Jul, 2024

LeDNet: 多标签放射影像分类的定位启用深度神经网络

HTML
PDF
TL;DR利用新颖的局部化技术和卷积神经网络，我们通过胸部 X 光图像检测胸廓疾病，并且使用 Lung Disease Prediction Network（LeDNet）来提高准确性。我们通过局部化方法提取胸部 X 光图像的肺部区域面具，并将其叠加在原始 X 光图像上，形成面具叠加图像，然后使用 DenseNet-121 分类模型选择特征进行疾病分类预测。我们的实验证明了原始 CheXpert 图像和面具叠加图像的分类结果并进行了准确性和损失曲线分析。
发现论文，激发创造
  • ChestX-ray8:医院规模的胸部X光数据库和关于常见胸部疾病弱监督分类和定位的基准测试

    本文介绍了一个新的胸部X光数据库，名为“ ChestX-ray8 ”，其中包括108948个患者的32,717个独特患者的前瞻性X光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的“阅读胸部X射线”（仅通过图像级标签训练）仍然是完全自动化的高精度CAD系统的艰巨任务。

    May, 2017

  • 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

  • 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

  • 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

  • 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

  • AnaXNet：基于解剖学的胸部X光多标签病变定位分类

    本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

    May, 2021

  • 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

  • InfLocNet：基于轻量深度学习的胸部X光图像增强肺部感染定位与疾病检测

    本研究针对肺部疾病（尤其是COVID-19和肺炎）诊断中的检测和定位不足问题，提出了一种基于轻量深度学习的分割-分类网络。通过使用预训练的VGG-16权重，研究展示了在有限训练数据下仍能实现的强大表现，最终实现了肺区域分割和感染区域定位的高准确率，具有实时和资源有限环境下的应用潜力。

    Aug, 2024

  • Attention增强的X光图像胸部疾病分类的AttCDCNet

    本研究解决了依赖传统医学方法对胸部X光图像诊断时的延迟和不准确问题。论文提出了一种新颖的检测模型AttCDCNet，通过添加注意力模块和使用焦点损失来优化诊断过程，实验证明该模型在COVID-19影像数据集上的表现超越了传统DenseNet121模型，准确率达到94.94%。

    Oct, 2024