Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification
Beijing Jiaotong University（北京交通大学）；University of Technology Sydney（悉尼科技大学）；Xiamen University（厦门大学）
本文考虑的任务胸部疾病分类的胸部X线图像。现有的方法通常使用全局图像作为网络学习的输入。这种战略有两个方面的局限性。1)胸部疾病通常发生在疾病特异性的（小）局部区域。使用全局图像训练CNN可能会受到（过多）不相关噪声区域的影响。2)由于某些CXR图像对齐不良，不规则边界的存在阻碍了网络性能。在本文中，我们通过提出一个三分支注意力引导卷积神经网络（AG-CNN）来解决上述问题。AG-CNN 1）从疾病特定区域学习以避免噪音并改善对齐，2）还集成了全局分支以补偿局部分支丢失的区分线索。具体来说，我们首先使用全局图像学习全局CNN分支。然后，在全局分支生成的注意力热图的指导下，我们推理出一个掩码，从全局图像中裁剪出一个有区别的区域。本地区域用于训练本地CNN分支。最后，我们将全局和局部分支的最后一个池化层连接起来，以微调融合分支。综合实验在ChestX-ray 14数据集上进行。我们首先报告了一个强大的全球基线，以ResNet-50为骨干，平均AUC为0.841。在将局部线索与全局信息相结合后，AG-CNN将平均AUC提高到0.868。当使用DenseNet-121时，平均AUC达到0.871，这是社区中的最新技术水平。
2018-01-30 cs.CV
Developing a Machine-Learning Algorithm to Diagnose Age-Related Macular Degeneration
Monta Vista High School（蒙塔维斯塔高中）；Hanoi-Amsterdam High School（河内-阿姆斯特丹高中）；Churchill Fulshear High School（丘吉尔·福尔瑟高中）；Norfolk Academy（诺福克学院）；John H. Guyer High School（约翰·H·盖尔高中）；Collège Sainte-Anne（圣安妮学院）
今天，超过1200万40岁以上的人患有眼部疾病。最常见的是，老年患者易患年龄相关性黄斑变性，这是一种由于视网膜退化而导致中心视力模糊的眼病。前者只能通过复杂而昂贵的成像软件来检测，特别是视野测试;这使得大量人口患有未经治疗的眼病，并使他们面临完全丧失视力的风险。已经提出使用机器学习算法来治疗眼病。然而，这些模型的发展受到限制，缺乏适当的模型和训练参数，以最大限度地提高模型性能的理解。在我们的研究中，我们通过生成6个模型来解决这些问题，每个模型的学习率为1 * 10^n，其中n为0，-1，-2，... -6，并计算每个模型的f1得分。我们的分析表明，样本不平衡是机器学习模型训练中的一个关键挑战，可能导致训练成本的欺骗性改善，而这并不能转化为模型预测性能的真正改善。考虑到这种疾病的广泛影响及其不良影响，我们开发了一种机器学习算法来治疗这种疾病。我们在由5000多名患者组成的不同眼疾数据集上训练了我们的模型，以及他们受感染眼睛的照片。在未来，我们希望这种模式被广泛使用，特别是在资源不足的地区，以更好地诊断眼疾并改善人类的福祉。
2022-01-28 cs.CV cs.LG eess.IV
A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features
Shandong University（山东大学）
本文提出结合基于分割的血管增强与深度学习特征的视网膜疾病诊断方法，在STARE数据库上实现99.96%准确率，优于现有研究。
2024-05-25 cs.CV eess.IV
Insight: A Multi-Modal Diagnostic Pipeline using LLMs for Ocular Surface Disease Diagnosis
Clinical Research Center, University of California, Berkeley（加州大学伯克利分校临床研究中心）；University of California, Berkeley（加州大学伯克利分校）；California Institute of Technology（加州理工学院）；University of California, Davis（加州大学戴维斯分校）；University of Hong Kong（香港大学）
本文提出多模态诊断流水线MDPipe，通过视觉翻译器、大语言模型摘要器及临床领域洞察，整合睑板腺图像与临床元数据，在眼表疾病诊断上超越GPT-4等现有方法并给出临床可解释的诊断依据。
2024-10-01 cs.CL cs.CV
AMDNet23: A combined deep Contour-based Convolutional Neural Network and Long Short Term Memory system to diagnose Age-related Macular Degeneration
Daffodil International University（达夫迪尔国际大学）
本文提出AMDNet23混合深度学习系统，结合CNN与LSTM自动检测年龄相关性黄斑变性，在2000张眼底图像上达到96.50%准确率，有效辅助早期诊断。
2023-08-30 cs.CV eess.IV
Region Proposals for Saliency Map Refinement for Weakly-supervised Disease Localisation and Classification
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Institute for Systems and Robotics, Instituto Superior Tecnico（高等技术学院系统与机器人研究所）
部署自动化系统从医学图像诊断疾病的挑战是需要定位诊断的疾病，以证明或解释分类决策。这一要求很难满足，因为大多数可用于开发这些系统的训练集只包含全局注释，使得疾病定位成为一种弱监督方法。为弱监督疾病分类和定位而设计的主要方法依赖于未专门针对定位进行训练的显着性或注意力地图，或者无法细化以产生准确检测的区域建议。在本文中，我们引入了一种新模型，该模型结合了区域建议和显着性检测，以克服弱监督疾病分类和定位的局限性。使用ChestX-ray 14数据集，我们证明了我们提出的模型为弱监督疾病诊断和定位建立了新的最先进技术。
2020-05-22 cs.CV cs.LG
A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection
Nankai University（南开大学）；Beijing Shanggong Medical Technology Co. Ltd（北京上工医疗科技有限公司）
在眼科，早期眼底筛查是预防眼科疾病致盲的一种经济有效的方法。临床上，由于医疗资源匮乏，人工诊断费时费力，可能延误病情。随着深度学习的发展，一些眼科疾病的研究取得了很好的效果，然而，大多数研究都只是基于一种疾病。在眼底筛查中，眼科医生通常会对双眼眼底图像进行多疾病的诊断，为了满足真实的医疗场景，我们发布了一个包含8种疾病的数据集，其中包含5,000名患者双眼的10,000张眼底图像。我们通过一些最先进的深度神经网络对它做了一些基准实验。我们发现单纯增加网络规模并不能很好地解决多疾病分类问题，需要一种结构良好的结合多疾病特征的特征融合方法。希望通过本文的工作，推动相关领域的研究。
2021-02-16 cs.AI cs.CV
An Incremental Learning Approach to Automatically Recognize Pulmonary Diseases from the Multi-vendor Chest Radiographs
National University of Sciences and Technology（国立科技大学）；Khalifa University（哈利法大学）
肺部疾病可引起严重的呼吸系统问题，如果不及时治疗，会导致猝死。许多研究人员已经利用深度学习系统来使用胸部X射线（CXR）诊断肺部疾病。然而，这样的系统需要对大规模数据进行详尽的训练，以有效地诊断胸部异常。此外，获取如此大规模的数据往往是不可行和不切实际的，特别是对于罕见疾病。随着增量学习的最新进展，研究人员定期调整深度神经网络，以在很少的训练示例下学习不同的分类任务。虽然这样的系统可以抵抗灾难性的遗忘，但它们彼此独立地对待知识表示，这限制了它们的分类性能。此外，据我们所知，没有专门设计用于从CXR中筛选肺部疾病的增量学习驱动的影像诊断框架。为了解决这个问题，我们提出了一个新的框架，可以学习逐步筛选不同的胸部异常。除此之外，所提出的框架是惩罚通过增量学习损失函数，推断贝叶斯理论，以识别结构和语义之间的相互依赖关系，增量学习的知识表示，以有效地诊断肺部疾病，无论扫描仪的规格。我们在五个包含不同胸部异常的公共CXR数据集上测试了所提出的框架，其中它通过各种指标优于各种最先进的系统。
2022-01-14 cs.CV eess.IV
Machine learning of neuroimaging to diagnose cognitive impairment and dementia: a systematic review and comparative analysis
University of Edinburgh（爱丁堡大学）；Universidad de León（莱昂大学）；University of Dundee（邓迪大学）；UK Dementia Institute（英国痴呆研究所）
引言：先进的机器学习方法可能有助于从神经成像中识别痴呆风险，但迄今为止其准确性尚不清楚。方法：我们系统地回顾了2006年至2016年底的文献，以进行机器学习研究，区分健康老龄化和各种类型的痴呆症，评估研究质量，并比较不同疾病边界的准确性。研究结果：在111项相关研究中，大多数评估阿尔茨海默病（AD）与健康对照，使用ADNI数据，支持向量机和仅T1加权序列。区分AD与健康对照的准确性最高，区分健康对照与MCI与AD或MCI转换者与非转换者的准确性较差。使用组合数据类型可以提高准确性，但数据源、样本大小或机器学习方法不会提高准确性。讨论：机器学习还不能区分临床相关的疾病类别。更多样化的数据集、不同类型数据的组合以及机器学习的密切临床整合将有助于推动该领域的发展。
2018-04-11 cs.CV q-bio.NC
Learning to diagnose common thorax diseases on chest radiographs from radiology reports in Vietnamese
VinBigData JSC（VinBigData公司）；VinUniversity（文大大学）
我们提出了一个数据收集和注释管道，从越南放射学报告中提取信息，为胸部X射线（CXR）图像提供准确的标签。这可以使越南放射科医生和临床医生受益，因为他们注释的数据与他们的地方病诊断类别密切匹配，这些类别可能因国家而异。为了评估所提出的标记技术的有效性，我们构建了一个包含9，752项研究的CXR数据集，并使用该数据集的一个子集评估了我们的管道。F1得分至少为0.9923，评估表明我们的标记工具在所有类别中都能准确且一致地执行。在构建数据集之后，我们训练深度学习模型，这些模型利用了从大型公共CXR数据集转移的知识。我们采用各种损失函数来克服不平衡多标签数据集的诅咒，并使用各种模型架构进行实验，以选择提供最佳性能的模型。我们的最佳模型（CheXpert-pretrained EfficientNet-B2）产生的F1评分为0.6989（95% CI 0.6740，0.7240），AUC为0.7912，灵敏度为0.7064，一般异常诊断的特异性为0.8760。最后，我们证明了我们的粗分类（基于五个特定位置的异常）产生可比的结果，精细分类（12个病理）的基准CheXpert数据集的一般异常检测，同时提供更好的性能方面的平均性能的所有类。
2022-09-11 cs.CV eess.IV
End-To-End Alzheimer's Disease Diagnosis and Biomarker Identification
Stanford University（斯坦福大学）；SRI International（斯坦福国际研究院）
如计算机视觉所示，深度学习的力量在于自动学习任何毁灭任务的相关和强大的功能，这是通过端到端架构实现的。然而，用于对医学图像进行分类的深度学习方法并不遵循这种架构，因为它们依赖于若干预处理和后处理步骤。这一缺点可以通过可用的标记受试者数量相对较少、神经成像数据的高维度以及解释深度学习方法的结果的困难来解释。在本文中，我们提出了一个简单的三维卷积神经网络，并利用其模型参数，以定制的端到端的结构，用于诊断阿尔茨海默病（AD）。我们的模型可以在流行的ADNI数据集上仅使用MRI数据以94.1%的准确率诊断AD，这优于先前的最先进技术。基于学习的模型，我们识别疾病生物标志物，其结果与文献一致。我们进一步将学习模型转移到诊断轻度认知障碍（MCI），AD的前驱阶段，与其他方法相比，这产生了更好的结果。
2018-10-01 cs.CV
A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network
Bangladesh University of Business and Technology（孟加拉国商业技术大学）
限制植物最大生产能力的病害被定义为植物病害。从农业的角度来看，诊断植物疾病至关重要，因为疾病往往限制植物的生产能力。然而，人工识别植物病害的方法往往是暂时的，具有挑战性和耗时的。因此，在农业自动化领域，对植物病害的计算机识别是高度期望的。由于最近计算机视觉的改进，已经引入了使用特定植物的叶子图像来识别疾病。然而，最常用的模型只能诊断特定植物的疾病。因此，在本章中，我们研究了一个最优的植物病害识别模型相结合的多个植物的诊断。尽管依赖于多类分类，该模型继承了多标签分类方法，以并行地识别植物和疾病类型。为了进行实验和评估，我们从各种在线来源收集了数据，其中包括六种植物的叶子图像，包括番茄，马铃薯，水稻，玉米，葡萄和苹果。在我们的研究中，我们实现了许多流行的卷积神经网络（CNN）架构。实验结果验证了Xception和DenseNet架构在多标签植物病害分类任务中的表现。通过架构调查，我们暗示，跳跃连接，空间卷积，和较短的隐藏层连接导致更好的结果，在植物病害分类。
2020-11-10 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
Building a General SimCLR Self-Supervised Foundation Model Across Neurological Diseases to Advance 3D Brain MRI Diagnoses
McGill University（麦吉尔大学）；Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所）
本文提出一种基于 SimCLR 的 3D 脑部 MRI 自监督基础模型，利用 11 个数据集的 18,759 名患者数据进行预训练，在四个下游任务中表现优于 MAE 和监督基线，并在仅用 20% 标记数据时仍保持卓越性能。
2025-09-12 cs.CV cs.LG
Diabetic Retinopathy Grading System Based on Transfer Learning
Mansoura University（曼苏拉大学）
研究人员正在努力自动准确地检测和诊断糖尿病视网膜病变（DR）。这种疾病是非常危险的，因为如果不进行持续的筛查，它可能会突然导致失明。因此，许多计算机辅助诊断（CAD）系统已被开发，以诊断各种DR等级。近年来，许多基于深度学习（DL）方法的CAD系统已被采用，以获得诊断DR疾病病理异常的深度学习优点。在本文中，我们提出了一个完全基于DL的CAD系统依赖于多标签分类。在建议的DL CAD系统中，我们提出了一个定制的efficientNet模型，以诊断早期和晚期的DR疾病。学习迁移在训练小数据集时非常有用。我们使用IDRiD数据集。它是一个多标签数据集。实验表明，该系统是强大的，可靠的，并设计有前途的结果在检测和分级DR。该系统实现的准确性（ACC）等于86%，和Dice相似系数（DSC）等于78.45。
2020-12-23 cs.CV cs.LG eess.IV
Deep Generative Classifiers for Thoracic Disease Diagnosis with Chest X-ray Images
Northwestern University（西北大学）
胸部疾病是非常严重的健康问题，困扰着大量的人。胸部X射线是目前最流行的诊断胸部疾病的方法之一，在医疗保健工作流程中发挥着重要作用。然而，阅读胸部X射线图像并给出准确的诊断仍然是放射科专家的挑战性任务。随着深度学习在计算机视觉中的成功，越来越多的深度神经网络架构被应用于胸部X射线图像分类。然而，大多数以前的深度神经网络分类器都是基于确定性架构的，这些架构通常对噪声非常敏感，并且可能会加剧过拟合问题。在本文中，为了使深度架构对噪声更具鲁棒性并减少过拟合，我们提出使用深度生成分类器从胸部X射线图像中自动诊断胸部疾病。与传统的确定性分类器不同，深度生成式分类器在深度神经网络中具有分布中间层。然后，采样层从分布层中抽取随机样本，并将其输入到下一层进行分类。分类器是生成的，因为类标签是从相关分布的样本中生成的。通过训练具有一定随机性的模型，深度生成分类器有望对噪声具有鲁棒性，并可以减少过拟合，从而获得良好的性能。我们基于许多众所周知的确定性神经网络架构实现了我们的深度生成分类器，并在胸部X射线14数据集上测试了我们的模型。结果表明，与相应的深度确定性分类器相比，深度生成分类器的优越性。
2018-11-08 cs.AI cs.CV cs.LG
Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases
Tokyo Institute of Technology（东京工业大学）
光学相干断层扫描（OCT）扫描可用于检测各种视网膜疾病。然而，在世界大部分地区，没有足够的眼科医生可以诊断视网膜OCT图像。为了提供廉价和广泛的OCT筛查，自动诊断系统是必不可少的。尽管已经提出了许多机器学习技术来帮助眼科医生诊断视网膜OCT图像，但是没有技术可以在不依赖于眼科医生的情况下独立地进行诊断，即，没有一种技术不会忽视任何异常，包括未习得的疾病。只要有一种技术忽视疾病的风险，眼科医生必须仔细检查，即使是那些技术分类为正常的图像。在这里，我们展示了我们基于深度学习的二元分类器（正常或异常）在108，308个二维视网膜OCT图像上实现了完美的分类，即，真阳性率= 1.000000，真阴性率= 1.000000;因此，ROC曲线下面积= 1.0000000。虽然测试集包括三种类型的疾病，但其中两种没有用于训练。然而，所有测试图像都被正确分类。此外，我们证明了我们的方案能够应对患者种族的差异。没有常规方法实现上述性能。我们的工作有足够的可能性，使视网膜OCT图像的自动诊断技术从“眼科医生的助手”上升到“没有眼科医生的独立诊断系统”。
2020-07-19 cs.CV eess.IV
Enhancing Automated and Early Detection of Alzheimer's Disease Using Out-Of-Distribution Detection
Woodside Priory High School（伍德赛德普里奥里高中）；Lynbrook High School（林布鲁克高中）；Palo Alto High School（帕洛阿尔托高中）
本文提出在CNN模型上应用分布外检测来增强阿尔茨海默病MRI分类的可靠性，实现98%检测准确率和95%分类准确率，并有效降低假阳性率。
2023-09-04 cs.CV cs.LG eess.IV
Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via Disease-specific Atlas Maps
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）；Guy’s and St Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托）；City, University of London（伦敦城市大学）；Technical University of Munich（慕尼黑工业大学）
怀孕期间的胎儿超声筛查在早期发现胎儿畸形方面起着至关重要的作用，这些畸形可能会对健康产生长期影响。在检查过程中从实时超声诊断此类畸形所需的技能水平很高，并且用于筛查的资源通常有限。我们提出了一个可解释的，图集学习分割方法，自动诊断发育不良的左心综合征（HLHS）从一个单一的“4腔心脏”的视图图像。我们建议将最近引入的图像和空间Transformer网络（pathas-Ideal）扩展到一个框架中，该框架能够使图谱生成对疾病敏感。在这个框架中，我们可以共同学习图像分割、配准、图谱构建和疾病预测，同时与直接图像分类方法相比，提供最高水平的临床可解释性。因此，我们的分割允许诊断与专家手动诊断竞争，并产生0.978的AUC-ROC（1043例用于训练，260例用于验证，325例用于测试）。
2021-07-06 cs.CV cs.LG eess.IV
Using Computer Vision for Skin Disease Diagnosis in Bangladesh Enhancing Interpretability and Transparency in Deep Learning Models for Skin Cancer Classification
Daffodil International University（达福迪尔国际大学）
针对孟加拉国皮肤癌诊断专家短缺及深度学习模型缺乏可解释性的问题，提出结合显著性图和注意力图的方法可视化关键诊断特征，以增强模型透明度并改善早期检测。
2025-01-30 cs.CV eess.IV
Detection of retinal diseases using an accelerated reused convolutional network
University of Tehran（德黑兰大学）
本研究针对现有眼部疾病检测神经网络计算复杂度高的问题，通过设计优化ArConv卷积层构建轻量通用模型，仅130万参数，在RfMiD数据集上准确率优于同条件下的MobileNetV2，适配移动端部署。
2025-10-05 cs.CV cs.LG
Machine Learning-Based Classification Algorithms for the Prediction of Coronary Heart Diseases
冠心病是心血管疾病（CVD）的一种形式，是全球死亡的主要原因。如果早期发现或诊断，生存的几率很高。本报告讨论了使用机器学习（ML）算法对冠心病数据集进行分类的比较方法。目前的研究创建并测试了几个基于机器学习的分类模型。对数据集进行Smote处理，以处理不平衡类和特征选择技术，以评估对两个不同性能指标的影响。结果表明，与其他算法相比，逻辑回归在原始数据集上产生了最高的性能得分。总之，这项研究表明，在经过良好处理和标准化的数据集上的LR可以比其他算法更准确地预测冠心病。
2021-12-02 cs.CV cs.LG
SkinGPT-4: An Interactive Dermatology Diagnostic System with Visual Large Language Model
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Beijing AnZhen Hospital, Affiliated to Capital Medical University（首都医科大学附属北京安贞医院）
针对皮肤科医生短缺、皮肤图像诊断难及报告生成耗时的问题，提出基于微调MiniGPT-4的交互式皮肤病诊断系统SkinGPT-4，经150例真实病例验证诊断准确，支持本地部署保护隐私。
2023-06-08 cs.CV cs.LG eess.IV
Enhancing Canine Musculoskeletal Diagnoses: Leveraging Synthetic Image Data for Pre-Training AI-Models on Visual Documentations
Darmstadt University of Applied Sciences（达姆施塔特应用科学大学）；Veterinary Academy of Higher Learning（高等兽医研究院）
针对犬肌肉骨骼可视化诊断文档数据稀缺问题，本研究提出用合成图像数据预训练AI模型的方法，在小样本评估集上诊断准确率提升约10%，为缓解训练数据不足提供了可推广的思路。
2024-09-12 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
Functional Connectivity Based Classification of ADHD Using Different Atlases
Nanjing University of Science and Technology（南京理工大学）
近年来，神经精神疾病的计算机诊断策略日益受到关注。基于功能磁共振成像（fMRI）确定大脑的功能连接对于诊断疾病至关重要。它被称为一种慢性疾病，数百万儿童积累了这种疾病的症状，因此研究人员需要制定一个模型来提高准确诊断ADHD的准确性。在本文中，我们考虑使用各种时间模板/模板提取的大脑的功能连接。局部二进制编码方法（LBEM）算法用于特征提取，而分层极值学习机（HELM）用于分类提取的特征。为了验证我们的方法，143名正常儿童和100名ADHD儿童的fMRI数据用于实验目的。我们的实验结果是基于比较各种酶CC 400，CC 200，和AAL。我们的模型实现了高性能与CC 400相比，其他的路由器
2022-03-01 cs.CV
Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning
Tufts University（塔夫茨大学）；Tufts Medical Center（塔夫茨医学中心）
针对主动脉瓣狭窄超声筛查，本文提出监督注意力与研究级对比预训练的端到端MIL方法，在内外数据集上以更小模型获得更高准确率。
2024-04-05 cs.AI cs.CV cs.LG
Evaluation of Alzheimer's Disease by Analysis of MR Images using Multilayer Perceptrons and Kohonen SOM Classifiers as an Alternative to the ADC Maps
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Universidade de Pernambuco（伯南布哥大学）；North Carolina State University（北卡罗来纳州立大学）
阿尔茨海默病是痴呆症最常见的原因，但如果没有侵入性技术，很难准确诊断，特别是在疾病发作时。这项工作的方法图像分析和分类的合成多光谱图像组成的扩散加权磁共振（MR）脑图像的脑脊液面积的评价和测量阿尔茨海默病的进展。所有图像均采用临床1.5T MR成像系统采集。分类方法是基于多层感知器和Kohonen自组织映射分类器。我们假设感兴趣的类可以通过超二次曲面分离。因此，使用2次多项式网络对原始图像进行分类，生成地面真实图像。分类结果用于改进通常的表观扩散系数图分析。
2017-12-03 cs.AI cs.CV cs.NE
Automated detection of celiac disease on duodenal biopsy slides: a deep learning approach
Dartmouth（达特茅斯学院）
近年来，乳糜泻的患病率和诊断率大幅增加。目前确定乳糜泻的金标准是目视检查十二指肠粘膜活检。使用深度学习的精确计算机辅助活检分析系统可以帮助病理学家更有效地诊断乳糜泻。在这项研究中，我们训练了一个深度学习模型来检测十二指肠活检图像上的乳糜泻。我们的模型使用最先进的残差卷积神经网络来评估十二指肠组织的补丁，然后将这些预测汇总用于整个载玻片分类。我们在一个包含212张图像的独立集上测试了该模型，并根据病理学家建立的参考标准评估了其分类结果。我们的模型识别乳糜泻、正常组织和非特异性腹膜炎的准确率分别为95.3%、91.0%和89.2%。所有类别的受试者工作特征曲线下面积均大于0.95。我们开发了一种自动活检分析系统，可在活检载玻片上检测乳糜泻方面实现高性能。我们的系统可以突出感兴趣的区域，并在病理学家审查之前提供十二指肠活检的初步分类。该技术在提高乳糜泻诊断的准确性和效率方面具有巨大潜力。
2019-01-31 cs.CV
Eye Disease Classification Using Deep Learning Techniques
State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）
本研究针对眼部疾病早诊需求，采用CNN和迁移学习区分正常眼与糖尿病视网膜病变、白内障、青光眼患眼，迁移学习多分类准确率达94%，优于传统CNN的84%。
2023-07-19 cs.CE cs.CV cs.SY
Classification of Chest Diseases using Wavelet Transforms and Transfer Learning
School of Electrical Engineering and Computer Science, National University of Sciences and Technology (NUST)（国家科技大学 电气工程与计算机科学学院）；University of the West of England（西英格兰大学）
胸部X线扫描是放射科医生最常用的方式，以诊断许多胸部相关疾病的初始阶段。该系统有助于放射科医生更有效地对扫描中发现的疾病做出决策。我们的系统结合了用于特征增强的图像处理技术和用于疾病分类的深度学习技术。我们使用ChestX-ray 14数据库，对其中发现的14种不同标记的疾病进行训练我们的深度学习模型。所提出的研究表明，使用小波变换作为预处理技术，结果得到了显着改善。
2020-02-03 cs.CV cs.LG eess.IV
COVIDX-Net: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images
Menoufia University（米努菲亚大学）；Shaqra University（沙克拉大学）
背景和目的：冠状病毒（Coronaviruses，CoV）是引起严重急性呼吸综合征（SevereAcuteRespiratorysyndrome，SARS-CoV）、中东呼吸综合征（MiddleEastRespiratorysyndrome，MERS-CoV）等疾病的重要病毒。新型2019冠状病毒病（COVID-19）于2019年底在中国武汉市被发现为一种新型疾病肺炎。现在，它成为全球范围内的冠状病毒爆发，根据世界卫生组织（WHO）的最新报告，感染人数和死亡人数每天都在迅速增加。因此，本文的目的是引入一个新的深度学习框架，即COVIDX-Net，以帮助放射科医生自动诊断X射线图像中的COVID-19。材料与方法：由于缺乏公开的COVID-19数据集，该研究在50张胸部X光图像上进行了验证，其中有25例确诊的COVID-19阳性病例。COVIDX-Net包括七种不同的深度卷积神经网络模型架构，例如修改后的视觉几何组网络（VGG 19）和第二版Google MobileNet。每个深度神经网络模型都能够分析X射线图像的归一化强度，以将患者状态分类为阴性或阳性COVID-19病例。结果如下：COVIDX-Net的实验和评估已经成功完成，分别基于80-20%的X射线图像用于模型训练和测试阶段。VGG 19和密集卷积网络（DenseNet）模型显示出良好且相似的COVID-19自动分类性能，…
2020-03-24 cs.CV cs.LG eess.IV
Image Data collection and implementation of deep learning-based model in detecting Monkeypox disease using modified VGG16
University of Oklahoma（俄克拉荷马大学）；Daffodil International University（达福迪尔国际大学）；Dhaka Medical College & Hospital（达卡医学院附属医院）
尽管世界仍在努力从COVID-19广泛传播造成的破坏中恢复过来，但猴痘病毒构成了成为全球大流行病的新威胁。虽然猴痘病毒本身不像COVID-19那样致命和传染，但每天仍有来自许多国家的新患者病例报告。因此，如果世界由于缺乏适当的预防措施而面临另一场全球大流行病，也就不足为奇了。最近，机器学习（ML）在基于图像的诊断（如癌症检测、肿瘤细胞识别和COVID-19患者检测）中显示出巨大的潜力。因此，可以采用类似的应用来诊断猴痘相关疾病，因为它感染了人类皮肤，可以获取该图像并进一步用于诊断疾病。考虑到这个机会，在这项工作中，我们引入了一个新开发的“Monkeypox 2022”数据集，该数据集可以公开使用，并且可以从我们的共享GitHub存储库中获得。该数据集是通过从多个开源和在线门户网站收集图像创建的，这些门户网站不会对使用施加任何限制，即使是出于商业目的，因此在构建和部署任何类型的ML模型时，都可以提供更安全的使用和传播此类数据的路径。此外，我们提出并评估了一个修改后的VGG 16模型，其中包括两个不同的研究：研究一和二。我们的探索性计算结果表明，我们建议的模型可以识别猴痘患者的准确性$97\pm1.8\%$（AUC=97.2）和$88\pm0.8\%$（AUC=0.867）的研究一和二，分别。此外，我们解释了我们的模型的预测和特征提取利用本地可解释模型不可知解释（LIME）有助于更深入…
2022-06-04 cs.CV eess.IV
Finding and Following of Honeycombing Regions in Computed Tomography Lung Images by Deep Learning
Yıldız Technical University（耶尔德兹技术大学）；İstanbul University（伊斯坦布尔大学）；Haseki Education Research Hospital（哈塞基教育研究医院）
近年来，除了医疗领域的医疗方法之外，可以促进医生的决策阶段并且可以在早期阶段检测疾病的计算机辅助诊断（CAD）系统已经开始频繁使用。通过使用CAD系统诊断特发性肺纤维化（IPF）疾病是非常重要的，因为它可以由医生和放射科医生遵循。随着高分辨率计算机成像扫描仪的发展和计算能力的增加，在CAD系统的帮助下诊断和随访疾病已经成为可能。本项目的目的是设计一种工具，通过识别高分辨率计算机断层扫描（HRCT）肺部图像中的蜂窝和毛玻璃图案区域，帮助专家诊断和随访IPF疾病。本工作的主要目的是创建分割肺对的程序模块，并根据医生提供的特定病变区域的计算机断层扫描（CT）图像创建自学习深度学习模型。通过所创建的模型，程序模块将能够在给定的新CT图像中找到特殊区域。在这项研究中，肺部分割的性能通过Sørensen-Dice系数方法进行了测试，平均性能为90.7%，使用CNN网络训练阶段未使用的数据对创建的模型进行了测试，健康区域的平均性能为87.8%，毛玻璃区为73.3%，蜂窝区为69.1%。
2019-02-11 cs.CV cs.LG stat.ML
Survey of the Detection and Classification of Pulmonary Lesions via CT and X-Ray
East China Normal University（华东师范大学）
近年来，多种肺部疾病的流行，特别是2019冠状病毒病（COVID-19）大流行，引起了全世界的关注。这些疾病可以有效地诊断和治疗的帮助下，肺部成像。随着深度学习技术的发展和许多公共医学图像数据集的出现，通过医学影像诊断肺部疾病得到了进一步的提高。本文就近十年来肺部CT和X线影像的检测和分型作一综述。还根据各种病变的影像学特征，对肺结节、肺炎等肺部常见病变的检测进行了概述。此外，本文还介绍了26种常用的公共医学图像数据集，总结了最新技术，并讨论了当前面临的挑战和未来的研究方向。
2020-12-31 cs.CV eess.IV
Deep Learning Based Early Diagnostics of Parkinsons Disease
Azerbaijan State Oil and Industry University（阿塞拜疆石油与工业大学）；Istanbul University Cerrahpasa Faculty of Medicine Hospital（伊斯坦布尔大学切拉帕萨医学院附属医院）
在世界范围内，大约有700万至1000万老年人患有帕金森病（PD）。帕金森病是一种常见的神经系统退行性疾病，其临床特征是震颤、强直、运动迟缓和自主性下降。其临床表现与多系统萎缩（MSA）疾病非常相似。研究表明，帕金森病患者在确诊时往往会达到无法挽回的境地，所以随着帕金森病能够与MSA疾病区分开来并得到早期诊断，人们也在不断探索新的方法。随着大数据时代的到来，深度学习在图像识别和分类方面取得了重大突破。因此，本研究提出用The深度学习方法实现对帕金森病、多系统萎缩、健康人群的诊断。此数据来源于伊斯坦布尔大学Cerrahpasa医学院医院。原始磁共振图像（MRI）的处理由伊斯坦布尔大学Cerrahpasa医学院医院的医生指导。本实验的重点是对现有的神经网络进行改进，使其在医学图像识别和诊断中取得较好的效果。根据帕金森病的病理特征提出了一种改进算法，通过模型损失和准确率等指标的比较，取得了较好的实验结果。
2020-08-04 cs.CV cs.LG cs.PL
Multi-Stage Graph Learning for fMRI Analysis to Diagnose Neuro-Developmental Disorders
Guangzhou Women and Children’s Medical Center（广州妇女儿童医疗中心）；South China Normal University（华南师范大学）；Giant Network AI Lab（巨人网络AI实验室）
针对脑部疾病诊断中监督不足限制模型性能的问题，提出包含自监督预训练和监督微调的多阶段图学习框架，在三个数据集上取得优于现有最优模型的表现，具备良好泛化性。
2024-10-07 cs.CV eess.IV q-bio.NC
COVID-19 Disease Identification on Chest-CT images using CNN and VGG16
Manonmaniam Sundaranar University（马诺尼安·桑达拉纳尔大学）
一种新发现的冠状病毒疾病称为COVID-19，主要影响人类呼吸系统。COVID-19是一种由2019年12月源自中国武汉的病毒引起的传染病。早期诊断是卫生保健提供者面临的主要挑战。在早期阶段，医疗机构感到眼花缭乱，因为没有适当的医疗援助或药物来检测COVID-19。介绍了一种新的诊断工具RT-PCR（逆转录聚合酶链反应）。它从患者的鼻子或喉咙收集拭子样本，COVID-19病毒聚集在那里。这种方法在准确性和测试时间方面有一定的局限性。医学专家提出了一种称为CT（计算机断层扫描）的替代方法，可以快速诊断受感染的肺部区域，并在早期阶段识别COVID-19。利用胸部CT图像，计算机研究人员开发了几种识别COVID-19疾病的深度学习模型。本研究提出了一种卷积神经网络（CNN）和基于VGG 16的模型，用于胸部CT图像上的COVID-19自动识别。使用14320张CT图像的公共数据集的实验结果表明，CNN和VGG 16的分类准确率分别为96.34%和96.99%。
2022-07-09 cs.CV cs.LG eess.IV
CeliacNet: Celiac Disease Severity Diagnosis on Duodenal Histopathological Images Using Deep Residual Networks
University of Virginia（弗吉尼亚大学）
乳糜泻（CD）是一种慢性自身免疫性疾病，影响遗传易感儿童和成人的小肠。麸质暴露引发炎症级联反应，导致肠道障碍函数受损。如果这种肠病未被识别，这可能导致贫血，骨密度降低，并且在长期病例中，肠癌。在美国，这种疾病的患病率为1%。肠（十二指肠）活检被认为是诊断的“金标准”。轻度CD可能由于非特异性临床症状或轻度组织学特征而被忽视。在我们目前的工作中，我们训练了一个基于深度残差网络的模型，使用一种称为改良Marsh评分的组织学评分系统来诊断CD严重程度。使用来自15名CD患者的120张完整载玻片图像的独立集评价了所提出的模型，并在所有类别中实现了大于0.96的AUC。这些结果证明了使用组织学图像的CD严重程度分类的所提出的模型的诊断能力。
2019-10-07 cs.CV cs.LG eess.IV
