Jun, 2024

FA-Net：一种基于模糊注意力的深度神经网络在胸部 X 光片中的肺炎检测

PDF
TL;DR通过使用胸片 X 光图像，开发了一种计算机辅助诊断系统以自动检测肺炎，该系统使用 DenseNet-121 和 ResNet50 作为二元分类（肺炎和正常）和多分类（细菌性肺炎，病毒性肺炎和正常）任务的主干，并实现了一种名为 Fuzzy Channel Selective Spatial Attention Module（FCSSAM）的通道特定空间注意机制，用于突出显示相关通道的特定空间区域，同时通过主干提取的特征去除无关通道。该方法在公开可用的胸片 X 光数据集上进行了评估，使用二元和多分类设置，准确率分别为 97.15% 和 79.79%，结果优于最先进的方法。
发现论文，激发创造
  • 使用深度神经网络预测肺炎和 COVID-19

    本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。

    Aug, 2023

  • 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测

    通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

    Dec, 2023

  • 使用深度卷积神经网络 (CNN) 进行肺炎检测的迁移学习：基于胸部 X 光

    使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

    Apr, 2020

  • 深度学习自动检测肺炎

    本研究提出一种使用单镜头探测器、深度卷积神经网络、增强和多任务学习的计算方法，用于肺炎区域的自动检测，并在北美放射学会肺炎检测挑战中实现了最佳结果。

    May, 2020

  • CheXNet: 深度学习实现胸部 X 光片放射学级别的肺炎检测

    研究发现通过使用基于卷积神经网络的算法 CheXNet，可以高于目前实践放射科医师的水平从胸部 X 光片中检测出肺炎，该算法使用了目前最大的公开数据集 ChestX-ray14，并可以检测数据集中的 14 种疾病并达到最先进的结果。

    Nov, 2017

  • 通过卷积神经网络和视觉变换器的模型级集成来提高肺炎检测的新方法

    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

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

    Oct, 2023

  • 使用深度学习技术检测新冠肺炎与社区获得性肺炎的胸部 CT 影像

    该研究提出一种基于卷积神经网络的两阶段分类框架，用于检测使用胸部计算机断层扫描图像进行 COVID-19 和社区获得性肺炎 (CAP) 的分类。该框架的切片级分类准确率达到 94％以上。在 COVID-19，CAP 和健康分类的更精细的三路分类方面，该框架的验证准确度超过 89.3％。经 IEEE ICASSP 2021 信号处理大挑战 (SPGC) 验证，该框架的总体准确率达到 90％，敏感度分别为.857, .9 和.942，以在评估中排名第一。

    Apr, 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

  • 用于多类胸部感染诊断的深度残差卷积神经网络

    基于深度学习的残差卷积神经网络模型在多类别胸部感染诊断中展示了 93% 的准确率，但对纤维化等不同类别的性能差异表明了自动医学图像诊断的复杂性和挑战，同时为未来的研究提供了方向和改进建议。

    Nov, 2023