Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest X-rays
结核病(TB)是一种传染性细菌性空气传播疾病,是全球十大死亡原因之一。根据世界卫生组织(WHO)的数据,2018年约有18亿人感染结核病,160万人死亡。更重要的是,95%的病例和死亡病例来自发展中国家。然而,结核病是一种通过早期诊断完全可以治愈的疾病。为实现这一目标,关键要求之一是有效利用现有的诊断技术,其中胸部X光是用于筛查活动性结核病的第一线诊断工具。所呈现的深度学习管道由三种不同的最先进的深度学习架构组成,用于生成、分割和分类肺部X射线。除了图像预处理,图像增强,基于遗传算法的超参数调整和模型集成被用来改善诊断过程。我们能够达到97.1%的分类准确率(约登指数-0.941,97.9%的敏感性和96.2%的特异性),这是一个相当大的进步,与现有的工作在文献中。在我们的工作中,我们提出了一个高度准确的,自动化的结核病筛查系统,使用胸部X光,这将是有帮助的,特别是对低收入国家,难以获得合格的医疗专业人员。
2020-12-25 cs.CV cs.LG eess.IV
TB-Net: A Tailored, Self-Attention Deep Convolutional Neural Network Design for Detection of Tuberculosis Cases from Chest X-ray Images
University of Waterloo(滑铁卢大学);Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所);DarwinAI Corp.(DarwinAI公司);Niagara Health(尼亚加拉健康中心);McMaster University(麦克马斯特大学);Thunder Bay Regional Health Sciences Centre(桑德贝地区健康科学中心);Northern Ontario School of Medicine(北安大略医学院)
结核病(TB)仍然是一个全球性的健康问题,并且是传染病导致死亡的主要原因。结核病治疗的关键步骤是筛查高危人群和早期发现疾病,胸部X射线(CXR)成像是最广泛使用的成像方式。因此,最近人们对基于人工智能的结核病筛查解决方案产生了极大的兴趣,这些解决方案用于资源有限的场景,在这些场景中缺乏训练有素的具有CXR解释专业知识的医疗保健工作者。出于这一迫切需求以及世界卫生组织(WHO)最近建议使用计算机辅助诊断结核病的动机,我们引入了TB-Net,这是一种专为结核病病例筛查而设计的自注意深度卷积神经网络。更具体地说,我们利用机器驱动的设计探索来构建一个高度定制的深度神经网络架构,并使用注意力冷凝器。我们进行了一个可解释性驱动的性能验证过程,以验证TB-Net的决策行为。对来自多国患者队列的CXR数据的实验表明,所提出的TB-Net能够实现99.86%/100.0%/99.71%的准确性/灵敏度/特异性。由两名分别拥有10年和19年以上经验的经委员会认证的放射科医生对选定病例进行放射科医生验证,结果显示放射科医生的解释与TB-Net用于TB病例检测的关键因素之间具有一致性,其中放射科医生识别出异常。虽然不是一个生产就绪的解决方案,但我们希望作为COVID-Net计划的一部分,TB-Net的开源版本将支持研究人员,临床医生和公民数据科学家在应对这场全球公共卫生危机的斗争中推进这一领域。
2021-04-14 cs.CV cs.LG eess.IV
Deep learning-based lung segmentation and automatic regional template in chest X-ray images for pediatric tuberculosis
Universidad Politécnica de Madrid(马德里理工大学);CIBER-BBN(生物工程、生物材料与纳米医学网络研究中心);Children’s National Hospital(国家儿童医院);George Washington University School of Medicine(乔治华盛顿大学医学院);ISGlobal(巴塞罗那全球健康研究所);Hospital Clínic(巴塞罗那临床医院);Universitat de Barcelona(巴塞罗那大学);Stellenbosch University(斯泰伦博斯大学)
本文提出一种基于多视图深度学习的儿童胸部X光片肺部和纵隔区域自动提取方法,通过区域模板实现TB关键征象定位,实验验证了提取准确性。
2023-01-31 cs.CV cs.LG eess.IV
A Lightweight, Rapid and Efficient Deep Convolutional Network for Chest X-Ray Tuberculosis Detection
Universidad Politécnica de Madrid(马德里理工大学);Instituto Salud Carlos III(卡洛斯三世健康研究所)
提出轻量级深度网络LightTBNet,用于从胸部X射线图像中高效检测结核病,在公开数据集上达到0.906准确率、0.907 F1和0.961 AUC,适合资源匮乏地区的手持设备部署。
2023-09-05 cs.AI cs.CV cs.LG
ViPTT-Net: Video pretraining of spatio-temporal model for tuberculosis type classification from chest CT scans
Concordia University(康考迪亚大学);North South University(北南大学)
预训练引发了人们对深度学习工作流的兴趣,以从有限的数据中学习并提高泛化能力。虽然这对于2D图像分类任务是常见的,但是其对于诸如胸部CT解释的3D医学成像任务的应用是有限的。我们探讨了在真实视频上预训练模型是否可以提高性能,而不是从头开始训练模型,用于胸部CT扫描的结核病类型分类。为了结合空间和时间特征,我们开发了一种混合卷积神经网络(CNN)和递归神经网络(RNN)模型,其中特征由CNN从CT扫描的每个轴向切片中提取,这些图像特征序列被输入到RNN用于CT扫描的分类。我们的模型被称为ViPTT-Net,在超过1300个带有人类活动标签的视频剪辑上进行了训练,然后在带有结核病类型标签的胸部CT扫描上进行了微调。我们发现,在视频上对模型进行预训练可以获得更好的表示,并将模型验证性能从0.17提高到0.35,特别是对于代表性不足的类样本。我们的最佳方法在ImageCLEF 2021结核病- TBT分类任务中获得了第二名,在仅使用图像信息(不使用临床元数据)的最终测试集上的kappa评分为0.20。所有代码和型号都可用。
2021-05-26 cs.CV cs.LG
Does image resolution impact chest X-ray based fine-grained Tuberculosis-consistent lesion segmentation?
National Library of Medicine, National Institutes of Health(美国国立医学图书馆,美国国立卫生研究院)
深度学习(DL)模型在分割医学图像中的解剖和疾病感兴趣区域(ROI)方面是最先进的。特别地,已经使用胸部X射线(CXR)报道了大量基于DL的技术。然而,据报道,由于缺乏计算资源的原因,这些模型是在降低的图像分辨率上训练的。文献很少讨论最佳图像分辨率,以训练这些模型分割CXR中的结核病(TB)一致性病变。在这项研究中,我们研究了性能变化,使用Inception-V3 UNet模型,使用各种图像分辨率与/不与肺ROI裁剪和纵横比调整,和(ii)确定了最佳的图像分辨率,通过广泛的经验评估,以提高TB一致的病变分割性能。我们使用深圳CXR数据集进行研究,其中包括326名正常患者和336名结核病患者。我们提出了一种组合方法,包括存储模型快照,优化分割阈值和测试时间增强(TTA),并平均快照预测,以进一步提高性能的最佳分辨率。我们的实验结果表明,更高的图像分辨率并不总是必要的,但是,确定最佳图像分辨率是实现卓越性能的关键。
2023-01-27 cs.CV eess.IV
Chest X-Ray Bone Suppression for Improving Classification of Tuberculosis-Consistent Findings
National Library of Medicine, National Institutes of Health(美国国立卫生研究院国家医学图书馆);Clinical Center, National Institutes of Health(美国国立卫生研究院临床中心);Saint Louis University(圣路易斯大学)
胸部X光检查是最常进行的诊断检查,以检测心肺异常。然而,肋骨和锁骨等骨性结构的存在会掩盖细微的异常,导致诊断错误。这项研究旨在建立一个基于深度学习的骨抑制模型,识别并去除额叶CXR中的这些闭塞性骨结构,以帮助减少放射学解释中的错误,包括与检测与结核病(TB)一致的表现相关的DL工作流程。使用所提出的组合损失函数训练和优化了具有各种深度架构的几个骨抑制模型,并在跨机构测试环境中评估了它们的性能。性能最好的模型用于抑制公开可用的深圳和蒙哥马利TB CXR集合中的骨骼。VGG-16模型在大量公开可用的CXR上进行预训练。然后,CXR预训练模型在深圳和蒙哥马利TB CXR集合的非骨抑制和骨抑制CXR上进行单独微调,以将其分类为显示正常肺部或TB表现。这些模型的性能进行了比较,使用几个性能指标,分析统计意义,和他们的预测定性解释类选择性相关图。观察到在骨抑制的CXR上训练的模型显著优于(p<0.05)在非骨抑制的CXR上训练的模型。在骨抑制CXR上训练的模型改善了TB一致性结果的检测,并导致特征空间中数据点的紧凑聚类,这表明骨抑制提高了模型对TB分类的敏感性。
2021-05-07 cs.CV eess.IV
Uniformizing Techniques to Process CT scans with 3D CNNs for Tuberculosis Prediction
Concordia University(康考迪亚大学);North South University(南北大学);Mila, University of Montreal(蒙特利尔大学Mila研究院)
对体积数据进行医学图像分析的常见方法使用深度2D卷积神经网络(CNN)。这在很大程度上归因于3D数据的性质所带来的挑战:可变的体积大小,优化期间的GPU耗尽。然而,在2D CNN中独立处理各个切片会故意丢弃深度信息,从而导致预期任务的性能较差。因此,重要的是开发不仅克服繁重的存储器和计算要求,而且还利用3D信息的方法。为此,我们评估了一组体积均匀化方法来解决上述问题。第一种方法涉及从体积的子集均匀地采样信息。另一种方法通过在z轴上内插来利用3D体积的完整几何形状。我们使用受控消融研究证明了性能改进,并将这种方法用于ImageCLEF结核病严重程度评估2019基准测试。我们报告了73%的曲线下面积(AUC)和67.5%的二元分类准确度(ACC),击败了所有仅利用图像信息(不使用临床元数据)的方法,总体上达到了第5位。所有代码和模型都可以在https://github.com/hasibzunair/uniformizing-3D上找到。
2020-07-26 cs.CV eess.IV
RepViT-CXR: A Channel Replication Strategy for Vision Transformers in Chest X-ray Tuberculosis and Pneumonia Classification
Department of Data Science and Mathematics, Embry-Riddle Aeronautical University(数据科学与数学系,艾姆伯里-里德尔航空航天大学)
RepViT-CXR提出通道复制策略,将灰度胸部X光图像适配为ViT兼容格式,在三个数据集上超越先前方法,实现结核病和肺炎检测的新最先进水平。
2025-09-10 cs.CV cs.LG
Deep learning for detecting pulmonary tuberculosis via chest radiography: an international study across 10 countries
Google Health(谷歌健康);Advanced Clinical(先进临床);Apollo Radiology International(阿波罗国际放射学);Center of Infectious Disease Research in Zambia(赞比亚传染病研究中心);Sibanye Stillwater(斯班耶-斯蒂尔沃特);Clickmedix
结核病(TB)是全球十大死亡原因之一。虽然世卫组织建议使用胸部X光片(CXR)进行结核病筛查,但CXR判读的可用性有限是一个障碍。我们使用来自非洲、亚洲和欧洲9个国家的CXR训练了一个深度学习系统(DLS)来检测活动性肺结核,并利用了大规模CXR预训练、注意力集中和噪声学生半监督学习。评价基于(1)中国、印度、美国和赞比亚的组合测试集,以及(2)南非的独立采矿人群。鉴于WHO的目标是90%的灵敏度和70%的特异性,DLS的操作点被预先指定为有利于灵敏度而不是特异性。在联合测试集上,DLS的ROC曲线高于所有9名印度放射科医生,AUC为0.90(95%CI 0.87-0.92)。DLS的灵敏度(88%)高于印度放射科医生(平均灵敏度为75%),p<0.001,具有优越性;其特异性(79%)不劣于放射科医生(平均特异性为84%),p=0.004。在艾滋病毒阳性和痰涂片阳性亚组以及南非测试集中观察到类似的趋势。我们发现,5名美国放射科医生(结核病不是地方病)比印度放射科医生(结核病是地方病)更敏感,特异性更低。DLS也仍然不劣于美国放射科医生。在模拟中,使用DLS作为确认测试的优先级工具,与单独使用确认测试相比,每个阳性病例的检测成本降低了40-80%。总之,我们的DLS推广到5个国家,值得前瞻性评价,以协助放射科医生有限的设置具有成本效益的筛查工作。操作点的灵活性可以允许定制DLS,以…
2021-10-29 cs.AI cs.CV eess.IV
Computer aided detection of tuberculosis on chest radiographs: An evaluation of the CAD4TB v6 system
Radboud University Medical Center(拉德堡德大学医学中心);Community Health Solutions(社区健康解决方案公司);Interactive Research and Development(互动研究与发展机构);The Indus Health Network(印度河健康网络);Thirona(Thirona公司);Universal Delft Ltd.(代尔夫特环球有限公司)
胸部X射线(CXR)自动分析作为筛查肺结核易感人群的一种敏感且廉价的手段,越来越受到人们的关注。在这项工作中,我们评估的最新版本的CAD4TB,一个商业软件平台,专为此目的。CAD4TB第6版于2018年发布,在此对5565张CXR图像的完全独立数据集进行了测试,并提供了GeneXpert(Xpert)痰液检测结果(854例Xpert阳性受试者)。由5名专家观察员独立审查和注释500名受试者(50% Xpert阳性)的子集,以获得放射学参考标准。最新版本的CAD4TB在Xpert和放射学参考标准品的受试者工作曲线下面积(ROC)方面优于所有先前版本。Xpert的改进在高灵敏度水平下最为明显,在固定的90%灵敏度下获得的特异性为76%。与放射学参考标准相比,CAD4TB v6的性能也大大优于之前的版本,并在90%灵敏度设置下实现了98%的特异性。未发现CAD4TB v6与各种专家观察员对Xpert参比标准品的性能之间存在实质性差异。对该数据集的成本和效率分析表明,在标准临床情况下,在90%的灵敏度下操作,CAD4TB v6的用户每天可以处理132名受试者,每个受试者的每个屏幕的平均成本为\$5.95,而版本3的用户每天仅处理85名受试者,每个受试者的成本为\$8.38。在所有测试的操作点版本6被证明是更有效和成本效益比任何其他版本。
2020-04-02 cs.CV eess.IV
Deep Feature Learning from a Hospital-Scale Chest X-ray Dataset with Application to TB Detection on a Small-Scale Dataset
Tel Aviv University(特拉维夫大学)
ImageNet预训练网络的使用在医学成像领域变得越来越普遍。它可以在医学成像任务中常用的小数据集上进行训练。最近出现的大型胸部X射线数据集为学习X射线分析任务特定的特征提供了可能性。在这项工作中,我们证明了学习的特征可以为结核病检测问题提供更好的分类结果,并可以推广到看不见的数据集。为了完成特征学习的任务,我们在来自ChestXray 14数据集的112 K图像上训练DenseNet-121 CNN,该数据集包括14种常见胸部病理的标签。除了病理标签外,我们还纳入了数据集中可用的元数据:患者定位、性别和患者年龄。我们将这种架构称为MetaChexNet。作为特征学习的副产品,我们使用CNN展示了患者年龄和性别估计任务的最新性能。最后,我们展示了使用ChestXray 14学习的特征,可以在结核病的小规模数据集上进行更好的迁移学习。
2019-06-03 cs.CV eess.IV
Zero-Shot Pediatric Tuberculosis Detection in Chest X-Rays using Self-Supervised Learning
Universidad Politécnica de Madrid(马德里理工大学);CIBER-BBN(生物医学网络生物工程研究中心);Children’s National Hospital(儿童国家医院);GWU School of Medicine(乔治华盛顿大学医学院)
提出一种利用Vision Transformers的自监督学习范式,通过在成人胸部X光片上预训练,实现了零样本儿童结核病检测,显著提升了AUC和AUPR性能。
2024-02-22 cs.CV eess.IV
TBNet:Pulmonary Tuberculosis Diagnosing System using Deep Neural Networks
Australian National University(澳大利亚国立大学)
结核病是一种流行于世界各地的致命传染病。由于缺乏适当的技术,无法及早发现这种疾病。此外,检测结核病的现有方法由于依赖于不必要的特征而没有达到值得称赞的标准,这使得这种技术对于可靠的医疗保健技术来说已经过时。在本文中,我提出了一个基于深度学习的系统,该系统根据胸部X光片中的重要特征以及原始胸部X光片来诊断结核病。采用我们的系统将通过克服执行耗时的基于结核病的测试方法(诊断微生物学)的需要来加速结核病诊断的过程。与以前的方法\cite{kant2018towards, melendez2016automated}相比,我们的工作利用了最先进的ResNet \cite{he2016deep},并使用传统的强大功能(如Haar \cite{viola2005detecting,viola2001rapid}和LBP \cite{ojala1994performance,ojala1996comparative})进行适当的数据增强。我注意到,这种程序将结核病的检测率提高到了非常令人满意的水平。我们的工作使用公开的肺部胸部X射线数据集来训练我们的网络\cite{jaeger2014two}。然而,公开的数据集非常小,不足以达到最佳准确性。为了克服这个问题,我设计了一个直观的功能为基础的数据增强管道。我们的方法将帮助深度神经网络\cite{lecun2015deep,he2016deep,kr…
2019-02-24 cs.CV
Deep Convolutional Neural Networks for Microscopy-Based Point of Care Diagnostics
Makerere University(马凯雷雷大学)
使用显微镜和计算机视觉方法的护理点诊断已经应用于许多实际问题,并且与低收入、高疾病负担地区特别相关。然而,这受到所使用的计算机视觉方法的灵敏度和特异性的限制。总的来说,深度学习最近彻底改变了计算机视觉领域,在某些情况下,在其他对象识别任务中超过了人类的表现。在本文中,我们评估了深度卷积神经网络在三种不同显微镜任务上的性能:厚血涂片中的疟疾诊断,痰液样本中的结核病诊断和粪便样本中的肠道寄生虫卵诊断。在所有情况下,准确度都非常高,并且比更能代表传统医学成像技术的替代方法好得多。
2016-08-09 cs.CV
Advancing Diagnostic Precision: Leveraging Machine Learning Techniques for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest X-Ray Images
Sardar Patel Institute of Technology(萨达尔·帕特尔理工学院)
本研究提出一种基于深度学习的多类分类方法,通过比较新CNN与多种预训练模型,利用胸部X光图像实现新冠肺炎、肺炎和肺结核的高精度检测,AUC值达0.95-0.99。
2023-10-09 cs.CV eess.IV
SEDA: Self-Ensembling ViT with Defensive Distillation and Adversarial Training for robust Chest X-rays Classification
Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出 SEDA,通过 CNN 特征提取、对抗训练与防御性蒸馏增强自集成 ViT,在肺结核胸片分类中实现更轻量且鲁棒的 SOTA 表现。
2023-08-15 cs.CV
Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs Including Severely Unhealthy Images
Bharti School of Telecommunications Technology & Management, Indian Institute of Technology Delhi(印度理工学院德里分校巴蒂电信技术与管理学院);Teleradiology Solutions(远程放射学解决方案公司);CSIR-Institute of Genomics and Integrative Biology(CSIR基因组学与整合生物学研究所);Christian Medical College, Vellore(韦洛尔基督教医学院)
胸片,通常称为胸部X射线(CXR),在各种肺部疾病的诊断中起着至关重要的作用,如肺癌,肺结核,肺炎等等。肺的自动分割是设计用于检查CxR的计算机辅助诊断工具的重要步骤。精确的肺部分割被认为是极具挑战性的,因为健康问题、年龄和性别会导致肺部形状的变化。拟议的工作研究了使用有效的深度卷积神经网络从CxR中准确分割肺部。我们尝试了一个端到端的DeepLabv 3+网络,它集成了DeepLab架构,编码器-解码器和扩张卷积,用于语义肺分割,具有快速训练和高精度。我们对不同的预训练基础网络进行了实验:Resnet 18和Mobilenetv 2,并与Deeplabv 3+模型相关联以进行性能分析。所提出的方法不需要任何预处理技术的胸部X射线图像之前,被馈送到神经网络。使用形态学操作来消除语义分割过程中出现的误报。我们构建了一个印度人群的CxR数据集,其中包含临床确诊的结核病、慢性阻塞性肺病、间质性肺病、胸腔积液和肺癌患者的健康和不健康CxR。该方法在印度CxR数据集的688张图像上进行了测试,其中包括具有严重异常结果的图像,以验证其鲁棒性。我们还对常用的基准数据集进行了实验,如日本放射技术学会;美国蒙哥马利县;和中国深圳进行了最先进的比较。我们的方法的性能进行了测试,对文献中描述的技术,并实现了最高的准确性,肺分割印度和公共数据集。
2020-11-19 cs.CV eess.IV
Interpretable Deep Learning Framework for Improved Disease Classification in Medical Imaging
Gauhati University(果阿大学)
本文提出一种统一的深度学习框架,通过交叉引导通道空间注意力机制提升医学影像中特征整合、可解释性和预测可靠性,结合MC-Dropout与置信度预测实现不确定性评估,验证了双向交叉注意力在疾病分类中的有效性。
2026-03-23 cs.AI cs.CV cs.LG
Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability
University of Zurich(苏黎世大学);Idiap Research Institute(伊迪亚普研究所)
针对胸部X线结核病检测深度学习模型因数据问题存在可靠性偏差的问题,提出结合大规模代理任务预训练与MOON类别平衡技术的方法,在保持测试集AUROC完美准确率的同时提升了模型与专家决策依据的对齐度及泛化能力。
2024-10-08 cs.CV
Enhanced Chest Disease Classification Using an Improved CheXNet Framework with EfficientNetV2-M and Optimization-Driven Learning
Charmo University(查尔莫大学);Sulaimani Polytechnic University(苏莱曼尼亚理工大学);University of Raparin(拉帕林大学);Soran University(索兰大学)
本文提出基于改进CheXNet与EfficientNetV2-M的胸部疾病分类框架,通过优化训练方法提升准确率,达到96.45%的测试准确率,显著提升关键疾病检测性能。
2025-12-08 cs.AI cs.CV cs.LG
Does Bigger Mean Better? Comparitive Analysis of CNNs and Biomedical Vision Language Modles in Medical Diagnosis
University of Texas at Dallas(德克萨斯大学达拉斯分校);Independent Researcher(独立研究者);Duke University(杜克大学);University of Michigan Ann Arbor(密歇根大学安娜堡分校);Georgia Institute of Technology(佐治亚理工学院);University of California, Irvine(加州大学 Irvine 分校)
本文对比轻量级有监督CNN与零样本医学VLM BiomedCLIP在胸片肺炎、结核病检测任务上的表现,发现经决策阈值校准后,零样本BiomedCLIP性能可追平甚至超过有监督CNN基线。
2025-11-16 cs.AI cs.CV
Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会)
针对结核病筛查中放射科医生稀缺和高质量数据获取困难的问题,本文提出一种可解释的自监督自训练学习网络,在结核病识别中取得98.14%的准确率、95.72%的召回率和99.44%的精确率。
2024-06-19 cs.CV cs.LG eess.IV
Deep Learning-Powered Classification of Thoracic Diseases in Chest X-Rays
Institution1(机构1);Institution2(机构2)
本研究利用深度学习与迁移学习(AlexNet、ResNet、InceptionNet)及焦点损失,对胸部X光片中的胸科疾病进行分类,显著提升了检测性能,并借助Grad-CAM增强模型可解释性。
2025-01-24 cs.CV eess.IV
Abnormality Detection and Localization in Chest X-Rays using Deep Convolutional Neural Networks
Semion
胸部X射线(CXR)被广泛用于诊断心脏和肺区域的异常。以高精度自动检测这些异常可以极大地增强现实世界的诊断过程。然而,由于缺乏标准的公开数据集和基准研究,很难对各种检测方法进行比较。为了克服这些困难,我们使用了公开可用的Indiana CXR、JSRT和Shenzhen数据集,并研究了已知深度卷积网络(DCN)架构在不同异常情况下的性能。我们发现,相同的DCN架构并不能在所有异常情况下都表现良好。与深特征相比,浅特征或更早的层始终提供更高的检测精度。我们还发现集成模型与单个模型相比显着提高了分类。结合这些见解,我们报告了这些数据集上胸部X射线异常检测的最高准确性。我们发现,对于心脏肥大检测,与基于规则的方法相比,深度学习方法将准确率提高了惊人的17个百分点。我们将这些技术应用于不同数据集上的结核病检测问题,并实现了最高的准确率。我们使用这些经过训练的分类器进行的定位实验表明,对于心脏肥大和肺水肿等空间分布的异常,网络可以在大部分时间成功定位异常。心脏肥大定位的一个显著结果是心脏及其周围区域是心脏肥大检测的最主要原因,这与使用心脏和肺面积的比率作为测量的基于规则的模型相反。我们相信,通过基于深度学习的分类和定位,我们将发现医学图像诊断中许多传统上没有考虑的有趣特征。
2017-09-27 cs.CV
DenResCov-19: A deep transfer learning network for robust automatic classification of COVID-19, pneumonia, and tuberculosis from X-rays
University of Sheffield(谢菲尔德大学);Insigneo Institute for in-silico Medicine(Insigneo计算机医学研究所);University of Oxford(牛津大学);University of Lincoln(林肯大学);University of Glasgow(格拉斯哥大学);University of Brighton(布莱顿大学);Nantong University(南通大学)
COVID-19全球大流行继续对全球人口的福祉产生重大影响,增加了对快速检测、诊断和治疗的需求。除了COVID-19,肺炎和结核病的其他病因也对医疗系统构成了额外的挑战。在这方面,这项工作的目标是开发一个新的深度迁移学习管道,以根据胸部X光图像诊断患有COVID-19、肺炎和结核病的患者。我们观察到在某些情况下DenseNet和Resnet具有正交性能。在我们提出的模型中,我们创建了一个带有卷积神经网络块的额外层,以结合这两个模型,从而建立优于任何一个模型的性能。相同的策略可以在其他应用中使用,其中观察到具有互补性能的两个竞争网络。我们已经测试了我们提出的网络在两类(肺炎与健康),三类(包括COVID-19)和四类(包括结核病)分类问题上的性能。所提出的网络已经能够成功地对所有四个数据集中的这些肺部疾病进行分类,并且与DenseNet,ResNet和Inception-V3的基准网络相比,提供了显着的改进。这些新发现可以提供最先进的预筛选快速决策网络,以检测COVID-19和其他肺部病变。
2021-04-08 cs.CV eess.IV
Comparative Analysis of Deep Learning Architectures for Multi-Disease Classification of Single-Label Chest X-rays
Department of Computer Science, College of Science, Charmo University(查莫大学计算机科学系,科学学院);Department of Software Engineering, University of Raparin(拉帕林大学软件工程系)
本文比较了七种深度学习架构在单标签胸部X光片多疾病分类中的性能,发现ConvNeXt-Tiny在准确率和AUROC上表现最佳,MobileNetV2在参数效率上最优,且在 Tuberculosis 和 COVID-19 分类上表现接近完美。
2026-03-11 cs.AI cs.CV eess.IV
Comparative study of Deep Learning Models for Binary Classification on Combined Pulmonary Chest X-ray Dataset
University of Gloucestershire(格洛斯特郡大学);Northumbria University(诺森比亚大学)
本研究针对8种主流深度学习模型在整合深圳与蒙哥马利数据的肺部胸部X光数据集上的二分类性能开展受控对比,填补了同类模型同数据集相对性能的认知空白,得出MobileNet精确率最高的结论。
2023-10-03 cs.CV eess.IV
Understanding Deep Neural Network Predictions for Medical Imaging Applications
University of Dayton(代顿大学);University of Dayton Research Institute(代顿大学研究院)
计算机辅助检测是近十年来引起人们极大兴趣的一个研究领域。机器学习算法已被广泛用于此应用,因为它们为医生提供了有价值的第二意见。尽管有几种机器学习模型可用于医学成像应用,但由于网络所做决策的不可解释性,在现实世界中实现的并不多。在本文中,我们研究了深度神经网络在不同成像模式下检测疟疾、糖尿病视网膜病变、脑肿瘤和结核病的结果。我们可视化所有应用程序的类激活映射,以增强对这些网络的理解。这种类型的可视化以及相应的网络性能指标将有助于数据科学专家更好地理解他们的模型,并帮助医生进行决策。
2019-12-20 cs.AI cs.CV cs.LG
Few-Shot Cross-Dataset Adaptation for Tuberculosis Detection Using DenseNet
Dhaka International University(达卡国际大学)
本研究针对跨数据集结核检测的域偏移问题,以TBX11K为源域、Mendeley TB数据集为目标域,通过少样本研究发现预训练DenseNet121全微调策略高效实用,每类仅75个标注样本即可达98.36%准确率。
2026-08-25 cs.CV
Explainable Lung Disease Classification from Chest X-Ray Images Utilizing Deep Learning and XAI
Ahsanullah University Of Science and Technology (AUST)(阿hsanullah科技大学(AUST))
本研究针对胸部X光片肺部疾病分类问题,采用多种深度学习模型及相关优化方法,经5折交叉验证微调的Xception模型取得96.21%的最高准确率,并结合XAI方法增强模型决策可解释性以提升临床应用可信度。
2024-04-17 cs.CV cs.LG eess.IV
Automated Segmentation of Vertebrae on Lateral Chest Radiography Using Deep Learning
Rutgers University(罗格斯大学);Thomas Jefferson University(托马斯杰斐逊大学)
本研究的目的是使用深度学习开发一种自动化算法,用于胸部X线摄影中的胸椎分割。获得了124例独特患者的去识别侧位胸片。可见椎骨的分割由医学生手动执行,并由委员会认证的放射科医生验证。74张图像用于训练,10张用于验证,40张用于测试。采用U-Net深度卷积神经网络进行分割,使用骰子系数和二进制交叉熵之和作为损失函数。在测试集上,该算法的平均骰子系数值为90.5,平均交并比(IoU)为81.75。深度学习在侧位胸部X光片的椎骨分割中展示了前景。
2020-01-05 cs.CV eess.IV
A Deep Learning System That Generates Quantitative CT Reports for Diagnosing Pulmonary Tuberculosis
Zhejiang University(浙江大学);China Telecom Co., Ltd.(中国电信股份有限公司)
我们开发了一个基于深度学习模型的系统,用于自动生成肺结核(PTB)病例的定量计算机断层扫描(CT)诊断报告。收集了223例活动性PTB患者的501个CT成像数据集,对2884个肺结核病灶进行标记,并由专业放射科医师手工分类,将肺结核病灶分为三种状态,在PTB CT图像的检查中训练和评估现有的3D卷积神经网络(CNN)模型。在此过程中还使用了迁移学习方法。选取最佳模型对病灶的空间位置进行标注,同时将病灶分为粟粒型、浸润型、干酪型、结核球型和空洞型,然后利用Noisy-Or贝叶斯函数生成总体感染概率,最后输出定量诊断报告。结果表明,从PTB单个病灶区域的角度来看,分别为85.9%和89.2%。从一个PTB病例的角度来看,总体召回率和准确率分别为98.7%和93.7%。肺结核病变类型分类准确率为90.9%,可为临床医生提供有效的决策参考。
2019-10-05 cs.CV cs.LG eess.IV
Automated Multi-Process CTC Detection using Deep Learning
Columbia University(哥伦比亚大学)
循环肿瘤细胞(CTC)作为肿瘤预后的生物标志物具有很大的前景。然而,CTC的识别和随后的计数的过程需要人工劳动,这是容易出错且耗时的。最近通过使用Mask-RCNN的深度学习进行目标检测的发展以及预训练模型的更广泛可用性,使得具有有限数据的敏感任务能够以前所未有的准确性进行处理。在这份报告中,我们提出了一种新的3阶段检测模型,用于自动识别多通道暗场显微镜图像中的循环肿瘤细胞,包括:基于RetinaNet的细胞角蛋白(CK)染色识别,基于Mask-RCNN的DAPI细胞核细胞检测和Otsu阈值检测CD-45。训练数据集由46个高方差数据点组成,其中10个负数据点和36个正数据点。测试集由420个阴性数据点组成。该流水线的最终准确率为98.81%。
2021-09-26 cs.CV q-bio.QM
Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification
Cochin University of Science & Technology(科钦科学技术大学);Union Christian College(联合基督学院)
针对明场痰涂片图像中结核杆菌检测自动化低、分割与分类性能不足的问题,提出融合注意力残差 U-Net 分割与 SVM、随机森林、XGBoost 集成分类的混合方法,并在新建及公开数据集上验证其优越性。
2025-01-07 cs.CV eess.IV
Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation
AI Research Group, Institute of Mathematics(人工智能研究组,数学研究所);Eötvös Loránd University(罗兰大学)
胸部X光检查是医学成像模式中最常见的检查。它被应用于肺癌、结核病和肺炎的检测和鉴别,后者由于COVID-19疾病而具有重要性。将计算机辅助检测方法集成到放射科医生的诊断流程中,大大减轻了医生的工作量,提高了可靠性和定量分析。在这里,我们提出了一种用于肺部分割的新型深度学习方法,这是诊断流程中的一项基本但艰巨的任务。我们的方法使用最先进的全卷积神经网络与对抗性评论家模型。它很好地推广到具有不同患者特征的不可见数据集的CXR图像,在JSRT数据集上实现了97.5%的最终DSC。
2020-03-23 cs.CV cs.LG eess.IV
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne(墨尔本大学)
针对医学影像面部关键点诊断中的自动标注难题,本文提出结合反馈机制与先进算法的迭代优化策略,以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
Automated detection of Alzheimer disease using MRI images and deep neural networks- A review
JSS Academy of Higher Education and Research(JSS高等教育与研究学院);University of Delhi(德里大学)
早期发现阿尔茨海默病对于部署干预措施和减缓疾病进展至关重要。在过去的十年中,人们探索了许多机器学习和深度学习算法,旨在建立阿尔茨海默病的自动检测。数据增强技术和先进的深度学习架构的进步开辟了该领域的新前沿,研究正在快速发展。因此,这项调查的目的是概述最近关于阿尔茨海默病诊断的深度学习模型的研究。除了对众多数据源、神经网络架构和常用评估指标进行分类外,我们还对实现和可重复性进行了分类。我们的目标是帮助感兴趣的研究人员跟上最新的发展,并复制早期的调查作为基准。此外,我们还指出了该课题未来的研究方向。
2022-09-22 cs.CV cs.LG eess.IV
Deep Learning for Automated Medical Image Analysis
Microsoft Research(微软研究院);TuSimple(图森未来);Baidu Research(百度研究院);Tencent Medical AI Labs(腾讯医疗AI实验室);PingAn Tech(平安科技)
医学成像是许多医学应用领域的重要工具,用于诊断和治疗。然而,阅读医学图像和做出诊断或治疗建议需要经过专门培训的医学专家。目前读取医学图像的实践是劳动密集型的,耗时的,昂贵的,并且容易出错。更希望有一个计算机辅助系统,可以自动作出诊断和治疗建议。深度学习的最新进展使我们能够重新思考基于医学图像的临床诊断方法。在这篇论文中,我们将介绍1)用于检测乳腺癌的乳房X线照片,这是美国女性最常诊断的实体癌,2)用于检测肺癌的肺部CT图像,这是最常诊断的恶性肿瘤,3)用于放射治疗中危险器官自动描绘的头颈部CT图像。首先,我们将展示如何使用对抗性概念来生成改进乳房X线照片肿块分割的硬示例。其次,我们将演示如何通过有效地设计用于多实例学习的深度学习,将弱标记数据用于乳房X光检查乳腺癌诊断。第三,本文将走查DeepLung系统,它结合了深度3D ConvNets和GBM用于自动肺结节检测和分类。第四,我们将展示如何通过将深度学习与概率图形模型相结合,使用弱标记数据来改进现有的肺结节检测系统。最后,我们将展示AnatomyNet,它比以前的自动解剖分割方法快数千倍,更准确。
2019-03-12 cs.CV cs.LG cs.NE
Tackling Tuberculosis: A Comparative Dive into Machine Learning for Tuberculosis Detection
本研究比较了ResNet-50和SqueezeNet在肺结核检测中的性能,发现SqueezeNet在准确率和召回率上表现更优,但需进一步优化模型以提高应用效果。
2025-12-02 cs.AI cs.CV
An Automated Deep Learning Approach for Bacterial Image Classification
Munzur University(Munzur大学)
从显微图像中自动识别和分类细菌种类在临床微生物学中具有重要意义。细菌分类通常由生物学家利用细菌种类的不同形状和形态特征手动进行。从显微镜图像中手动分类细菌类型是耗时的,即使是经验丰富的生物学家也是一项具有挑战性的任务。在这项研究中,提出了一种基于自动深度学习的分类方法,将细菌图像分类为不同的类别。ResNet-50预训练的CNN架构已被用于将数字细菌图像分类为33个类别。采用迁移学习技术加速网络的训练过程,提高网络的分类性能。该方法实现了99.2%的平均分类准确率。实验结果表明,所提出的技术超越了文献中最先进的方法,可用于任何类型的细菌分类任务。
2019-12-04 cs.CV cs.LG eess.IV
TBDLNet: a network for classifying multidrug-resistant and drug-sensitive tuberculosis
School of Computing and Mathematical Sciences, University of Leicester(莱斯特大学计算与数学科学学院);Medical Imaging Department of Huai'an Fourth People's Hospital(淮安市第四人民医院医学影像科);Xi'an Jiaotong-Liverpool University(西交利物浦大学);School of Computer Science and Technology, Henan Polytechnic University(河南理工大学计算机科学与技术学院);King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
本文提出 TBDLNet,结合预训练 ResNet50、随机化 RNN 集成与多数投票,对 CT 图像中的耐多药和药物敏感型结核病进行高精度自动分类。
2023-10-27 cs.CV cs.LG eess.IV
Automated Human Claustrum Segmentation using Deep Learning Technologies
College of Computing and Informatics, Saudi Electronic University(沙特电子大学计算与信息学院);School of Medicine, University of Missouri-Kansas City(密苏里大学堪萨斯城分校医学院)
近年来,深度学习(DL)在执行计算机视觉和图像分割等人工智能任务方面取得了可喜的成果。具体而言,DL中的卷积神经网络(CNN)模型已被应用于预测医学中的预防、检测和诊断。图像分割在疾病检测和预防中起着重要的作用,但由于医学图像的异构性、训练数据的不充分性以及标记数据的高度不平衡性,使得基于深度学习的自动分割面临着巨大的挑战。此外,自动分割的医学图像,如磁共振图像(MRI),成为一个具有挑战性的任务。对自动分割或注释的需求是我们工作的动力。在本文中,我们提出了一个完全自动化的方法,旨在分割人类屏状核的分析目的。我们应用U-Net CNN模型从MRI数据集中分割屏状核(Cl)。通过这种方法,我们已经实现了Cl分割的每个案例的平均Dice得分为0.72,交叉验证的K=5。医疗领域的专家也对这些结果进行了评估。
2019-11-18 cs.CV cs.LG eess.IV
Efficient and Accurate Tuberculosis Diagnosis: Attention Residual U-Net and Vision Transformer Based Detection Framework
Cochin University of Science & Technology(科钦科学技术大学);Union Christian College(联合基督学院)
针对结核杆菌显微检测自动化不足、分割与分类精度受限的问题,提出注意力残差 U-Net 分割 ROI 并用定制 TBViT 分类的两阶段框架,在新数据集和公开数据集上性能优于现有方法。
2025-01-07 cs.CV eess.IV
ADC-Net: An Open-Source Deep Learning Network for Automated Dispersion Compensation in Optical Coherence Tomography
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
色散是光学相干层析成像(OCT)中普遍存在的降低系统分辨率的问题。本研究旨在开发一种用于OCT中自动色散补偿(ADC-Net)的深度学习网络。ADC-Net基于重新设计的UNet架构,该架构采用编码器-解码器流水线。输入部分包含部分补偿的OCT B扫描,其中各个视网膜层被优化。相应的输出是完全补偿的OCT B扫描,所有视网膜层都经过优化。两个数值参数,即,峰值信噪比(PSNR)和多尺度计算的结构相似性指数度量(MS-SSIM)用于客观评估ADC网络性能。对比分析了单通道、三通道、五通道、七通道和九通道的训练模式。五输入通道实现被观察为ADC网络训练的最佳模式,以实现OCT中的鲁棒色散补偿
2022-01-29 cs.CV eess.IV q-bio.TO
Pinball-OCSVM for early-stage COVID-19 diagnosis with limited posteroanterior chest X-ray images
IIIT Allahabad(阿拉哈巴德印度信息技术学院)
2019年呼吸道冠状病毒病(COVID-19)的感染始于上呼吸道,随着病毒的生长,感染可进展到肺部并发展为肺炎。COVID-19诊断的传统方法是逆转录聚合酶链反应(RT-PCR),该方法在早期阶段的敏感性较低;特别是如果患者无症状,则可能进一步导致更严重的肺炎。在这种情况下,已经提出了几种深度学习模型,用于使用公开的胸部X射线(CXR)图像数据集识别肺部感染,以实现早期诊断,更好的治疗和快速治愈。在这些数据集中,与其他类别(正常、肺炎和结核病)相比,COVID-19阳性样本数量较少,这对深度学习模型的无偏学习提出了挑战。所有的深度学习模型都选择了类平衡技术来解决这个问题;然而,在任何医疗诊断过程中都应该避免。此外,深度学习模型也是数据饥渴型的,需要大量的计算资源。因此,为了更快地诊断,本研究提出了一种新的基于弹球损失函数的单类支持向量机(PB-OCSVM),它可以在有限的COVID-19阳性CXR样本中工作,目标是最大限度地提高学习效率并最大限度地减少错误预测。将该模型的性能与传统的OCSVM和现有的深度学习模型进行了比较,实验结果证明,该模型优于最先进的方法。为了验证所提出的模型的鲁棒性,实验也进行了噪声CXR图像和UCI基准数据集。
2021-06-05 cs.CV cs.LG eess.IV
Revealing Lung Affections from CTs. A Comparative Analysis of Various Deep Learning Approaches for Dealing with Volumetric Data
SenticLab(SenticLab实验室)
本文在ImageClef 2020 Tuberculosis任务的背景下,介绍并比较分析了几种自动检测肺部CT中结核病相关病变的深度学习方法。三类方法,不同的体积数据作为输入到基于神经网络的分类器的方式进行了讨论和评价。所有这些都伴随着丰富的实验分析,包括各种神经网络架构,各种分割算法和数据增强方案。报告的工作属于SenticLab.UAIC团队,他们在比赛中获得了最好的成绩。
2020-09-09 cs.CV cs.LG eess.IV
An Efficient Mixture of Deep and Machine Learning Models for COVID-19 and Tuberculosis Detection Using X-Ray Images in Resource Limited Settings
University of Baghdad(巴格达大学);The University of Sydney(悉尼大学);The University of Edinburgh(爱丁堡大学)
前线的临床医生需要迅速评估有症状的患者是否确实患有COVID-19。在可能无法进行生物技术试验的低资源环境中,这项任务的难度更大。此外,结核病(TB)仍然是一些低收入和中等收入国家的主要健康问题,其常见症状包括发烧,咳嗽和疲劳,与COVID-19相似。为了帮助检测COVID-19,我们提出了从胸部X射线图像中提取深度特征(DF),这是一种在大多数医院都可用的技术,并使用不需要大量计算资源的机器学习方法对其进行后续分类。我们编制了一个五类X射线胸部图像数据集,包括COVID-19、病毒性肺炎、细菌性肺炎、结核病和健康病例的平衡数量。我们比较了将14个最先进的预训练深度网络与传统机器学习分类器相结合进行DF提取的管道的性能。由用于DF计算的ResNet-50和子空间判别分类器集成组成的管道在五个类别的分类中表现最好,检测准确率为91.6+ 2.6%(准确率+ 95%置信区间)。此外,相同的流水线在更简单的三类和两类分类问题中分别实现了98.6+1.4%和99.9+0.5%的准确率,重点是区分COVID-19,TB和健康病例;以及COVID-19和健康图像。该流水线计算效率高,仅需0.19秒即可提取每个X射线图像的DF,2分钟即可在CPU机器上训练具有2000多个图像的传统分类器。结果表明,使用我们的管道检测COVID-19的潜在好处,特别是在资源有限的环境中,它可以在有限的计算资源下运…
2020-07-16 cs.CV cs.LG eess.IV
Towards Radiologist-Level Accurate Deep Learning System for Pulmonary Screening
Artelus
在这项工作中,我们提出了先进的肺炎和肺结核分级系统的X射线图像。该系统是一个非常深的完全卷积分类网络,具有在线增强功能,可输出疾病流行率的置信度值。它是一个完全自动化的系统,能够理解疾病特征,无需任何离线预处理步骤或手动特征提取。我们已经在公共数据库上实现了最先进的性能,如ChestXray-14,Mendeley,深圳医院X射线和白俄罗斯X射线机。
2018-06-25 cs.CV cs.LG
A Region-Based Deep Learning Approach to Automated Retail Checkout
University of Missouri-Columbia(密苏里大学哥伦比亚分校)
一般来说,在传统零售店实现产品结账过程自动化是一项对社会产生重大影响的任务。为此,可靠的深度学习模型可以实现自动产品计数,以实现快速客户结账,从而实现这一目标。在这项工作中,我们提出了一种新的,基于区域的深度学习方法,使用自定义的YOLOv5目标检测管道和DeepSORT算法自动进行产品计数。我们在具有挑战性的真实测试视频上的结果表明,我们的方法可以将其预测推广到足够的准确度,并且运行速度足够快,可以保证部署到真实世界的商业环境中。我们提出的方法在2022年人工智能城市挑战赛第4轮中获得第4名,实验验证数据的F1得分为0.4400。
2022-04-18 cs.CV
Automated Mouse Organ Segmentation: A Deep Learning Based Solution
InferLink Corporation(InferLink公司);Fred Hutch Cancer Research Center(弗雷德·哈钦森癌症研究中心)
在临床前药物开发阶段,动物横截面图像(如实验室小鼠的横截面)的分析对于评估实验药物的效果(如候选化合物的生物分布)至关重要。放射性标记的候选治疗性化合物的组织分布可以使用如定量全身放射自显影(QWBA)的技术来定量。QWBA尤其依赖于动物横截面图像中感兴趣的关键器官(例如脑、脊柱、心脏、肝脏等)的准确分割或识别。我们提出了一个基于深度学习的器官分割解决方案来解决这个问题,使用它,我们可以实现高精度的自动器官分割(取决于器官的骰子系数在0.83-0.95范围内)的关键器官的兴趣。
2018-07-16 cs.CV
Automated Deepfake Detection
Institute of High Performance Computing, Agency for Science, Technology, and Research(科学、技术与研究局高性能计算研究所);Centre for Artificial Intelligence, University of Technology Sydney(悉尼科技大学人工智能中心);Brookhaven National Laboratory(布鲁克海文国家实验室);JD AI Research(京东AI研究院)
在本文中,我们提出利用自动机器学习来自适应地搜索用于深度伪造检测的神经架构。这是第一次将自动化机器学习用于深度伪造检测。基于我们探索的搜索空间,我们提出的方法实现了竞争力的预测精度相比,以前的方法。为了提高我们的方法的通用性,特别是当训练数据和测试数据被不同的方法操作,我们提出了一个简单而有效的策略,在我们的网络学习过程中:使其估计潜在的操纵区域除了预测真/假标签。与以往人工设计神经网络的工作不同,我们的方法可以减轻我们在网络建设的高劳动力成本。更重要的是,与以前的作品相比,我们的方法对先验知识的依赖要少得多,例如,使用哪种操纵方法或者在哪里精确地操纵伪图像。在两个基准数据集上的大量实验结果证明了我们提出的方法对deepfake检测的有效性。
2021-08-12 cs.CV
Automated Deep Photo Style Transfer
Department of Computer Science, University of Tübingen(图宾根大学计算机科学系)
照相现实主义是一个复杂的概念,不能很容易地用数学公式来表达。深度照片风格转移是一种尝试,将参考图像的风格转移到内容图像,同时保留其照片真实感。这是通过引入一个约束,防止在内容图像中的失真,并通过应用独立的图像的语义不同的部分的风格转移。此外,提出了一种自动分割过程,该过程由基于神经网络的分割方法和随后的语义分组步骤组成。为了进一步改善结果的图像美学措施的使用和阐述。如果内容和样式图像足够相似,则结果图像看起来非常逼真。随着图像分割的自动化,流水线变得完全独立于任何用户交互,这允许新的应用程序。
2019-01-12 cs.CV
Towards Automated Swimming Analytics Using Deep Neural Networks
Simon Fraser University(西蒙弗雷泽大学)
本文考虑了创建一个系统来自动收集游泳池范围内的游泳分析的方法。在游泳者跟踪或为机器学习目的创建游泳者数据库方面还没有太多的工作。因此,从游泳比赛视频中收集游泳运动员数据的方法进行了探索和分析。其结果是一个指南,以创建一个全面的游泳数据收集适合训练游泳者检测和跟踪系统。有了这个数据库,就可以创建系统来自动收集游泳分析。
2020-01-13 cs.CV