利用对比学习和嵌入相似性改进小儿肺炎诊断的方法-使用成年人胸部X射线图像
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
本研究提供了基于场景图的Chest ImaGenome数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的X线诊断本体论将每个CXR的注释连接为以解剖学为中心的场景图。
Jul, 2021
本文研究了利用改进的“分布平衡损失函数”训练基于深度卷积神经网络（D-CNNs）的模型来自动分类儿科肺病的多个病理学表现，为解决医师标注样本稀缺、类别不平衡等问题，作者构建了一个包含5,017份儿科胸部X光片的数据集，并证明了这种方案在准确性上的优越性。
Aug, 2021
模型初始化技术在医学计算机视觉中的深度学习模型性能和可靠性的提高至关重要。本研究探讨了三种深度模型初始化技术：Cold-start、Warm-start和Shrink and Perturb start，并重点研究了成人和儿科人群的胸部X射线影像。我们还提出了新颖的集成方法：F-score-weighted Sequential Least-Squares Quadratic Programming（F-SLSQP）和Attention-Guided Ensembles with Learnable Fuzzy Softmax，以整合来自多个模型的权重参数，并利用它们的集体知识和互补表示形式。研究结果表明，使用ImageNet预训练的权重初始化的模型在内部和外部测试中表现出卓越的泛化能力，与随机初始化的模型相比具有一致的性能，并且这些模型的权重级别集成在测试过程中具有更高的召回率(p<0.05)。因此，本研究强调了使用ImageNet预训练权重初始化的好处，尤其是与权重级别的集成一起使用，以创建强大且具有广泛适用性的深度学习解决方案。
Sep, 2023
通过模型融合的方式，将卷积神经网络和视觉Transformer网络结合起来，以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在Kaggle小儿肺炎数据集上取得了94.87%的准确率，比基准模型表现更好。
Jan, 2024
通过使用深度学习技术的移动应用程序PneumoniaAPP，我们在中国等高发地区解决了儿科医疗中诊断儿童肺炎的挑战，该应用程序利用了卷积神经网络(CNNs)对包含3345张胸部X光(CXR)图像的综合数据集进行训练，并在公共数据集的基础上进行了补充样本，其中包括了833张显示Mycoplasma pneumoniae pneumonia (MPP)的CXR图像。我们的CNN模型在所有类别上实现了88.20%的准确率和0.9218的AUROC，其中对于支原体类别的特定准确率达到了97.64%，并通过在PneumoniaAPP中集成可解释性技术来帮助呼吸科医生定位肺不透明度。我们的研究针对0-12岁的儿科MPP，优先部署在移动设备上，为儿科肺炎的诊断提供了可靠和易于获得的工具，显著推进了儿科肺炎的诊断方法，减轻了医疗诊断的负担。
Mar, 2024
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
该研究针对儿童肺炎检测中的早期诊断问题，特别是胸部X光图像处理中的低强度问题和数据不平衡问题，提出了一种新型的可解释的对比扩张卷积网络（XCCNet）。该方法结合了扩张卷积的空间特性和基于对比变压器的全局洞察，通过有效的特征优化和解释可视化，显著提高了儿童肺炎检测的准确性和可靠性。
Oct, 2024