签改进技术提高性能。实验结果表明其在公共的MIMIC-CXR基准上的表现优于其他现有的弱监督和半监督方法。

    Jul, 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

  • 机器学习：从胸部X射线片中分割肺部异常

    CheX-nomaly模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强U-net模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • DiCoM -- 提高胸部X射线研究普适性的多样概念建模

    Chest X-Ray used in diagnosis and prognosis of lung and heart conditions. Introducing Diverse Concept Modeling (DiCoM) for self-supervised pre-training of CXR data, achieving robust performance in downstream tasks and outperforming other pre-training strategies.

    Feb, 2024

  • 基于混合卷积神经网络-变换器架构的胸部X射线疾病计算机辅助诊断

    通过将DenseNet121卷积神经网络与自注意力机制相结合的SA-DenseNet121模型，可以在胸部X射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

    Apr, 2024

  • 自监督学习构建稳健的儿童胸部X光分类模型

    本研究解决了现有儿童胸部X光图像数据集匮乏导致模型在儿科诊断中的应用受限的问题。提出的SCC方法结合了迁移学习和自监督对比学习，并通过无监督对比增强技术来提高性能。结果表明，SCC在未见数据集上的表现显著优于传统迁移学习，并且在少量标注图像的情况下达到了相同的分类精度。

    Aug, 2024