DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease Attention for Multi-Label Lesion Detection in Chest X-rays
University of Lincoln（林肯大学）
提出DualAttNet双注意力监督模块，通过融合图像级与细粒度疾病注意力优化特征金字塔表示，在多个胸部X光数据集上显著提升了多标签病灶检测性能。
2023-06-23 cs.CV eess.IV
Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays
Wadhwani AI（瓦德瓦尼人工智能研究所）；IIT Ropar（印度理工学院罗巴尔分校）；IIIT Hyderabad（国际信息技术学院海得拉巴分校）；IIT Palakkad（印度理工学院帕拉卡德分校）
针对胸部X射线分类中数据有限、跨域及类别部分重叠的挑战，提出GenCDML-FSL框架与GenET训练策略，利用元学习实现少样本多标签跨域学习，性能优于现有方法。
2023-09-08 cs.CV
SwinCheX: Multi-label classification on chest X-ray images with transformers
Sharif University of Technology（谢里夫理工大学）
根据胸部X射线图像在诊断各种疾病方面的作用以及收集大量数据集的显着增长，使用深度神经网络进行自动诊断程序已经占据了专家的头脑。计算机视觉中的大多数可用方法都使用CNN主干来获得分类问题的高精度。然而，最近的研究表明，作为NLP中事实上的方法，Transformers在视觉上也可以胜过许多基于CNN的模型。提出了一种以Swin Transformer为骨干的多标签分类深度模型，实现了最先进的诊断分类。它利用多层感知器（也称为MLP）作为头部架构。我们在最广泛使用和最大的X射线数据集之一“胸部X射线14”上评估了我们的模型，该数据集包括来自14种著名胸部疾病的30，000多名患者的100，000多张正面/背面图像。我们的模型已经用几个MLP层的头部设置进行了测试，每个层在所有类别上都达到了有竞争力的AUC分数。对胸部X射线的综合实验14表明，3层头部达到了最先进的性能，平均AUC得分为0.810，而之前SOTA的平均AUC为0.799。我们提出了一个实验设置现有方法的公平基准，这可以作为未来研究的基础。最后，我们通过确认所提出的方法关注胸部的病理相关区域来跟进我们的结果。
2022-06-09 cs.CV
Effect of Radiology Report Labeler Quality on Deep Learning Models for Chest X-Ray Interpretation
Stanford University（斯坦福大学）；Harvard University（哈佛大学）
尽管用于胸部X射线解释的深度学习模型通常在自动放射学报告标签生成器生成的标签上进行训练，但报告标签的改进对胸部X射线分类模型性能的影响尚未得到系统研究。我们首先比较了CheXpert、CheXbert和VisualCheXbert标记器从放射学报告中提取准确胸部X射线图像标签的任务，报告称VisualCheXbert标记器优于CheXpert和CheXbert标记器。接下来，在使用不同放射学报告标记器在最大的胸部X射线数据集之一上生成的标签训练图像分类模型后，我们表明，在VisualCheXpert标记器的标签上训练的图像分类模型优于在CheXpert和CheXpert标记器的标签上训练的图像分类模型。我们的工作表明，放射学报告标签的最新改进可以转化为更高性能的胸部X射线分类模型的发展。
2021-11-28 cs.CV cs.LG eess.IV
Long-tailed multi-label classification with noisy label of thoracic diseases from chest X-ray
University of Science and Technology of China（中国科学技术大学）；University of the Chinese Academy of Sciences（中国科学院大学）；iFlytek（科大讯飞）
本文针对胸部X光片罕见疾病检测不足问题，提出长尾多标签分类基准LTML-MIMIC-CXR及基线方法，通过自适应负正则化和大损失重考虑策略改善尾部类别与噪声标签，显著提升罕见疾病检测性能。
2023-11-29 cs.CV
A Diffusion-Driven Fine-Grained Nodule Synthesis Framework for Enhanced Lung Nodule Detection from Chest Radiographs
Indian Institute of Technology, Bombay（印度理工学院，孟买）
本文提出了一种基于扩散的细粒度结节合成框架，通过低秩适应适配器实现对结节特征的精确控制，提升了胸部X光片上结节检测的性能。
2026-03-02 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
Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Weill Cornell Medicine（威尔康奈尔医学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Science, VNU-HCM（越南胡志明市国家大学科学大学）；KT Research & Development Center, KT Corporation（KT公司研发中心）；Ajou University（亚洲大学）
本文介绍了CXR-LT开放挑战赛，发布了超35万张胸部X光片的长尾多标签基准数据集，总结了顶尖解决方案并提出了基于视觉-语言基础模型的未来发展方向。
2024-04-01 cs.CV
Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs
NYU Abu Dhabi（纽约大学阿布扎比分校）
尽管深度神经网络在胸部X射线（CXR）诊断中取得了成功，但监督学习仅允许预测训练期间观察到的疾病类别。在推理中，这些网络无法预测看不见的疾病类别。创建一个新的类需要收集标记数据，这不是一个简单的任务，特别是对于不太常见的疾病。因此，建立一个可以诊断所有可能疾病类别的模型变得不可想象。在这里，我们提出了一个多标签广义零样本学习（CXR-ML-GML）网络，可以同时预测CXR图像中的多种可见和不可见疾病。给定一个输入图像，CXR-ML-GREML学习由从丰富的医学文本语料库中提取的输入的相应语义引导的视觉表示。为了实现这一雄心勃勃的目标，我们建议使用新的学习目标将视觉和语义模态映射到潜在的特征空间。该目标确保（i）查询图像的最相关标签的排名高于不相关标签，（ii）网络学习与潜在特征空间中的语义一致的视觉表示，以及（iii）映射的语义保留其原始的类间表示。该网络是端到端可训练的，不需要对离线特征提取器进行独立的预训练。在NIH胸部X射线数据集上的实验表明，我们的网络在召回率、精度、f1分数和接收器操作特征曲线下的面积方面优于两个强基线。我们的代码可在https://github.com/nyuad-cai/CXR-ML-GZSL.git上公开获取
2021-07-14 cs.CV
Boosted Cascaded Convnets for Multilabel Classification of Thoracic Diseases in Chest Radiographs
Paralleldots, Inc.（Paralleldots 公司）
胸部X线检查是诊断多种疾病的最有效的医学影像技术之一。ChestX-ray 14是一个庞大的胸部X射线图像数据集，可为14种胸部疾病提供注释;随着ChestX-ray 14的可用性，可以训练深度卷积神经网络（DCNN）来构建计算机辅助诊断（CAD）系统。在这项工作中，我们实验了一组深度学习模型，并提出了一个级联的深度神经网络，它可以比基线更好地诊断所有14种病理，并且与其他已发表的方法相比具有竞争力。我们的工作提供了定量结果来回答数据集的以下研究问题：1）在ChestX-ray 14数据集上从头开始训练DCNN使用什么损失函数，该数据集表现出高类别不平衡和标签共现？2)如何使用级联来对标签依赖进行建模并提高深度学习模型的准确性？
2017-11-23 cs.CV
AnaXNet: Anatomy Aware Multi-label Finding Classification in Chest X-ray
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）；Virginia Tech（弗吉尼亚理工学院）
放射科医生通常在做出决定之前观察胸部X射线图像的解剖区域以及整体图像。然而，大多数现有的深度学习模型仅查看整个X射线图像进行分类，未能利用重要的解剖信息。在本文中，我们提出了一种新的多标签的胸部X射线分类模型，准确地分类图像发现，并将发现定位到正确的解剖区域。具体来说，我们的模型包括两个模块，检测模块和解剖依赖模块。后者利用图卷积网络，这使得我们的模型不仅能够学习标签依赖性，而且还能够学习胸部X射线中解剖区域之间的关系。我们还利用一种方法来有效地创建一个邻接矩阵的解剖区域使用的相关性的标签在不同的区域。详细的实验和分析结果表明，我们的方法相比，目前国家的最先进的多标签胸部X射线图像分类方法，同时也提供准确的位置信息的有效性。
2021-05-20 cs.AI cs.CV
Deep Mining External Imperfect Data for Chest X-ray Disease Screening
The Chinese University of Hong Kong（香港中文大学）；Stanford University（斯坦福大学）
深度学习方法在自动胸部X射线分析方面取得了显著进展。深度模型的数据驱动特征要求训练数据覆盖大的分布。因此，它是实质性的，从多个数据集，特别是医学图像的知识集成。然而，使用额外的胸部X射线（CXR）数据学习疾病分类模型仍然具有挑战性。最近的研究表明，在不同CXR数据集上的联合训练存在性能瓶颈，并且很少有人努力解决这个障碍。在本文中，我们认为，合并外部CXR数据集会导致不完善的训练数据，这带来了挑战。具体来说，不完美的数据有两种形式：域差异，因为图像外观在数据集之间存在差异;标签差异，因为不同的数据集被部分标记。为此，我们制定了多标签胸部疾病分类问题加权独立的二元任务，根据类别。对于跨领域共享的常见类别，我们采用特定于任务的对抗训练来减轻特征差异。对于存在于单个数据集中的类别，我们提出了模型预测的不确定性感知时间集成，以进一步从缺失的标签中挖掘信息。通过这种方式，我们的框架同时建模和处理域和标签差异，从而实现卓越的知识挖掘能力。我们在三个数据集上进行了广泛的实验，其中包含超过360，000张胸部X射线图像。我们的方法优于其他竞争模型，并在官方NIH测试集上设置了最先进的性能，AUC为0.8349，证明了其利用外部数据集改进内部分类的有效性。
2020-06-06 cs.CV
Comparison of Deep Learning Approaches for Multi-Label Chest X-Ray Classification
University Medical Center Hamburg-Eppendorf（汉堡-埃彭多夫大学医学中心）；Hamburg University of Technology（汉堡工业大学）；Philips Research（飞利浦研究院）
X射线图像档案（例如NIH临床中心的ChestX-ray 14数据集）的可用性增加，引发了人们对深度学习技术的兴趣。为了更好地了解不同的方法及其在胸部X射线分类中的应用，我们详细研究了一个强大的网络架构：ResNet-50。基于该领域的先前工作，我们考虑了有和没有微调的迁移学习以及从头开始训练专用X射线网络。为了利用X射线数据的高空间分辨率，我们还包括一个扩展的ResNet-50架构，以及一个在分类过程中集成非图像数据（患者年龄、性别和采集类型）的网络。在最后的实验中，我们还研究了多个ResNet深度（即ResNet-38和ResNet-101）。在一个系统的评价，使用5倍重采样和多标签损失函数，我们比较了不同的方法的性能，病理分类ROC统计和分析之间的差异，使用等级相关性的分类。总的来说，我们观察到所实现的性能有相当大的差异，并得出结论，X射线专用ResNet-38集成了非图像数据，产生了最佳的整体结果。此外，类激活图用于理解分类过程，并提供了非图像特征的影响的详细分析。
2019-01-29 cs.CV
Probabilistic Integration of Object Level Annotations in Chest X-ray Classification
University of Amsterdam（阿姆斯特丹大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）
医学图像数据集及其注释的增长速度不如一般领域中的等同物。这使得从最新的、对视野产生巨大影响的数据密集型方法进行翻译变得越来越困难，效率也越来越低。在本文中，我们提出了一种新的概率潜变量模型的胸部X射线图像的疾病分类。具体而言，我们考虑包含全局疾病标签的胸部X射线数据集，并且对于较小的子集，包含以眼睛注视模式和疾病边界框的形式的对象级专家注释。我们提出了一个两阶段的优化算法，它能够通过一个单一的训练管道在两个阶段的方式来处理这些不同的标签粒度。在我们的流水线中，全局数据集特征是在模型的较低级别层中学习的。细粒度专家对象级注释中的具体细节和细微差别是在模型的最后几层中使用受条件变分推理启发的知识蒸馏方法学习的。随后，模型权重被冻结以指导该学习过程，并防止在较小的丰富注释的数据子集上过拟合。所提出的方法在常见的基准数据集Chest X-ray 14和MIMIC-CXR上的不同主干上产生一致的分类改进。这表明了从粗到细粒度的标签的两阶段学习，特别是对象级注释，是一种更优化注释使用的有效方法。
2022-10-13 cs.CV
Building a Benchmark Dataset and Classifiers for Sentence-Level Findings in AP Chest X-rays
IBM Almaden Research Center（IBM阿尔马登研究中心）
胸部X光是急诊室和医院最常见的诊断检查。在NIH提供大型开源胸部X射线数据集之后，使用深度学习方法自动解释胸部X射线的工作激增。然而，标签对于训练分类工具来说不够丰富和描述性。此外，它没有充分解决在前后位（AP）视图中拍摄的胸部X线片中观察到的发现，这些X线片也描述了器械的放置，例如中央血管线和管。在本文中，我们提出了一个新的胸部X线基准数据库的73个丰富的高级描述符的发现，在AP胸部X线。我们描述了我们的方法，通过一个半自动的地面真相生成过程中，从众包的临床医生注释获得这些结果。我们还展示了为这些发现构建分类器的结果，这些结果表明，这种更高粒度的标签也可以通过深度学习分类器的框架来学习。
2019-06-21 cs.CV
Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease Dependencies and Uncertainty Labels
Vingroup Big Data Institute (VinBDI)（Vingroup大数据研究院（VinBDI））
胸部X光片（CXRs）是放射科医生（NHS）最常订购的视图之一，对于许多不同胸部疾病的诊断至关重要。从CXR中准确检测多种疾病的存在仍然是一项具有挑战性的任务。我们提出了一个基于深度卷积神经网络（CNN）的多标签分类框架，用于诊断14种常见胸部疾病的存在和观察。具体来说，我们训练了一组强大的CNN，利用异常标签之间的依赖关系，并使用标签平滑正则化（LSR）来更好地处理不确定样本。我们的深度网络在最近发布的CheXpert数据集（Irvinandal.，2019）和最终模型，这是一个最好的表现网络的集合，实现了平均曲线下面积（AUC）为0.940，预测5个选定的病理学从验证集。据我们所知，这是迄今为止报告的最高AUC评分。更重要的是，所提出的方法还在CheXpert竞争的独立测试集上进行了评估，该测试集包含由5名经验丰富的放射科医生组成的小组注释的500篇CXR研究。报告的性能平均优于其他3名放射科医生中的2.6名，平均AUC为0.930，这导致了CheXpert测试集的当前最先进性能。
2020-05-25 cs.CV
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs
Hamburg University of Technology（汉堡工业大学）；Jung Diagnostics GmbH（荣格诊断有限公司）
X光片是一种多功能的诊断工具，用于检测和评估病理，用于治疗计划或用于临床干预中的导航和定位目的。然而，放射科医生对它们的解释和评估可能是繁琐且容易出错的。因此，已经提出了各种各样的深度学习方法来支持放射科医师解释射线照片。大多数情况下，这些方法依赖于卷积神经网络（CNN）来从图像中提取特征。特别是对于胸部X光片（胸部X光，CXR）上的病理的多标签分类，CNN已被证明非常适合。相反，视觉Transformer（ViTs）尚未应用于该任务，尽管它们在通用图像和可解释的局部显著性图上具有高分类性能，这可能会增加临床干预的价值。ViT不依赖于卷积，而是依赖于基于补丁的自我注意力，与CNN相反，不存在本地连接的先验知识。虽然这导致容量增加，但ViT通常需要过量的训练数据，这代表了医疗领域中的障碍，因为高成本与收集大型医疗数据集相关联。在这项工作中，我们系统地比较了不同数据集大小的ViT和CNN的分类性能，并评估了更有效的ViT变体（DeiT）。我们的研究结果表明，虽然ViTs和CNN之间的性能与ViTs的小优势相当，但如果有相当大的数据集可用于训练，DeiTs的性能优于前者。
2022-08-17 cs.CV
Leveraging Pathology Co-occurrence for Test-Time Adaptation in Chest X-Ray Diagnosis
Seoul National University（首尔国立大学）；Nanyang Technological University（南洋理工大学）；UNIST（蔚山科学技术院）
研究针对医学影像模型在新临床地点性能下降问题，提出共现加权适应（CoWA）方法，利用疾病共现模式作适应可靠性信号，估计标签共现结构并降低偏离模式样本权重，在胸部X光基准测试中优于基线。
2026-07-10 cs.CV
Foreign object segmentation in chest x-rays through anatomy-guided shape insertion
University Medicine Essen（埃森大学医学部）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对胸部X光片中异物分割标注困难的问题，提出通过解剖引导的任意形状插入和剪切粘贴增强生成合成数据，在减少93%人工标注下达到全监督模型性能。
2025-01-21 cs.CV
TieNet: Text-Image Embedding Network for Common Thorax Disease Classification and Reporting in Chest X-rays
Department of Radiology and Imaging Sciences, Clinical Center（临床中心放射与影像科学系）
胸部X光检查是日常临床常规中最常见的放射学检查之一。使用胸部X射线报告胸部疾病通常是放射科实习生的入门级任务。然而，对于面向学习的机器智能来说，阅读胸部X射线图像仍然是一项具有挑战性的工作，这是由于（1）缺乏大规模的机器可学习的医学图像数据集，以及（2）缺乏能够模仿人类放射科医生的高级推理的技术，这需要多年的知识积累和专业培训。在本文中，我们表明，临床自由文本放射学报告可以作为先验知识来解决这两个关键问题。我们提出了一种新的文本图像嵌入网络（TieNet）提取独特的图像和文本表示。多层次注意力模型被集成到一个端到端的可训练的CNN-RNN架构中，用于突出有意义的文本单词和图像区域。我们首先应用TieNet通过使用从相关报告中提取的图像特征和文本嵌入来对胸部X射线进行分类。所提出的自动注释框架在为我们的手动标签评估数据集分配疾病标签时实现了高准确性（AUC平均超过0.9）。此外，我们将TieNet转换为胸部X射线报告系统。它模拟了报告过程，可以输出疾病分类和初步报告。与看不见的手动标记数据集（OpenI）的最新基线相比，分类结果得到了显著改善（AUC平均增加6%）。
2018-01-12 cs.CV
Learning Sparse Label Couplings for Multilabel Chest X-Ray Diagnosis
Grossman School of Medicine New York University Langone Health New York City, USA（纽约大学Langone健康中心grossman医学院）
针对胸部X光多标签分类问题，提出基于SE-ResNeXt101的 pipeline，结合MIS分割、非对称损失等优化策略，并引入轻量级标签图细化模块，提升宏AUC且计算量小，无需额外标注。
2025-11-11 cs.CV
Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images
Ukrainian Catholic University（乌克兰天主教大学）；SoftServe（SoftServe公司）
深度卷积神经网络已被证明在解决语义分割任务方面是有效的。然而，它们的效率在很大程度上依赖于像素级注释，这些注释获取成本很高，并且通常需要领域专业知识，特别是在医学成像领域。弱监督语义分割有助于克服这些问题，并提供可解释的深度学习模型。在本文中，我们提出了一种新的方法，医学胸部X射线图像的语义分割，只有图像级的类标签作为监督。我们通过将三种方法作为连续步骤相结合来提高疾病定位的准确性。首先，我们生成伪分割标签的异常区域的训练图像，通过监督分类模型与正则化过程增强。然后对获得的激活图进行后处理，并将其传播到第二个分类模型-像素间关系网络中，该模型改善了不同对象类别之间的边界。最后，将得到的伪标签用于训练一个建议的全监督分割模型。我们分析了所提出的方法的鲁棒性，并在两个不同的数据集上测试其性能：PASCAL VOC 2012和SIIM-ACR气胸。我们实现了显着的结果，在两个数据集上的分割只使用图像级注释。我们表明，这种方法是适用于胸部X射线检测肺和胸壁之间的胸膜腔中的空气异常体积。我们的代码已公开发布。
2020-07-01 cs.CV
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
A Relational-learning Perspective to Multi-label Chest X-ray Classification
NEC Labs（NEC实验室）
胸部X射线图像的多标签分类经常使用判别方法来执行，即学习将图像直接映射到其二进制标签。这样的方法使得合并辅助信息（诸如标注不确定性或标签之间的依赖性）变得具有挑战性。为此，我们提出了一种新的知识图谱重新制定的多标签分类，这不仅很容易增加预测性能的编码器，但也作为一个通用框架，引入新的领域知识。具体来说，我们构建了一个多模态的知识图谱的胸部X射线图像和它的标签和构成多标签分类作为一个链接预测问题。然后，可以通过添加附加节点和它们之间的关系来简单地实现对辅助信息的描述。当在公开可用的射线照片数据集（CheXpert）上进行测试时，我们使用朴素知识图谱的关系重构通过实现83.5%的ROC曲线下的面积而优于最新技术水平，这比纯粹的判别方法提高了“sim 1”。
2021-03-10 cs.AI cs.CV cs.LG
Augmenting Chest X-ray Datasets with Non-Expert Annotations
IT University of Copenhagen（丹麦哥本哈根IT大学）
本文通过引入非专家标注的管道捷径来增强NIH-CXR14和PadChest胸部X光数据集，创建NEATX数据集，并训练出能泛化到专家标签的胸腔引流管检测器，验证了非专家标注的可靠性。
2025-05-21 cs.CV
Dealing with Distribution Mismatch in Semi-supervised Deep Learning for Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature Densities
Centre for Computational Intelligence (CCI), De Montfort University（德蒙福特大学计算智能中心）；School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院）
在全球冠状病毒大流行的背景下，已经提出了使用胸部X射线图像进行感染对象检测的不同深度学习解决方案。然而，深度学习模型通常需要大型标记数据集才能有效。半监督深度学习是一种有吸引力的替代方案，其中利用未标记的数据来提高整体模型的准确性。然而，在现实世界的使用设置中，未标记的数据集可能呈现与标记的数据集不同的分布（即，标记的数据集从目标诊所采样，未标记的数据集从源诊所采样）。这导致未标记和标记数据集之间的分布不匹配。在这项工作中，我们评估了标记和未标记数据集之间的分布不匹配的影响，对于用胸部X射线图像训练的半监督模型，用于COVID-19检测。在强分布失配条件下，我们发现准确率接近30%，这表明未标记的数据集分布对模型的行为有很大的影响。因此，我们提出了一个简单的方法来减少这种分布不匹配的影响。我们提出的方法使用的特征空间的密度近似。它建立在目标数据集上，以过滤掉源未标记数据集中可能损害半监督模型准确性的观测。它假设一个小的标记源数据集与一个较大的未标记源数据集一起可用。我们提出的方法不需要任何模型训练，它是简单的，计算成本低。我们将我们提出的方法与两种流行的最先进的分布外数据检测器进行比较，这两种检测器也很便宜且易于实现。在我们的测试中，我们的方法产生了高达32%的准确性增益，与以前的最先进的方法相比。
2021-08-17 cs.CV
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation
Chinese University of Hong Kong（香港中文大学）
CNN在医学图像分析中的优越性能在很大程度上取决于标注质量，如标注图像的数量、图像来源和专家经验。注释需要大量的专业知识和劳动。为了解决评价者间差异较大的问题，研究不完美标记在医学图像分割中具有重要意义。在本文中，我们提出了一种新的级联鲁棒学习框架的胸部X射线分割与不完善的注释。我们的模型由三个独立的网络组成，可以有效地从对等网络中学习有用的信息。该框架包括两个阶段。在第一阶段，我们通过模型委员会设置选择干净的注释样本，通过使用所选的干净样本最小化分割损失来训练网络。在第二阶段，我们设计了一个带有标签校正的联合优化框架，逐步纠正错误的标注，提高网络性能。我们在深圳医院采集的公共胸片数据集上进行了实验。实验结果表明，与以往的方法相比，我们的方法在分割任务的准确性上有了显著的提高。
2021-04-05 cs.CV eess.IV
PadChest: A large chest x-ray image dataset with multi-label annotated reports
University of Alicante（阿利坎特大学）；Hospital San Juan de Alicante（阿利坎特圣胡安医院）；Regional Ministry of Health, Valencia（瓦伦西亚地区卫生部）
我们提出了一个标记的大规模，高分辨率的胸部X射线数据集的自动化探索医学图像及其相关的报告。该数据集包括从2009年至2017年由圣胡安医院（西班牙）放射科医生解释和报告的67，000名患者获得的160，000多张图像，涵盖六种不同的位置视图以及有关图像采集和患者人口统计学的其他信息。这些报告被标记为174种不同的放射学检查结果，19种鉴别诊断和104个解剖位置，这些位置被组织为分层分类，并映射到标准的统一医学语言系统（UMLS）术语。在这些报告中，27%由受过训练的医生手动注释，其余的使用基于具有注意力机制的递归神经网络的监督方法进行标记。然后在独立测试集中验证生成的标签，获得0.93 Micro-F1评分。据我们所知，这是最大的公共胸部X光数据库之一，适合训练有关X光照片的监督模型，也是第一个包含西班牙语X光报告的数据库。PadChest数据集可以从http://bimcv.cipf.es/bimcv-projects/padchest/下载。
2019-02-07 cs.CV eess.IV
Did You Get What You Paid For? Rethinking Annotation Cost of Deep Learning Based Computer Aided Detection in Chest Radiographs
Lunit Inc.（Lunit公司）
由于深度网络需要大量准确标记的训练数据，因此收集足够大且准确的注释的策略与识别方法的创新同样重要。这对于构建用于胸部X射线的计算机辅助检测（CAD）系统尤其如此，其中需要放射科医师的领域专业知识来注释X射线图像上异常的存在和位置。然而，缺乏具体的证据，提供指导多少资源分配给数据注释，使最终的CAD系统达到预期的性能。如果没有这些知识，从业者往往会回到收集尽可能多的数据，尽可能多的细节，这是成本效益低的战略。在这项工作中，我们调查的数据注释的成本最终如何影响CAD模型的性能分类和分割的胸部异常的正面视图X射线图像。我们从标注数量、标注质量和标注粒度三个方面来定义标注成本。在整个研究中，我们隔离了每个维度对检测X射线中10个胸部异常的CAD模型性能的影响。在具有超过120K具有金标准注释的X射线图像的大规模训练数据上，我们发现，当大量收集时，具有成本效益的注释提供了巨大的价值，并且与仅使用金标准注释训练的模型相比，具有竞争力的性能。我们还发现，将大量具有成本效益的注释与少量昂贵的标签相结合，可以以更低的成本获得有竞争力的CAD模型。
2022-09-30 cs.CV
Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning
University of Technology, Vietnam（越南技术大学）；National University of Singapore（新加坡国立大学）；University of California, San Diego（加州大学圣地亚哥分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对胸部X光分类中极端长尾多标签分布和罕见/未见发现缺失标注的问题，提出不平衡感知多标签学习（任务1）和无需监督标签的零样本预测方法（任务2），在CXR-LT 2026挑战赛中取得领先性能。
2026-02-23 cs.CV
Robust Classification from Noisy Labels: Integrating Additional Knowledge for Chest Radiography Abnormality Assessment
Siemens Healthineers（西门子医疗）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
胸部X线摄影是日常临床实践中最常见的放射学检查，用于检测各种心脏和肺部异常。需要读取和报告的数据量很大，单个放射科医生每天要进行100多项研究，这对始终保持高解释准确性构成了挑战。大规模公共数据集的引入导致了一系列用于自动异常分类的新颖系统。然而，这些数据集的标签是使用自然语言处理的医疗报告获得的，产生了很大程度的标签噪声，可能会影响性能。在这项研究中，我们提出了新的训练策略，处理来自这种次优数据的标签噪声。先前的标签概率是在由4名委员会认证的放射科医师重读的训练数据的子集上测量的，并且在训练期间用于增加训练模型对标签噪声的鲁棒性。此外，我们利用胸部X线摄影中观察到的异常的高共病率，并将此信息纳入进一步减少标签噪声的影响。此外，通过训练系统来预测肺和心脏分割以及空间知识标签，从而并入解剖学知识。为了处理来自应用不同后处理技术的各种扫描仪的多个数据集和图像，我们引入了一种新的图像归一化策略。对来自86，876名患者的297，541张胸片进行了广泛收集的实验，导致来自2个数据集的17种异常的最新性能水平。所有异常的平均AUC评分为0.880，我们提出的训练策略可用于显着提高性能评分。
2021-04-21 cs.AI cs.CV
Improving Semi-supervised Deep Learning by using Automatic Thresholding to Deal with Out of Distribution Data for COVID-19 Detection using Chest X-ray Images
Instituto Tecnologico de Costa Rica（哥斯达黎加技术学院）
半监督学习（SSL）利用标记和未标记数据来训练模型，当标记数据有限而未标记数据巨大时。通常，未标记数据比标记数据更广泛地可用，因此当标记数据稀缺时，这些数据用于提高模型的泛化水平。然而，在现实世界中，未标记的数据可能描绘与标记的数据集分布不同的分布。这被称为分布不匹配。当未标记数据的源与标记数据的源不同时，通常会出现这种问题。例如，在医学成像领域，当使用胸部X射线图像训练COVID-19检测器时，可能会使用从不同医院采样的不同未标记数据集。在这项工作中，我们提出了一个自动阈值的方法来过滤未标记的数据集中的分布数据。我们使用标记和未标记数据集之间的Mahalanobis距离，使用由预训练的Image-net特征提取器（FE）构建的特征空间来对每个未标记的观察进行评分。我们在使用胸部X射线图像训练COVID-19检测器的背景下测试了两种简单的自动阈值化方法。测试方法提供了一种自动方式来定义在训练半监督深度学习架构时要保留哪些未标记数据。
2022-11-03 cs.CV eess.IV
Self-supervised Mean Teacher for Semi-supervised Chest X-ray Classification
University of Adelaide（阿德莱德大学）；Universidade Federal Rural de Pernambuco（伯南布哥联邦农村大学）；Universität Ulm（乌尔姆大学）；South Australian Health and Medical Research Institute（南澳大利亚健康与医学研究所）
深度学习模型的训练通常需要大量的注释数据，以实现有效的收敛和泛化。然而，获得高质量的注释是一个费力和昂贵的过程，由于需要专业的放射科医生的标签任务。医学图像分析中的半监督学习的研究是至关重要的，因为获得未标记的图像比获得由放射科专家标记的图像便宜得多。从本质上讲，半监督方法利用大量未标记的数据集来实现比仅使用少量标记图像更好的训练收敛和泛化。在本文中，我们提出了半监督（S $^2$ MTS $^2$）学习的自监督均值教师，它将自监督均值教师预训练与半监督微调相结合。S $^2$ MTS $^2$的主要创新点是基于联合对比学习的自监督平均教师预训练，它使用无限数量的正查询和关键特征对来改进平均教师表示。然后使用经过半监督学习训练的指数移动平均教师框架对模型进行微调。我们验证了S $^2$ MTS $^2$在胸部X射线14和CheXpert的多标签分类问题上的有效性，以及ISIC 2018的多类分类，我们表明它大大优于以前的SOTA半监督学习方法。
2021-11-04 cs.CV
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
TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling
School of Biomedical Engineering, South-Central Minzu University（中南民族大学生物医学工程学院）
针对胸部X光多标签分类中的长尾分布问题，提出TRCGL-Net，利用可学习文本引导扩散模型生成尾部类样本、通道重加权和类别注意力机制增强特征，以及基于标签共现的图卷积网络建模类别关系，在PadChest数据集上尾部类mAP达0.4904。
2026-07-02 cs.AI cs.CV
Localization with Limited Annotation for Chest X-rays
Technion - Israel Institute of Technology（以色列理工学院）；Google Research（谷歌研究院）
图像内的对象的定位是医学成像中的常见任务。学习定位或检测对象通常需要收集已标记有边界框或类似注释的数据，这可能非常耗时且昂贵。因此，一种可以用更少的注释来执行这种学习的技术将是非常有价值的。我们提出了这样一种技术的本地化与有限的注释，其中具有边界框的图像的数量可以是总数据集的一小部分（例如，小于1%）;所有其他图像只拥有一个完整的图像标签，没有限界框。我们提出了一种新的损失函数来解决这个问题，损失是一个连续放松的定义良好的离散制定弱监督学习，是数值上的适定性。此外，我们提出了一个新的架构，占补丁依赖性和平移不变性，通过包括CRF层和抗混叠滤波器，分别。我们将我们的技术应用于胸部X射线图像中胸部疾病的定位，并在ChestX-ray 14数据集上展示了最先进的定位性能。
2019-10-10 cs.CV
Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
针对胸部X光片长尾多标签分类难题，本文整合数据增强、特征提取、分类器、损失再加权及外部数据等策略，并结合测试时增强与集成，在CXR-LT竞赛测试集上取得0.349 mAP、前五名。
2023-08-17 cs.CV cs.LG
LT-ViT: A Vision Transformer for multi-label Chest X-ray classification
University of Surrey（萨里大学）；University of Oxford（牛津大学）
提出LT-ViT，一种通过图像令牌与标签辅助令牌的联合注意力聚合多尺度信息的视觉Transformer，在多标签胸部X光分类中超越纯ViTs最先进性能，且无需grad-cam即可解释。
2023-11-13 cs.CV cs.LG
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures
Hospital Italiano de Buenos Aires（布宜诺斯艾利斯意大利医院）；Universidad Tecnológica Nacional（国家技术大学）
背景和目的：过去几年发布的多个胸部X射线数据集具有用于不同计算机视觉任务的地面真实标签，这表明通过使用可以利用不同类型注释的方法可以提高自动胸部X射线解释的性能。这项工作提出了一种基于不同卷积架构的后期融合的深度学习方法，该方法允许通过简单的实现使用异构数据进行训练，并在独立的测试数据上评估其性能。我们专注于获得一个临床上有用的工具，可以成功地集成到医院的工作流程。材料和方法：根据专家意见，我们选择了四个目标胸部X线检查结果，即肺部阴影、骨折、气胸和胸腔积液。对于每一个发现，我们定义了最合适的地面实况标签类型，并建立了四个训练数据集，结合了来自公共胸部X射线数据集和我们的机构档案的图像。我们训练了四种不同的深度学习架构，并将它们的输出与后期融合策略相结合，获得了一个统一的工具。在两个测试数据集上测量性能：一个外部开放数据集和一个回顾性机构数据集，以估计当地人群的性能。研究结果：外部和本地测试集分别有4376和1064张图像，模型显示在检测异常胸部X射线时的受试者工作特征曲线下面积分别为0.75（95%CI：0.74 - 0.76）和0.87（95%CI：0.86 - 0.89）。对于当地人群，敏感性为86%（95%CI：84 - 90），特异性为88%（95%CI：86 - 90），人口统计学亚组之间无显著差异。我们给出了热图的例子，以显示可解释性的完成水平，检查真阳性和假阳性。
2020-12-23 cs.CV eess.IV
Semi-supervised Learning for Quantification of Pulmonary Edema in Chest X-Ray Images
Massachusetts Institute of Technology（麻省理工学院）；Philips Research North America（飞利浦北美研究院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）
我们提出并演示了机器学习算法来评估充血性心力衰竭患者胸部X射线图像中肺水肿的严重程度。在作出治疗和处置决定时，准确评估心力衰竭中的肺水肿至关重要。我们的工作基于超过300，000张X射线图像的大规模临床数据集以及相关的放射学报告。虽然可以从一小部分放射学报告中明确提取水肿严重程度标签，但在大多数情况下，准确的注释具有挑战性。为了利用未标记的图像，我们开发了一个贝叶斯模型，该模型包括一个变分自动编码器，用于从与回归器联合训练的整个图像集中学习潜在表示，该回归器采用这种表示来预测肺水肿的严重程度。我们的实验结果表明，与严格监督的方法相比，结合有限的标签对图像的分布进行建模可以提高肺水肿评分的准确性。据我们所知，这是首次尝试采用机器学习算法来自动和定量评估胸部X射线图像中肺水肿的严重程度。
2019-04-10 cs.CV
Label-Efficient Chest X-ray Diagnosis via Partial CLIP Adaptation
本文提出一种标签高效的胸部X射线诊断策略，通过对预训练CLIP视觉编码器进行部分微调，在NIH Chest X-ray14数据集上利用少样本学习有效提升了平均AUC得分，模拟了真实医院标注稀疏场景。
2025-07-09 cs.CV eess.IV
Integrating Unimodal and Vision-Language Representations in Latent Space for Multi-Label Chest X-Ray Classification
Ho Chi Minh City University of Technology（胡志明市理工大学）；Vietnam National University Ho Chi Minh City（越南国立大学胡志明市分校）；AK Technologies Company Limited（AK科技有限公司）
本研究提出融合RAD-DINO单模态与BioViL-T视觉-语言表示的多标签胸部X射线分类框架，在MIMIC-CXR-JPG上实现AUROC 0.840，证明混合融合优于早期融合。
2026-09-10 cs.CV
Domain Shift Analysis in Chest Radiographs Classification in a Veterans Healthcare Administration Population
Veterans Healthcare Administration（退伍军人健康管理局）
本研究利用在MIMIC-CXR上预训练的DenseNet121模型，在VA-CXR数据集上分析胸片多标签分类中的域偏移，发现研究年份亚组差异最大，并强调改进迁移学习与公平模型开发的必要性。
2024-07-30 cs.AI cs.CV eess.IV
Auto-outlier Fusion Technique for Chest X-ray classification with Multi-head Attention Mechanism
University College London（伦敦大学学院）；University of Sheffield（谢菲尔德大学）
胸部X光检查是诊断和检测各种肺部疾病的最广泛可用的放射学检查之一。美国国立卫生研究院（NIH）提供了一个广泛的数据库，ChestX-ray 8和ChestXray 14，以帮助建立一个深度学习社区，用于分析和预测肺部疾病。ChestX-ray 14由30，805名不同患者的112，120张正面视图X射线图像组成，具有文本挖掘的14个疾病图像标签，其中每张图像具有多个标签，并且已在过去的许多研究中使用。据我们目前所知，没有以前的研究已经调查了离群值和多标签的影响，为一个单一的X射线图像在预处理阶段。本文提出的自动离群点融合技术，以减轻离群点的影响。图像标签是通过集中在一个图像中的特定因素来重新生成的。最终清理的数据集将用于比较多头自注意和多头注意与广义最大池的机制。
2022-11-15 cs.CV cs.LG eess.IV
Multi-task Learning for Chest X-ray Abnormality Classification on Noisy Labels
Siemens Healthineers（西门子医疗）；Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学）
胸部X射线（CXR）是日常临床实践中最常见的X射线检查，用于诊断各种心脏和肺部异常。需要读取和报告的大量数据，单个放射科医生每天要进行100多项研究，这对保持一贯的高解释准确性提出了挑战。在这项工作中，我们提出了一种基于人体CXR扫描的不同异常分类方法。该系统基于一种新型的多任务深度学习架构，除了异常分类之外，还支持肺和心脏的分割以及异常所在区域的分类。我们证明，通过同时训练这些任务，可以提高模型的分类性能。对来自86，876名患者的297，541张胸部X射线图像的广泛收集进行了实验，导致12种不同异常的平均最新性能水平为0.883 AUC。我们还进行了详细的性能分析，并将我们的系统的准确性与3个委员会认证的放射科医生进行了比较。在这种情况下，我们强调这个问题固有的高水平的标签噪音。基于3位放射科医师的共识，在仅包含具有高置信度参考标签的病例的缩减子集上，我们的系统达到了0.945的平均AUC。
2019-05-15 cs.CV cs.LG
CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison
Stanford University（斯坦福大学）
大型标记数据集推动了深度学习方法在各种医学成像任务上实现专家级性能。我们介绍了CheXpert，这是一个包含65，240名患者的224，316张胸片的大型数据集。我们设计了一个贴标机，自动检测存在的14个观察放射学报告，捕捉固有的不确定性射线照片的解释。我们研究了不同的方法来使用不确定性标签来训练卷积神经网络，该网络在给定可用的正面和侧面射线照片的情况下输出这些观察结果的概率。在200个胸部放射学研究的验证集上，由3名委员会认证的放射科医生手动注释，我们发现不同的不确定性方法对不同的病理是有用的。然后，我们评估了我们的最佳模型的测试集组成的500胸部放射学研究注释的共识，5个委员会认证的放射科医生，并比较我们的模型的性能，3个额外的放射科医生在5个选定的病理检测。对于心脏肥大、水肿和胸腔积液，模型ROC和PR曲线位于所有3个放射科医生操作点之上。我们向公众发布的数据集作为一个标准的基准，以评估性能的胸部X光片解释模型。该数据集可在https://stanfordmlgroup.github.io/competitions/chexpert上免费获得。
2019-01-21 cs.AI cs.CV cs.LG
Multi-Task Lung Nodule Detection in Chest Radiographs with a Dual Head Network
HTC DeepQ
肺结节可能是潜在肺癌的先兆。在胸部X光片分析过程中遗漏结节检测仍然是胸部放射科医生的常见挑战。在这项工作中，我们提出了一个多任务的肺结节检测算法的胸片分析。与过去的方法不同，我们的算法预测一个全球级的标签，指示结节的存在，以及使用双头网络（DHN）预测结节位置的本地标签。我们证明了有利的结节检测性能，我们的多任务制定产量相比，传统的方法。此外，我们介绍了一种新的双头增强（DHA）的策略，为DHN量身定制，我们证明了它的意义，进一步提高全球和本地结节的预测。
2022-07-07 cs.CV eess.IV
Clinically-Inspired Hierarchical Multi-Label Classification of Chest X-rays with a Penalty-Based Loss Function
Gina Cody School of Engineering and Computer Science, Concordia University（康考迪亚大学吉娜·科迪工程与计算机科学学院）；YULCOM Technologies（YULCOM科技公司）；Division of Radiation Oncology, McGill University Health Centre（麦吉尔大学健康中心放射肿瘤科）
本文提出一种临床启发的胸部X光分层多标签分类方法，通过自定义分层二元交叉熵损失函数建模标签依赖关系，在CheXpert数据集上取得0.903 AUROC，并增强了模型可解释性。
2025-02-05 cs.AI cs.CV cs.LG
Chest X-ray Classification using Deep Convolution Models on Low-resolution images with Uncertain Labels
International Institute of Information Technology, Bangalore（班加罗尔国际信息技术学院）；Indian Institute of Science（印度科学学院）
针对远程医疗中低分辨率胸部X光诊断的挑战，本文通过不同输入尺寸实验、标签随机翻转技术和多模型集成，在CheXpert数据集5种病理上训练模型，对心脏增大等3种病理的分类准确率较原始论文高3%。
2025-04-12 cs.AI cs.CV
LTCXNet: Advancing Chest X-Ray Analysis with Solutions for Long-Tailed Multi-Label Classification and Fairness Challenges
National Tsing Hua University（国立清华大学）；National Taiwan University Hospital（台湾大学附属医院）
本文提出LTCXNet框架，通过集成ConvNeXt、ML-Decoder和数据增强解决胸部X光长尾多标签分类问题，显著提升罕见病检测率，并评估算法对不同人群的公平性影响。
2024-11-16 cs.AI 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
MIMIC-CXR-JPG, a large publicly available database of labeled chest radiographs
Institute of Medical Engineering & Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Stanford University（斯坦福大学）；Harvard Medical School（哈佛医学院）；National Center for Biotechnology Information, National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆国家生物技术信息中心）
胸部X线摄影是一种非常强大的成像方式，可以对患者的胸部进行详细检查，但需要经过专门的培训才能进行正确的解释。随着高性能通用计算机视觉算法的出现，胸部X光片的精确自动分析越来越受到研究人员的关注。然而，开发这些技术的一个关键挑战是缺乏足够的数据。在这里，我们描述了MIMIC-CXR-JPG v2.0.0，这是一个大型数据集，包含377，110张胸部X光片，与2011 - 2016年间来自Beth Israel Deaconess Medical Center的227，827项成像研究相关。图像提供有14个标签，这些标签来自应用于相应自由文本放射学报告的两个自然语言处理工具。MIMIC-CXR-JPG完全来自MIMIC-CXR数据库，旨在提供MIMIC-CXR的方便处理版本，并为数据分割和图像标签提供标准参考。所有图像均已去识别化，以保护患者隐私。该数据集免费提供，以促进和鼓励医学计算机视觉的广泛研究。
2019-11-14 cs.CV cs.LG eess.IV
Interpreting chest X-rays via CNNs that exploit hierarchical disease dependencies and uncertainty labels
Vingroup Big Data Institute（Vingroup大数据研究所）
胸部X线摄影是最常见的诊断放射学检查类型之一，对于许多不同胸部疾病的筛查和诊断至关重要。已经开发了专门的算法来检测几种特定的病理，如肺结节或肺癌。然而，从胸部X射线（CXR）中准确检测多种疾病的存在仍然是一项具有挑战性的任务。本文提出了一种基于深度卷积神经网络（CNN）的监督多标签分类框架，用于预测14种常见胸部疾病的风险。我们通过训练最先进的CNN来解决这个问题，这些CNN利用异常标签之间的依赖关系。我们还建议使用标签平滑技术来更好地处理不确定的样本，这些样本几乎占据了每个CXR数据集的很大一部分。我们的模型在最近发布的CheXpert数据集的超过200，000个CXR上进行了训练，并在预测验证集中的5种选定病理时实现了0.940的平均曲线下面积（AUC）。这是迄今为止报告的最高AUC评分。所提出的方法还在CheXpert竞赛的独立测试集上进行了评价，该测试集由5名经验丰富的放射科医生组成的小组注释的500项CXR研究组成。平均而言，其表现优于其他3名放射科医生中的2.6名，平均AUC为0.930，在撰写本文时在CheXpert排行榜上排名第一。
2020-06-12 cs.CV eess.IV
Multi-Label Chest X-Ray Classification via Deep Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这个疫情大流行的时代，医疗行业的未来从未如此令人兴奋。人工智能和机器学习（AI & ML）为开发满足行业内非常特定需求的解决方案提供了机会。医疗保健领域的深度学习在支持诊所和改变患者护理方面变得非常强大。深度学习越来越多地被应用于检测图像中的临床重要特征，这些特征超出了人眼的感知范围。胸部X射线图像是诊断许多疾病的最常见的临床方法之一，例如肺炎，肺癌和许多其他异常，如病变和骨折。从X射线图像中正确诊断疾病通常是具有挑战性的任务，即使是放射科专家，并且由于X射线图像中编码的大量信息量，对计算机化支持系统的需求不断增长。本文的目标是开发一种轻量级的解决方案，从X射线图像中检测14种不同的胸部状况。给定一个X射线图像作为输入，我们的分类器输出一个标签向量，指示图像属于14个疾病类别中的哪一个。除了图像特征外，我们还将使用数据中可用的非图像特征，例如X射线视图类型，年龄，性别等。最初的研究重点是预测5种疾病。我们的目的是改进以前的工作，扩大预测14种疾病，并为未来的胸部放射学研究提供见解。
2022-11-27 cs.CV eess.IV
