基于胸部X光图像的肺结核分类的少样本学习方法
本论文提出了一种基于图形优化模型、使用半监督学习的新型X射线分类框架,采用精选课程先验的新多类分类功能,证明了该方法产生竞争性结果,并极大地减少了注释数据的需求。
Jul, 2019
本文提出了一种能够同时预测CXR图像中多个已见与未见疾病的多标签广义零样学习(CXR-ML-GZSL)网络,借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习,该网络在NIH Chest X-ray数据集上的实验表明其能够优于两个强基线方法。
Jul, 2021
本文研究了利用病人历史记录信息的CNN图像分类模型。模型使用了Chest X-Ray成像技术,利用机器学习算法进行自动评估,展示出使用病人历史记录等附加信息时分类模型的性能显著提高。
Oct, 2022
结核病是全球主要的健康威胁,深度学习在计算机辅助结核病诊断方面取得了进展,但训练数据有限。为此,本文建立了一个大规模数据集 TBX11K,其中包含11200个带有肺结核区域边界框标注的胸部 X 光图像。此数据集可用于训练高质量计算机辅助结核病诊断模型,并提出了一种基准模型 SymFormer,通过对 CXR 图像的边界对称性进行处理来学习判别性特征。SymFormer 在 TBX11K 数据集上取得了最先进的性能,并提供了数据、代码和模型。
Jul, 2023
由于医学领域中标注数据的稀缺性,少样本学习可能对医学图像分析任务有用。我们设计了一种使用随机子空间集成的少样本学习方法,用于诊断胸部X光片(CXR)。我们的设计在计算上高效,比使用流行的截断奇异值分解(t-SVD)进行子空间分解的方法快近1.8倍。所提出的方法通过最小化一种新型损失函数来训练,该损失函数有助于在区分子空间中创建分离良好的训练数据簇。因此,最小化损失函数最大化了子空间之间的距离,使它们具有区分性并有助于更好的分类。在大规模公开的CXR数据集上进行的实验结果表现出了有希望的结果。项目的代码将在此https URL上提供。
Aug, 2023
提出了LightTBNet,一种新颖的轻量级、快速和高效的深度卷积网络,专门用于从X射线图像中检测结核病,拥有出色的性能和快速预测,适用于在结核病高发地区使用的便携设备。
Sep, 2023
通过深度学习技术,我们使用多种预训练的卷积神经网络 (CNN)、Transformer、混合 (CNN+Transformer) 模型和经典模型,在“ChestX-ray14”数据集上进行实验。最佳的单一模型是CoAtNet,其在接收器工作特性曲线下的面积(AUROC)为84.2%。通过将所有经过训练的模型的预测组合,使用加权平均集成方法,其中每个模型的权重是通过差分进化确定的,我们进一步提高了AUROC至85.4%,在该领域超越了其他最先进的方法。我们的研究结果表明,深度学习技术尤其是集成深度学习,有潜力提高从胸部X射线图像中自动诊断胸部疾病的准确性。
Nov, 2023
通过应用Siamese神经网络和一系列技术,研究医学图像数据集对少样本学习和数据不平衡的影响,提出了解决数据稀缺和分布不平衡问题的方法,并对不同分类器在准确性上进行了评估和比较。
Jan, 2024
使用自监督学习的方法,基于Vision Transformers,改进了胸部X射线上结核病的检测,实现了零样本儿科结核病的检测,证明自监督学习在结核病检测任务上的有效性。
Feb, 2024
结核病在全球资源匮乏的人群和偏远地区持续存在,每年新增感染者超过1000万人,是公共卫生领域不平等的显著象征。通过介绍一种针对结核病筛查的可解释自监督自训练学习网络,本研究实现了98.14%的出色总准确率,并在95.72%的召回率和99.44%的精确率下,有效捕获临床重要特征。
Jun, 2024