Feb, 2024

学习低秩特征用于胸腔疾病分类

PDF
TL;DR该研究论文主要介绍了一种适用于各类神经网络的新型低秩特征学习（LRFL）方法，通过在预训练的神经网络上应用 LRFL 方法来实现胸部疾病分类，在多类别分类区域下具有更好的分类结果（mAUC 和准确度）。
deep neural networksthorax disease classificationfeature extractionlow-rank feature learningmedical image analysis
发现论文，激发创造
  • 像放射科医生一样进行诊断：面向胸部疾病分类的注意力引导卷积神经网络

    本研究提出了一种三分支注意力引导卷积神经网络（AG-CNN），它可从特定于疾病的区域学习以避免噪声和提高对齐性，并与全局分支相结合，从而产生了准确的胸部 X 射线诊断。

    Jan, 2018

  • 探究用于多标记胸部疾病分类的遮蔽自编码器

    本文介绍了一种基于自编码器预训练的视觉 Transformer 模型（ViT）在医学图像分类任务上的性能优化方法，并探讨了策略和技术详细研究。

    Oct, 2022

  • 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

  • 基于注意力引导的课程学习，用于胸部 X 光片弱监督分类和定位

    利用放射学报告中的疾病严重程度信息，基于卷积神经网络的注意力引导课程学习（AGCL）框架进行胸部疾病的联合分类和弱监督定位，提高了分类 AUC 和定位召回率和精度。

    Jul, 2018

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    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

  • 利用胸部 X 射线图像进行 COVID-19 和病毒性肺炎诊断的深度生殖特征生成框架

    该研究提出了一种使用 8 种预训练的卷积神经网络和自编码器的二阶段特征提取框架，可以基于胸部 X 光片确定患者的健康状况（COVID-19、正常、病毒性肺炎），并在二元分类方面优于其他预先训练特征提取器的框架，在三级分类方面显示出具有竞争力的结果。该方法适用于医学图像数据的分析。

    Apr, 2023

  • 学习阅读胸部 X 光片：基于循环神经级联模型的自动图像注释

    本文介绍了一种利用深度学习模型进行图像内疾病检测和标注的方法，通过采用卷积神经网络和循环神经网络进行训练，可以有效提高图像注释结果的准确性。

    Mar, 2016

  • 用于胸部 X 光分类的自监督深度卷积神经网络

    本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

    Mar, 2021

  • 胸部疾病识别的多对一分布学习和 K - 最近邻平滑方法

    本文介绍了 Chest X-rays 疾病识别与深度学习技术中使用的 many-to-one distribution learning 和 K-nearest neighbor smoothing 方法，通过对现有的公共数据集进行测试，结果表明该模型在疾病识别方面的表现优于现有的最先进方法。

    Feb, 2021

  • ChestNet: 用于胸部 X 射线分类的深度神经网络

    本文提出了 ChestNet 模型，它将注意力机制融合到深度卷积神经网络中，以有效诊断胸部疾病，其结果表明，在使用官方病人方式分割的 Chest X-ray 14 数据集上，该模型优于其他无需额外训练数据使用的方法。

    Jul, 2018