Localization supervision of chest x-ray classifiers using label-specific eye-tracking annotation
Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与影像研究所）；Department of Radiology and Imaging Sciences, University of Utah（犹他大学放射学与影像科学系）
卷积神经网络（CNN）已成功应用于胸部X射线（CXR）图像。此外，注释的边界框已被证明在定位异常方面提高了CNN的可解释性。然而，只有少数相对较小的包含边界框的CXR数据集可用，并且收集它们的成本非常高。适当的是，可以在放射科医生的临床工作流程中以非侵入性方式收集眼动追踪（ET）数据。我们使用放射科医生记录的ET数据，同时向训练CNN口述CXR报告。我们从ET数据中提取片段，将它们与关键词的听写相关联，并使用它们来监督特定异常的定位。我们表明，这种方法提高了模型的可解释性，而不影响其图像级分类。
2022-12-14 cs.CV eess.IV
An Empirical Study on Detecting COVID-19 in Chest X-ray Images Using Deep Learning Based Methods
Bu Ali Sina University（布阿里·西纳大学）
COVID-19病毒的传播加大了提供检测试剂盒的力度。不仅这些试剂盒的制备困难、稀有和昂贵，而且使用它们也是另一个问题。结果表明，这些试剂盒需要一些关键的时间来识别病毒，除了他们遇到30%的损失之外。在本文中，我们研究了通过现有的卷积神经网络（CNN）对COVID-19胸部X射线图像进行分类的无处不在的X射线图片的使用。我们打算用不同的CNN架构（包括VGG 19、Densnet-121和Xception）对感染和未感染的胸部X射线进行训练。训练这些架构导致了不同的准确性，这比通常的测试方法更快，更精确。
2020-10-10 cs.CV cs.LG eess.IV
Interpreting Radiologist's Intention from Eye Movements in Chest X-ray Diagnosis
University of Arkansas（亚拉巴马大学）；University of Liverpool（利物浦大学）；University of Houston（休斯顿大学）；MD Anderson Cancer Center（MD安德森癌症中心）
本文提出RadGazeIntent模型，利用transformer处理眼动时空数据，将注视特征转化为诊断意图表示，并构建三个意图标注子集，在预测放射科医生检查目标上优于基线方法。
2025-07-16 cs.AI cs.CV
Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest Radiographs Using Deep Convolutional Neural Networks
Medical Imaging Center, Vingroup Big Data Institute（Vingroup大数据研究院医学影像中心）；College of Engineering & Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
儿科患者的胸片（CXR）判读容易出错，需要对放射学专业知识有高度的理解。最近，深度卷积神经网络（D-CNN）在解释成人CXR方面表现出了卓越的性能。然而，缺乏证据表明D-CNN可以准确识别儿科CXR扫描中的多种肺部病变。特别是，用于检测儿科胸部疾病的诊断模型的开发面临着重大挑战，例如（i）缺乏医生注释的数据集和（ii）类别不平衡问题。在本文中，我们回顾性地收集了5，017个儿科CXR扫描的大型数据集，每个扫描都由经验丰富的放射科医生手动标记10种常见病理。然后，在3，550个带注释的扫描上训练D-CNN模型，以自动对多种儿科肺部病变进行分类。为了解决高级不平衡问题，我们建议修改并应用“分布平衡损失”来训练D-CNN，它重塑了标准的二进制交叉熵损失（BCE），通过降低分配给大多数类的损失来有效地学习更难的样本。在777项研究的独立测试集上，所提出的方法产生0.709（95%CI，0.690-0.729）的受试者工作特征（AUC）下的面积。在临界值处的敏感性、特异性和F1评分分别为0.722（0.694-0.750）、0.579（0.563-0.595）和0.389（0.373-0.405）。这些结果在大多数目标疾病上显著优于先前的最先进方法。此外，我们的消融研究验证了所提出的损失函数与其他标准损失相比的有效性，例如，BCE和焦点丢失，用于此学习任务。总的来说，我们证明了D-CNN在解…
2021-08-14 cs.CV eess.IV
Evaluating GPT-4 with Vision on Detection of Radiological Findings on Chest Radiographs
Weill Cornell Medicine（威尔康奈尔医学院）；University of Texas MD Anderson Cancer Center（德克萨斯大学 MD 安德森癌症中心）；Thomas Jefferson University Hospital（托马斯杰斐逊大学医院）
本研究测试多模态大模型GPT-4V对100张胸片的放射征象检测能力，发现其目前尚不能用于实际临床胸片诊断场景。
2024-05-13 cs.AI cs.CV eess.IV
CheX-DS: Improving Chest X-ray Image Classification with Ensemble Learning Based on DenseNet and Swin Transformer
School of Software Technology（软件技术学院）；Dalian University of Technology（大连理工大学）
针对胸部X射线疾病分类中现有CNN方法忽略全局特征、数据不平衡的问题，提出融合DenseNet与Swin Transformer的集成模型CheX-DS，结合加权二元交叉熵与非对称损失，在NIH ChestX-ray14数据集上取得83.76%的平均AUC，性能优于已有研究。
2025-05-16 cs.AI cs.CV
COVID-19 Detection on Chest X-Ray Images: A comparison of CNN architectures and ensembles
São Paulo State University (UNESP)（圣保罗州立大学（UNESP））
COVID-19在首次发现后仅四个月就迅速成为全球大流行病。尽快发现这种疾病以减少其传播至关重要。胸部X线（CXR）图像的使用成为一种有效的筛查策略，与逆转录-聚合酶链反应（RT-PCR）互补。卷积神经网络（CNN）通常用于自动图像分类，它们在CXR诊断中非常有用。本文测试了21种不同的CNN架构，并在CXR图像中识别COVID-19的任务中进行了比较。它们被应用于COVIDx 8B数据集，这是一个大型COVID-19数据集，包含来自至少51个国家的患者的16，352张CXR图像。还采用了CNN的集合，它们表现出比单个实例更好的功效。最好的个体CNN实例结果由DenseNet 169实现，准确率为98.15%，F1得分为98.12%。通过使用五个DenseNet 169实例的集成，这些分别进一步增加到99.25%和99.24%。这些结果高于使用相同数据集的最近作品中获得的结果。
2022-05-09 cs.CV eess.IV
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification
University of Victoria（维多利亚大学）
胸片用于诊断多种危重疾病（例如，肺炎、心力衰竭、肺癌），因此，用于这些数据的自动或半自动分析的系统是特别感兴趣的。对大量胸片进行有效分析可以帮助医生和放射科医生，最终可以更好地治疗肺部、心脏和胸部相关疾病。我们提出了一种新的离散小波变换（DWT）为基础的方法，有效地识别和编码的视觉信息，通常是丢失在下采样的高分辨率射线照片，在计算机辅助诊断管道的一个常见步骤。我们提出的方法只需要对现有最先进的卷积神经网络（CNN）的输入进行轻微修改，就可以轻松应用于现有的图像分类框架。我们表明，我们的方法提供的额外高频分量在使用NIH Chest-8和ImageNet-2017数据集的基准测试中提高了几个CNN的分类性能。基于我们的研究结果，我们假设提供频率特定的系数允许CNN专门识别特定于频段的结构，最终提高分类性能，而不会增加计算负荷。我们工作的实施情况可在github.com/DeclanMcIntosh/LeGallCuda上查阅。
2022-05-08 cs.CV eess.IV
Tips and Tricks to Improve CNN-based Chest X-ray Diagnosis: A Survey
LPIXEL Inc.（LPIXEL公司）
卷积神经网络（CNN）本质上需要大规模数据，而胸部X射线（CXR）图像往往是数据/注释稀缺的，导致过度拟合。因此，根据我们的开发经验和相关工作，本文全面介绍了在CXR诊断中提高泛化能力的技巧：如何（i）利用额外的数据，（ii）增加/提取数据，（iii）正则化训练，以及（iv）进行有效的分割。作为基于此类优化技术的开发示例，我们还介绍了LPIXEL基于CNN的CXR解决方案EIRL Chest Noxis，该解决方案将放射科医生/非放射科医生的结节检测灵敏度分别提高了0.100/0.131，同时保持了特异性。
2021-06-02 cs.CV eess.IV
Gaze-Guided Class Activation Mapping: Leveraging Human Attention for Network Attention in Chest X-rays Classification
University of British Columbia（英属哥伦比亚大学）
视线跟踪技术的可用性和准确性的提高引发了心理学、神经科学以及最近的计算机视觉和人工智能领域与注意力相关的研究。人工神经网络中的注意力机制被认为可以改善学习任务。然而，以往的研究还没有将网络注意力和人类注意力结合起来。针对胸部X射线病理分类问题，提出了一种基于影像专家视觉注意力直接调节网络注意力形成的注视引导类激活映射（GG-CAM）方法。GG-CAM是一个轻量级的（$3$额外的可训练参数用于调节学习过程）和通用扩展，可以很容易地应用于大多数分类卷积神经网络（CNN）。GG-CAM修饰的CNN在完全训练时不需要人类的注意力作为输入。比较实验表明，两个标准的CNN与GG-CAM扩展实现了显着更高的分类性能。ResNet 50的曲线下面积（AUC）指标中位数从$0.721$增加到$0.776$。对于EfficientNetv 2（s），中位AUC从$0.723$增加至$0.801$。GG-CAM还带来了更好的网络可解释性，有助于弱监督病理定位和分析。
2022-02-15 cs.CV eess.IV
Learning to Read Chest X-Rays: Recurrent Neural Cascade Model for Automated Image Annotation
Clinical Center（临床中心）；National Library of Medicine（美国国家医学图书馆）；National Institutes of Health（美国国立卫生研究院）
尽管最近在自动描述图像内容方面取得了进展，但它们的应用主要限于包含自然图像的图像字幕数据集（例如，Flickr 30k，MSCOCO）。在本文中，我们提出了一种深度学习模型，用于有效地从图像中检测疾病并注释其上下文（例如，位置、严重程度和受影响的器官）。我们采用了一个公开可用的胸部X射线及其报告的放射学数据集，并使用其图像注释来挖掘疾病名称，以训练卷积神经网络（CNN）。在此过程中，我们采用各种正则化技术来规避大的正常与患病病例偏差。然后，基于深度CNN特征，训练递归神经网络（RNN）来描述检测到的疾病的背景。此外，我们引入了一种新的方法来使用特定领域图像/文本数据集上已经训练好的CNN/RNN对的权重，来推断用于复合图像标记的联合图像/文本上下文。显着改善的图像注释结果表明，使用递归神经级联模型，考虑到联合图像/文本上下文。
2016-03-28 cs.CV
Large Scale Automated Reading of Frontal and Lateral Chest X-Rays using Dual Convolutional Neural Networks
Acute Care Solutions（急性护理解决方案）；Philips Research North America（飞利浦北美研究院）
MIMIC-CXR数据集是迄今为止发布的最大的胸部X射线数据集，包括从63，478名患者收集的473，064张胸部X射线和206，574份放射学报告。我们提出了在这个数据集上训练和评估一组深度卷积神经网络的结果，以识别多种常见的胸部疾病。据我们所知，这是第一次在如此大的胸部X射线图像集合上训练CNN来完成这项任务，这是之前发布的最大胸部X射线语料库（ChestX-Ray 14）的四倍多。我们描述和评估在正面和侧面CXR视图类型上训练的个体CNN模型。此外，我们提出了一种新的DualNet架构，它通过同时处理从放射学检查中获得的正面和侧面CXR图像来模拟常规临床实践。与应用单独的基线正面和侧面分类器相比，我们的DualNet架构在识别CXR图像中的发现方面表现出更好的性能。
2018-04-24 cs.CV stat.ML
Image Embedding and Model Ensembling for Automated Chest X-Ray Interpretation
Politecnico di Milano（米兰理工大学）
胸部X线检查（CXR）可能是全球最常进行的放射学检查。在这项工作中，我们提出并研究了几种机器学习方法来开发自动化CXR诊断模型。特别是，我们在CheXpert数据集上训练了几个卷积神经网络（CNN），CheXpert数据集是一个超过20万CXR标记图像的大型集合。然后，我们使用经过训练的CNN来计算CXR图像的嵌入，以便从它们中训练两组基于树的分类器。最后，我们描述和比较了三种集成策略，将训练好的分类器组合在一起。我们在这项工作中的目标不是期望一些性能方面的好处，而是表明上述两种方法，即，图像嵌入和模型集成的提取可以有效且可行地解决需要医学成像理解的任务。我们在这方面的结果令人鼓舞，值得进一步研究。
2021-05-05 cs.CV cs.LG
Deep reproductive feature generation framework for the diagnosis of COVID-19 and viral pneumonia using chest X-ray images
Izmir Institute of Technology（伊兹密尔理工学院）
提出结合八种预训练 CNN 与三层自动编码器的两阶段再生特征生成框架，用于胸部 X 光片的 COVID-19、正常和病毒性肺炎分类。
2023-04-20 cs.CV cs.LG eess.IV
Bootstrapping Chest CT Image Understanding by Distilling Knowledge from X-ray Expert Models
DAMO Academy, Alibaba Group（阿里巴巴达摩院）；University of Science and Technology of China（中国科学技术大学）；Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences（中国科学院苏州生物医学工程技术研究所）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The First Affiliated Hospital of College of Medicine, Zhejiang University（浙江大学医学院附属第一医院）
针对胸部 CT 缺乏大规模多病种标注数据的问题，本文提出从预训练 2D X-ray 专家模型蒸馏诊断知识，并结合语言引导检索与鲁棒对比学习，提升 3D CT 理解和报告生成能力。
2024-04-07 cs.CV
HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease Classification from Chest X-ray Images
Bilkent University（比尔肯特大学）；Amasya University（阿马西亚大学）
HydraViT结合Transformer主干与多分支输出模块，通过自注意力聚焦关键区域，提升胸部X射线多标签疾病分类性能，平均优于现有方法1.0%-1.4%。
2023-10-09 cs.CV cs.LG eess.IV
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations
Duke University（杜克大学）
在过去的十年中，卷积神经网络（CNN）已经成为图像分类和分割的领先算法。最近出版的大型医学成像数据库加速了其在生物医学领域的应用。虽然用于照片分类的训练数据受益于积极的几何增强，但医学诊断-特别是在胸部X光照片中-更强烈地依赖于特征位置。诊断分类结果可以通过依赖于射线照相注释而被人为地增强。这项工作介绍了一个一般的预处理步骤，胸部X射线输入到机器学习算法。基于VGG 11编码器的改进的Y-Net架构用于同时学习胸部的几何方向（相似性变换参数）和射线照相注释的分割。胸部X线片来自已发表的数据库。该算法使用1000个带有增强的手动标记图像进行训练。结果由专家临床医生进行评价，95.8%的几何结构和96.2%的注释掩模（n=500）可接受，而对照图像（n=241）分别为27.0%和34.9%。我们假设这个预处理步骤将提高未来诊断算法的鲁棒性。
2020-05-08 cs.CV cs.LG eess.IV
Generation of Radiology Findings in Chest X-Ray by Leveraging Collaborative Knowledge
Siemens SRL（西门子有限责任公司）；Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Siemens Healthineers（西门子医疗）
本文提出一种两步方法，先检测胸部X光片中的异常区域，再利用大语言模型生成相关放射学发现，以减轻放射科医生负担并增强可解释性。
2023-06-18 cs.CL cs.CV
Machine-Learning Based Detection of Coronary Artery Calcification Using Synthetic Chest X-Rays
School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）；School of Mechanical and Manufacturing Engineering, University of New South Wales（新南威尔士大学机械与制造工程学院）；Independent Researcher, Sydney, Australia（独立研究者）
本研究首次系统评估了DRRs作为冠状动脉钙化检测的替代训练领域，通过生成合成DRRs并优化模型策略，实现了与传统CXR方法相当的检测性能。
2026-01-06 cs.CV
Evaluation of Contemporary Convolutional Neural Network Architectures for Detecting COVID-19 from Chest Radiographs
Technical University of Munich（慕尼黑工业大学）；Stanford University（斯坦福大学）
解读胸片。胸部X射线图像是医学专业人员用来检测和识别可能困扰患者的许多疾病的必要且关键的诊断工具。尽管图像本身包含大量有价值的信息，但是它们的有用性可能受限于它们被解释的程度，特别是当审查放射科医师可能疲劳或者当有经验的放射科医师不可用时。使用深度学习模型分析胸部X光片的研究取得了令人印象深刻的结果，在某些情况下，模型的表现优于执业放射科医生。在COVID-19大流行期间，研究人员已经探索并提出使用所述深度模型从射线照片中检测COVID-19感染，作为帮助缓解医疗资源压力的可能方法。在这项研究中，我们训练和评估三个模型架构，提出了胸片分析，在不同的条件下，发现问题，折扣令人印象深刻的模型性能提出的当代研究这个问题，并提出方法，训练模型，产生更可靠的结果。代码、脚本、预训练模型和可视化可在https://github.com/nalbert/COVID-detection-from-radiographs上获得。
2020-06-30 cs.CV cs.LG eess.IV
Mask-Free Neuron Concept Annotation for Interpreting Neural Networks in Medical Domain
Kyung Hee University（庆熙大学）
本文提出无掩码医学模型解释方法MAMMI，利用视觉-语言模型免除像素级掩码需求，实现医学神经网络神经元概念标注，在NIH胸部X射线数据集上验证了其优越性能，助力透明临床决策。
2024-07-16 cs.CV
Self-Supervision and Multi-Task Learning: Challenges in Fine-Grained COVID-19 Multi-Class Classification from Chest X-rays
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
快速准确的诊断对于减轻COVID-19感染的影响至关重要，特别是对于严重病例。已经投入了巨大的努力来开发深度学习方法，以从胸部X光摄影图像中分类和检测COVID-19感染。然而，最近围绕这些方法的临床可行性和有效性提出了一些问题。在这项工作中，我们研究了多任务学习（分类和分割）对CNN区分肺部COVID-19感染的各种表现的能力的影响。我们还采用了自监督预训练方法，即MoCo和inpainting-CXR，以消除对COVID-19分类的昂贵地面实况注释的依赖。最后，我们对模型进行了严格的评估，以评估其部署准备情况，并深入了解从胸部X光片进行细粒度COVID-19多类分类的困难。
2022-06-26 cs.CV cs.LG eess.IV
Identification of pneumonia on chest x-ray images through machine learning
UNIVERSIDADE FEDERAL DO PARANÁ（巴拉那联邦大学）
本文基于迁移学习开发机器学习模型，用于自动识别儿童胸部X光图像中的肺炎，测试敏感性达98%、特异性达97.3%。
2023-09-21 cs.CV cs.LG eess.IV
Vispi: Automatic Visual Perception and Interpretation of Chest X-rays
Wayne State University（韦恩州立大学）；Northwest University（西北大学）
医学成像包含用于做出诊断和治疗决策的基本信息。检查（视觉感知）和解释图像以生成报告对于放射科医生来说是繁琐的临床例程，其中自动化预期将大大减少工作量。尽管自然图像描述的快速发展，计算机辅助医学图像视觉感知和解释仍然是一项具有挑战性的任务，这主要是由于缺乏高质量的注释图像报告对和定制的生成模型，用于充分提取和利用局部语义特征，特别是与异常相关的语义特征。为了应对这些挑战，我们提出了Vispi，一个自动医学图像判读系统，它首先通过在视觉支持下对常见胸部疾病进行分类和定位来注释图像，然后从细心的LSTM模型生成报告。分析一个开放的IU X射线数据集，我们证明了Vispi在疾病分类，定位和报告生成使用自动性能评估指标ROUGE和CIDER的优越性能。
2020-05-29 cs.CL cs.CV
CRRG-CLIP: Automatic Generation of Chest Radiology Reports and Classification of Chest Radiographs
Newcastle University（纽卡斯尔大学）；University of Reading（雷丁大学）
提出端到端CRRG-CLIP模型，结合Faster R-CNN、GPT-2与CLIP完成胸部X光片报告生成和分类，在多项指标上优于基线及现有方法。
2024-12-31 cs.AI cs.CV
False Positive Reduction in Lung Computed Tomography Images using Convolutional Neural Networks
Middle East Technical University（中东技术大学）
最近的研究表明，与传统的胸部X线摄影相比，每年使用低剂量计算机断层扫描（CT）进行肺癌筛查可将肺癌死亡率降低20%。因此，CT肺部筛查已开始在世界各地广泛使用。然而，分析这些图像对于放射科医生来说是一个严重的负担。在这项研究中，我们提出了一种新颖而简单的框架，使用卷积神经网络（CNN）分析CT肺部筛查，并减少假阳性。我们的框架表明，即使是不复杂的架构是非常强大的分类3D结节数据相比，传统的方法。我们还使用不同的融合，以显示他们的权力和对整体得分的影响。3D CNN优于2D CNN，因为数据是3D的，2D卷积操作可能导致信息丢失。小批量是为了克服类不平衡。提出的框架已根据LUNA16挑战评估进行了验证，并获得了0.786分，这是七个预定义假阳性（FP）点的平均灵敏度值。
2018-11-04 cs.CV
Vision Transformer for Efficient Chest X-ray and Gastrointestinal Image Classification
Pashchimanchal Campus（帕斯奇曼查尔校区）；Northwestern University（西北大学）
本文评估 Vision Transformer 与多种 SOTA CNN 在胸部 X 光、Kvasir 和 Kvasir-Capsule 三类医学图像上的分类性能，结合数据增强，证明 ViT 整体更优，可作为新基准。
2023-04-23 cs.CV eess.IV
Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images
International Institute of Information Technology（国际信息技术研究所）
由于COVID-19大流行，胸部X光（CXR）和计算机断层扫描（CT）图像的深度学习（DL）分析近年来引起了广泛关注。卷积神经网络（CNN）非常适合在大量数据上进行训练的图像分析任务。与任何其他领域相比，为医学图像分析开发的应用需要高灵敏度和精度。大多数用于检测COVID-19的工具都声称具有高灵敏度和召回率，但在对未知数据集进行测试时未能推广和执行。这鼓励我们开发一个CNN模型，通过使用Grad-CAM技术生成的类激活图可视化模型的预测来分析和理解它的性能。这项研究提供了一个详细的讨论所提出的模型在图像水平上的成功和失败。该模型的性能进行了比较，与国家的最先进的DL模型，并显示是可比的。使用的数据和代码可在https://github.com/aleesuss/c19上获得。
2022-12-28 cs.CV cs.LG eess.IV
Study of Vision Transformers for Covid-19 Detection from Chest X-rays
本研究针对新冠快速准确检测需求，探索多种前沿视觉Transformer模型结合迁移学习从胸部X光片检测新冠的效果，取得98.75%-99.5%的准确率，性能优于传统方法和CNNs，为临床筛查诊断提供新工具。
2023-07-17 cs.CV eess.IV
CUAB: Convolutional Uncertainty Attention Block Enhanced the Chest X-ray Image Analysis
National Cheng Kung University（台湾成功大学）；Kun Shan University（昆山科技大学）；National Cheng Kung University Hospital（台湾成功大学医院）
近年来，卷积神经网络（CNN）已经成功地应用于各种图像识别应用，例如医学图像分析，对象检测和图像分割。许多研究和应用一直致力于提高CNN算法和模型的性能。旨在提高CNN性能的策略可以分为三种主要方法：（1）更深更宽的网络架构，（2）自动架构搜索，（3）卷积注意力块。与方法（1）和（2）不同，卷积注意力块方法更灵活，成本更低。它通过提取更有效的特征来增强CNN的性能。然而，现有的注意力块侧重于增强重要特征，从而丢失了不确定性信息中的一些潜在特征。受测试时间增加和测试时间丢弃方法的启发，我们开发了一种新的卷积不确定性注意块（CUAB），可以利用不确定性信息来改进基于CNN的模型。该模块在计算机视觉任务中从特征图上的不确定区域中发现潜在的信息。它是一个灵活的功能注意力块，可以应用于CNN模型中卷积块的任何位置。我们在医学图像分割任务中使用著名的骨干模型ResNet和ResNeXt评估了CUAB。CUAB在肺炎和气胸分割中的骰子得分分别为73%和84%，从而优于原始模型和其他值得注意的方法。结果表明，CUAB可以有效地利用不确定性信息，以提高模型的性能。
2021-05-05 cs.CV cs.LG eess.IV
Deep Learning for Automated Screening of Tuberculosis from Indian Chest X-rays: Analysis and Update
Indian Institute of Technology Delhi（印度德里理工学院）；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（基督教医学院）
背景和目的：结核病（TB）是一个重要的公共卫生问题，也是全球范围内的主要死亡原因。通过对结核病患者的早期诊断和成功治疗，可以避免数百万人死亡。结核病的自动诊断具有巨大的潜力，可以帮助医学专家加快和改善诊断，特别是在印度这样的发展中国家，那里缺乏训练有素的医学专家和放射科医生。到目前为止，已经提出了几种基于深度学习的方法，用于从胸部X光照片中自动检测TB。然而，这些方法中的一些在印度胸片数据集上的性能一直不是最佳的，这可能是由于与其他国家相比，印度受试者的胸片上的肺部纹理不同。因此，在印度数据集上进行准确和自动诊断结核病的深度学习仍然是一个重要的研究课题。方法：拟议的工作探讨了卷积神经网络（CNN）在印度胸部X射线图像中诊断结核病的性能。三种不同的预训练神经网络模型，AlexNet，GoogLenet和ResNet用于将胸部X射线图像分类为健康或结核病感染。所提出的方法不需要任何预处理技术。此外，其他作品使用预先训练的NN作为制作特征的工具，然后应用标准分类技术。然而，我们尝试从胸部X光片进行基于端到端NN模型的结核病诊断。所提出的可视化工具也可以被放射科医生用于筛选大型数据集。结果：所提出的方法实现了93.40%的准确性和98.60%的灵敏度，以诊断结核病的印度人口。结论：所提出的方法的性能也进行了测试对文献中描述的技术。该方法在印度和深圳数据集上的性能优于现有技术。
2020-11-19 cs.CV eess.IV
Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images
COMSATS University Islamabad（伊斯兰堡COMSATS大学）；Bacha Khan University（巴查汗大学）；Chung-Ang University（中央大学）；University of Malaya（马来亚大学）；University Malaysia Sabah（马来西亚沙巴大学）；Institute of Space Technology（空间技术研究所）
持续的COVID-19大流行已经夺走了数百万人的生命，并破坏了全球经济。据报道，大多数COVID-19死亡和经济损失来自人口密集的城市。可以理解的是，有效控制和预防流行性/大流行性传染病至关重要。世卫组织认为，检测和诊断是控制流行病的最佳战略。世界各地的科学家正在尝试开发各种创新和具有成本效益的方法来加快测试过程。本文全面评估了最近十大最先进的深度卷积神经网络（CNN）用于使用胸部X射线图像自动检测COVID-19感染的适用性。此外，它提供了这些模型的准确性方面的比较分析。本研究确定了控制和预防传染性呼吸道疾病的有效方法。我们的训练模型在对COVID-19感染的胸部X光片进行分类方面表现出出色的结果。特别是，我们的训练模型MobileNet、EfficentNet和InceptionV 3在COVID-19类别分类测试集上的平均分类准确率分别达到95%、95%和94%。因此，加快COVID-19病例的检测、发现和随访可能有利于临床从业人员和放射科医生。
2022-07-01 cs.CV eess.IV
MultiFusionNet: Multilayer Multimodal Fusion of Deep Neural Networks for Chest X-Ray Image Classification
MultiFusionNet通过多层多模态融合和FDSFM模块提升胸部X光图像分类的准确率，达到97.21%和99.60%
2024-01-01 cs.CV cs.LG eess.IV
Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images
Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）
新型冠状病毒病（COVID-19）是一种传染性极强且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸系统综合征（SARS）和中东呼吸系统综合征（MERS）以及目前的COVID-19大流行都来自同一个冠状病毒家族。这项工作旨在使用深度卷积神经网络（CNN）对COVID-19，SARS和MERS胸部X射线（CXR）图像进行分类。创建了一个独特的数据库，即所谓的QU-COVID-family，由423张COVID-19，144张MERS和134张SARS CXR图像组成。此外，提出了一种鲁棒的COVID-19识别系统，以使用CNN分割模型（U-Net）识别肺部区域，然后使用预训练的CNN分类器将分割的肺部图像分类为COVID-19、MERS或SARS。此外，Score-CAM可视化方法用于可视化分类输出并理解深度CNN决策背后的推理。几个深度学习分类器进行了训练和测试;报告了四个表现出色的算法。原始图像和预处理图像被单独使用，并一起作为网络的输入。两种识别方案被认为是：平原CXR分类和分段CXR分类。对于普通CXR，观察到InceptionV 3优于其他具有3通道方案的网络，并分别实现了99.5%，93.1%和97%的COVID-19，MERS和SARS图像分类灵敏度。相比之下，对于分割的CXR，InceptionV 3优于使用原始CXR数据集，并分别实现了96.94%，…
2021-06-01 cs.CV cs.LG eess.IV
Cardiovascular Disease Detection from Multi-View Chest X-rays with BI-Mamba
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
针对CT辐射风险，提出BI-Mamba模型利用双向状态空间建模多视图胸部X光片，在NLST数据集上优于ResNet-50和ViT-S，并节省GPU内存，展现胸部X光预测CVD风险的潜力。
2024-05-28 cs.CV eess.IV
Privacy-Preserving Chest X-ray Classification in Latent Space with Homomorphically Encrypted Neural Inference
Department of Electrical and Computer Engineering（电子与计算机工程系）；Sungkyunkwan University（成均馆大学）；Center for Neuroscience Imaging Research（神经科学成像研究中心）；Institute for Basic Science（基础科学研究所）；Department of Artificial Intelligence（人工智能系）
本研究提出一种基于VQGAN潜空间压缩和同态加密的医学影像推理框架，通过低阶多项式近似激活函数及改进的挤压激励模块，在胸部X光多标签分类中显著降低计算负担，并展示了实际应用潜力。
2025-06-20 cs.CV eess.IV
A Novel Interaction-based Methodology Towards Explainable AI with Better Understanding of Pneumonia Chest X-ray Images
Columbia University（哥伦比亚大学）
在可解释人工智能（XAI）领域中，诸如卷积神经网络（CNN）之类的鲁棒“黑盒”算法以实现高预测性能而闻名。然而，解释和解释这些算法的能力仍然需要在理解直接或间接影响预测性能的有影响力的，更重要的是，可解释的特征方面进行创新。现有的一些方法在文献中集中在可视化技术，但可解释性和可解释性的概念仍然需要严格的定义。鉴于上述需求，本文提出了一种基于交互的方法--影响评分（I-score）--来筛选出图像中的噪声和非信息变量，从而为环境提供与特征预测性直接相关的可解释和可解释特征。我们将所提出的方法应用于肺炎胸部X射线图像数据集的实际应用中，并产生了最先进的结果。我们展示了如何通过提高可解释性和可解释性，在不牺牲预测性能的情况下，将所提出的方法应用于更一般的大数据问题。本文的贡献开辟了一个新的角度，使社区更接近XAI问题的未来管道。
2021-06-15 cs.CV cs.LG stat.AP
COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学学院）；PIEAS Artificial Intelligence Center (PAIC)（PIEAS人工智能中心）；Center for Mathematical Sciences（数学科学中心）
COVID-19是一种高度传染性的呼吸道感染，已影响到世界各地的大量人口，并继续造成破坏性后果。必须尽早发现COVID-19，以限制感染范围。在这项工作中，提出了一种基于深度卷积神经网络（CNN）和通道提升的新分类技术CB-STM-RENet，用于筛查胸部X射线中的COVID-19。在这方面，为了学习COVID-19特定的射线照相模式，开发了基于分裂-变换-合并（STM）的新卷积块。这个新的块系统地结合了区域和基于边缘的操作在每个分支，以捕捉不同层次的功能，特别是那些与区域同质性，纹理变化，和边界的感染区域。所提出的CNN架构的学习和辨别能力通过利用将辅助通道与原始通道连接在一起的通道提升（Channel Boosting）思想来增强。辅助通道是使用迁移学习从预训练的CNN生成的。在三种不同的胸部X射线数据集（即CoV-Healthy-6 k、CoV-NonCoV-10 k和CoV-NonCoV-15 k）上评估了所提出的技术CB-STM-RENet的有效性。所提出的CB-STM-RENet与现有技术的性能比较在区分COVID-19胸部感染与健康以及其他类型的胸部感染方面表现出高性能。CB-STM-RENet在所有这三个数据集上提供了最高的性能;特别是在严格的CoV-NonCoV-15 k数据集上。所提出的技术的良好检测率（97%）和高精度（93%）表明它可以适用于COVID-19…
2020-12-17 cs.CV eess.IV
SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification
BRAC University（BRAC大学）
本研究提出SynthEnsemble，融合CNN、Transformer及混合模型，通过差分进化加权集成，在ChestX-ray14数据集上将胸部X光多标签分类AUROC提升至85.4%，优于单模型。
2024-05-22 cs.AI cs.CV cs.LG
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays
School of Professional Studies（专业研究学院）；Northwestern University（西北大学）
人工智能（AI）正在颠覆医学领域，因为现代技术的进步使普通家用计算机能够学习解剖和病理特征，这些特征能够以高度专业化，训练有素的医生的准确性区分健康和疾病。计算机视觉AI应用程序使用医学成像，例如肺部胸部X射线（LCXR），通过提供医生或放射科医生的解释之外的第二意见来促进诊断。考虑到当前冠状病毒疾病（COVID-19）大流行的到来，LCXR可以提供快速的见解来间接帮助控制感染，但是为新疾病生成可靠标记的图像数据集并不是一件容易的事情，在对抗全球大流行时也不是最优先的。卷积神经网络（CNN）等深度学习技术能够为其他肺部病变选择区分健康和疾病状态的特征;本研究旨在利用该文献，以应用图像转换，从而平衡COVID-19 LCXR数据的缺乏。此外，该研究利用简单的CNN架构进行高性能多类LCXR分类，准确率为94%。
2021-04-06 cs.CV cs.LG eess.IV
GazeLT: Visual attention-guided long-tailed disease classification in chest radiographs
Department of Biomedical Informatics, Stony Brook University, NY, US（斯通比克大学生物医学信息学系）；Department of Radiology, Columbia University, NY, US（哥伦比亚大学放射学系）；Department of Computer Science, Stony Brook University, NY, US（斯通比克大学计算机科学系）
研究针对胸部X光片中长尾疾病分类问题，提出GazeLT方法，通过整合和分解机制利用视觉搜索时间维度，在两个公开数据集上实验，其平均准确率超最佳长尾损失方法4.1%、基于视觉注意力基线方法21.7%。
2026-07-28 cs.CV
Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network
Birmingham City University（伯明翰城市大学）；Assiut University（艾斯尤特大学）
胸部X线是第一种在COVID-19疾病诊断中发挥重要作用的成像技术。由于大规模注释图像数据集的高可用性，使用卷积神经网络（CNN）进行图像识别和分类已经取得了巨大的成功。然而，由于医学图像标注的有限性，医学图像的分类仍然是医学诊断中最大的挑战。迁移学习是一种有效的机制，可以通过将知识从通用对象识别任务转移到特定领域的任务来提供有希望的解决方案。在本文中，我们验证并调整了我们之前开发的CNN，称为分解，传输和合成（DeTraC），用于COVID-19胸部X射线图像的分类。DeTraC可以通过使用类分解机制调查其类边界来处理图像数据集中的任何不规则性。实验结果显示了DeTraC从全球多家医院收集的综合图像数据集中检测COVID-19病例的能力。DeTraC在检测来自正常和严重急性呼吸综合征病例的COVID-19 X射线图像时达到了95.12%的高准确性（灵敏度为97.91%，特异性为91.87%，精确度为93.36%）。
2020-05-17 cs.CV cs.LG eess.IV
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification
Munich Institute of Biomedical Engineering, Technical University of Munich（慕尼黑工业大学慕尼黑生物医学工程研究所）；Technical University of Munich（慕尼黑工业大学）；University Hospital LMU（慕尼黑大学附属医院）；Munich School of Technology in Society, Technical University of Munich（慕尼黑工业大学慕尼黑技术与社会学院）
本研究以气胸分类为例，证明视觉变换器在胸部X光分类中与CNN性能相当，且基于注意力的显著性图在可解释性上优于GradCAM，对放射科医生更有用。
2023-03-03 cs.CV eess.IV
PaliGemma-CXR: A Multi-task Multimodal Model for TB Chest X-ray Interpretation
Makerere University（马凯雷雷大学）
提出多任务多模态模型PaliGemma-CXR，通过微调PaliGemma并利用任务数据集大小倒数比例采样，实现TB诊断、目标检测、分割、报告生成和VQA，有效利用任务间依赖性提升性能。
2025-02-28 cs.AI cs.CV
Longitudinal detection of radiological abnormalities with time-modulated LSTM
University of Warwick（华威大学）
近年来，卷积神经网络（CNN）已经成功地用于检测医学图像（例如普通X射线）中的放射异常。到目前为止，大多数研究在单独的检查中使用CNN，并丢弃以前可用的临床信息。在这项研究中，我们开始探索长短期记忆网络（LSTM）是否可以用来提高分类性能时，建模的整个序列的射线照片，可能是一个给定的病人，包括他们的报告。然而，传统LSTM的局限性在于，它们隐含地假设等间隔的观察，而放射学检查是基于事件的，因此不规则地采样。使用模拟数据集和大规模胸部X射线数据集，我们证明了对LSTM架构的简单修改（明确考虑了连续观测之间的时间滞后）可以提高分类性能。我们的实验结果表明，提高了对胸部X线检查中常见异常的检测，如心脏肥大、实变、胸腔积液和食管裂孔疝。
2018-07-16 cs.CV cs.LG stat.ML
Lightweight Weighted Average Ensemble Model for Pneumonia Detection in Chest X-Ray Images
Virginia Tech（弗吉尼亚理工大学）；BML Munjal University（BML 蒙贾尔大学）；University of Indiana Tech（印第安纳理工大学）；Nanjing Medical University（南京医科大学）
本研究提出一种结合MobileNetV2和NASNetMobile的轻量级加权平均集成模型用于儿童胸部X射线肺炎检测，在保持计算效率的同时实现了98.63%的准确率，优于多个单一模型和先进架构，适合资源受限环境部署。
2025-02-01 cs.AI cs.CV eess.IV
CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks
Concordia University（康考迪亚大学）；McGill University（麦吉尔大学）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）
新型冠状病毒（COVID-19）疾病的全球爆发对世界产生了巨大影响，并导致了自第二次世界大战以来全球最具挑战性的危机之一。COVID-19阳性病例的早期诊断和隔离被认为是防止疾病传播和平坦化流行曲线的关键步骤。胸部计算机断层扫描（CT）扫描是一种高度敏感、快速和准确的诊断技术，可以补充逆转录聚合酶链反应（RT-PCR）检测。最近，基于深度学习的模型，主要基于卷积神经网络（CNN），已经显示出有希望的诊断结果。然而，CNN无法捕获图像实例之间的空间关系，并且需要大型数据集。另一方面，胶囊网络可以捕获空间关系，需要更小的数据集，并且具有相当少的参数。在本文中，胶囊网络框架，简称为“CT-CAPS”，提出了自动提取胸部CT扫描的独特特征。这些特征是从最终胶囊层之前的层中提取的，然后被用来区分COVID-19和非COVID病例。在307例患者的内部数据集上的实验显示了最先进的性能，准确性为90.8%，灵敏度为94.5%，特异性为86.0%。
2020-10-30 cs.CV cs.LG eess.IV
Chest X-Ray Analysis of Tuberculosis by Deep Learning with Segmentation and Augmentation
Huizhou University（惠州学院）
提供了基于深度学习的计算机辅助诊断（CADx）对2D图像进行胸部X射线（CXR）分析以获得统计学上可靠的预测（结核病的可用性）的结果。他们证明了肺分割的效率，通过深度卷积神经网络（CNN）应用于小的和不平衡的数据集的肺结核CADx的无损和有损数据增强。与原始未分割数据集相比，CNN证明了在肺分割后获得的预处理数据集上进行训练（尽管过拟合）的能力。与有损数据增强后的原始数据集和其他预处理数据集相比，分段数据集的无损数据增强导致最低的验证损失（没有过拟合）和几乎相同的准确度（在标准偏差的限度内）。额外的有限有损数据增强导致较低的验证损失，但降低了验证精度。总之，除了更复杂的深度CNN和更大的数据集之外，即使是小的和不平衡的数据集，CADx也可以通过更好的分割、数据增强、数据集分层和排除不明显的离群值来获得更好的进展。
2018-03-03 cs.CV cs.CY cs.LG
A Light CNN for detecting COVID-19 from CT scans of the chest
University of L’Aquila（拉奎拉大学）；Sapienza University（罗马大学）
OVID-19是一种世界性疾病，已被世界卫生组织宣布为大流行病。胸部的计算机断层扫描（CT）成像似乎是一种有效的诊断工具，可以及时发现COVID-19并控制疾病的传播。深度学习已广泛用于医学成像，卷积神经网络（CNN）也已用于CT图像的分类。我们提出了一种基于SqueezeNet模型的轻型CNN设计，用于有效区分COVID-19 CT图像与其他CT图像（社区获得性肺炎和/或健康图像）。在测试的数据集上，提出的改进的SqueezeNet CNN以非常有效的方式（在没有GPU加速的情况下7.81秒的中端laptot）实现了83.00%的准确率、85.00%的灵敏度、81.00%的特异度、81.73%的精确度和0.8333的F1 Score。除了性能之外，平均分类时间相对于更复杂的CNN设计非常有竞争力，因此也允许其在中等功率计算机上的可用性。在接下来的将来，我们的目标是沿着两个方向提高该方法的性能：1）通过增加训练数据集（一旦其他CT图像可用）; 2）通过引入有效的预处理策略。
2020-04-24 cs.CV cs.LG eess.IV
Deep learning for understanding multilabel imbalanced Chest X-ray datasets
Universidad Politécnica de Madrid（马德里理工大学）；Universidad Autónoma de Madrid（马德里自治大学）；TECNALIA（特克纳利亚研究中心）；Basque Research & Technology Alliance（巴斯克研究与技术联盟）
在过去的几年里，卷积神经网络（CNN）已经主导了计算机视觉领域，这要归功于它们提取特征的能力和在分类问题中的出色表现，例如在X射线的自动分析中。不幸的是，这些神经网络被认为是黑箱算法，即不可能理解算法是如何实现最终结果的。为了将这些算法应用于不同的领域并测试该方法的工作原理，我们需要使用可解释的AI技术。医学领域的大部分工作都集中在二进制或多类分类问题上。然而，在许多现实生活中，例如胸部X光检查，不同疾病的放射性体征可能同时出现。这就产生了所谓的“多标签分类问题”。这些任务的缺点是类别不平衡，即不同的标签不具有相同数量的样本。本文的主要贡献是针对不平衡的多标签胸部X射线数据集的深度学习方法。它为目前未充分利用的PadChest数据集建立了一个基线，并基于热图建立了一种新的可解释的AI技术。该技术还包括概率和模型间匹配。我们的系统的结果是有希望的，特别是考虑到使用的标签的数量。此外，热图与预期区域相匹配，即它们标记了专家将用于做出决策的区域。
2022-07-28 cs.CV cs.LG eess.IV
Finding-Aware Anatomical Tokens for Chest X-Ray Automated Reporting
Canon Medical Research Europe（佳能欧洲医疗研究院）；University of Glasgow（格拉斯哥大学）；University of Edinburgh（爱丁堡大学）
本研究提出一种发现感知解剖标记方法，通过改进Faster R-CNN在解剖结构上检测发现，提升胸部X光自动报告的临床准确性，并在MIMIC-CXR数据集上取得最优性能。
2023-08-30 cs.CL cs.CV
Pulmonary Disease Classification Using Globally Correlated Maximum Likelihood: an Auxiliary Attention mechanism for Convolutional Neural Networks
卷积神经网络（CNN）现在被广泛用于分类和检测胸部X线照片中的肺部异常。CNN的两个互补的泛化特性，平移不变性和等变性，在检测与肺部疾病相关的明显异常时特别有用，无论它们在图像中的空间位置如何。然而，这些属性也伴随着在局部区域中检测到的异常的精确空间信息和全局相对位置的丢失。这些异常的全球相对位置可能有助于区分类似的情况，如COVID-19和病毒性肺炎。在这种情况下，需要一种全局注意力机制，而CNN在其传统架构中不支持这种机制，这些架构旨在通过平移不变性和等变性提供泛化。视觉Transformer提供了一种全局注意力机制，但缺乏平移不变性和等变性，需要更多的训练数据样本来匹配CNN的泛化。为了解决空间信息的丢失和特征之间的全局关系，同时保留CNN的归纳偏差，我们提出了一种新的技术，作为现有CNN架构的辅助注意力机制，以提取显着特征之间的全局相关性。
2021-09-01 cs.CV cs.LG
Evaluating Convolutional Neural Networks for COVID-19 classification in chest X-ray images
本文利用AlexNet、VGG-11、SqueezeNet和DenseNet-121四种卷积神经网络对胸部X光图像进行COVID-19自动分类，结合浅层微调与数据增强，所有模型准确率超过97%，其中SqueezeNet达到99.20%。
2024-12-26 cs.CV cs.LG eess.IV
CXR-Agent: Vision-language models for chest X-ray interpretation with uncertainty aware radiology reporting
Imperial College of Science, Technology and Medicine（帝国理工学院）；Imperial College London（伦敦帝国学院）
针对视觉语言模型在胸部X线解读中易产生笃定幻觉的问题，研究提出基于智能体的不确定性感知放射报告生成方法，结合CheXagent探针与BioViL-T定位工具，经多维度评估显著提升了报告的准确性、可解释性与安全性。
2024-07-11 cs.CV eess.IV
