Jul, 2024

Effective-LDAM: 一个有效的损失函数用于降低鲁棒性胸部 X 射线疾病分类的数据不平衡

PDF
TL;DR深度学习在医学影像学中被广泛应用于疾病诊断，其中，胸部 X 射线分类是一种有效检测各种疾病的方法。为了解决数据不平衡的问题，本论文提出了一种算法中心化的方法，称为 E-LDAM，它通过使用每个类别中的有效样本数修改了广泛采用的标签分布感知边界（LDAM）损失函数的边界。实验结果表明，E-LDAM 方法在预测 X 射线图像中 COVID-19 的少数类别时，具有非常出色的召回率（97.81%），同时三类分类任务的整体准确性达到了惊人水平（95.26%）。
deep learningchest x-ray classificatione-ldamcovid-19medical imaging
发现论文，激发创造
  • 使用具有标签分布感知边缘损失函数学习不平衡数据集

    为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

    Jun, 2019

  • 不平衡分类的扩展大间隔损失

    本文提出了一种新的针对非均衡分类的损失函数 LDAM loss，同时提出了一种扩大较大边界的 ELM loss，并通过对非均衡 CIFAR 数据集和长尾分布大规模数据集的实验验证，证明了相较于标准的 LDAM loss 和传统的非均衡分类损失函数，该方法能够显著提高分类准确度。

    Jun, 2023

  • 胸部 X 光片中的胸部疾病具有噪声标签的长尾多标签分类

    通过创建融合了常见和罕见胸部疾病的新数据集 “LTML-MIMIC-CXR”，我们提出了一种基准方法来解决胸部 X 光片中罕见疾病检测的问题，其中包括了自动标注修正的大型损失重新考虑策略和针对尾部类别负 logit 过抑制的自适应负正则化方法。我们在 LTML-MIMIC-CXR 上的评估显示出罕见疾病检测的显著进展，为稳健的计算机辅助诊断方法提供了基础，以达到在胸部 X 光片中识别一系列胸部疾病的平衡。

    Nov, 2023

  • 深度学习能够可靠地识别胸部 X 光异常模式吗？一项多读者研究检查 AI 在日常放射学临床实践中一个月的实施

    该研究基于深度学习开发了自动检测算法，可在胸部 X 光上检测和定位七种特定的放射学发现，这种算法在辅助 junior 和 intermediate 放射科医师判断的准确性上有潜在的医疗应用价值。

    May, 2023

  • 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

  • 胸部 X 光分类中的领域自适应连续学习

    本研究旨在解决深度学习模型在应用于不同领域时泛化能力有限的问题，通过探究连续学习的技术，如联合训练、弹性权重整合和无遗忘学习等方法可以在目标域上提高深度学习模型的性能，并有效地缓解源域上的灾难性遗忘。在 ChestX-ray14 和 MIMIC-CXR 数据集上进行的实证研究表明，联合训练是最佳方法，而无遗忘学习的结果也相当不错。

    Jan, 2020

  • 胸部 X 光片的长尾多标签分类的技巧包

    通过整合多种先进设计，例如数据增强、特征提取器、分类器设计、损失函数加权、外生数据补充等，以及简单的测试时数据增强和集成，我们的框架在 ICCV CVAMD 2023 CXR-LT 比赛的测试集上最终实现了 0.349 的 mAP，排名前五。

    Aug, 2023

  • LeDNet: 多标签放射影像分类的定位启用深度神经网络

    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。

    Jul, 2024

  • COVID-19 预测的多数据集多任务学习

    利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

    May, 2024

  • DALL-M：上下文感知临床数据增强与 LLMs

    通过利用临床数据增强技术，我们提出了一种增强临床背景的新技术，通过引入大型语言模型（LLMs）生成患者背景合成数据，从而改善了 AI 医学诊断的适用性和可靠性。DALL-M 使用了三阶段的特征生成过程，生成了与临床相关的新特征，并在数据增强过程中产生了新的上下文知识，从而显著提高了模型性能。

    Jul, 2024