Classification of COVID-19 Patients with their Severity Level from Chest CT Scans using Transfer Learning
National Institute of Technology Delhi（德里国家理工学院）；Indian Institute of Technology, Roorkee（鲁尔基印度理工学院）
背景和目的：在大流行期间，人工智能（AI）方法与生物医学科学相结合的使用在减轻医疗保健系统和医生的负担方面发挥了重要作用。COVID-19病例的快速增加导致对医院病床和其他医疗设备的需求增加。但是，由于医疗设施有限，建议根据感染的严重程度对患者进行诊断。考虑到这一点，我们分享了我们在检测COVID-19以及使用胸部CT扫描和深度学习预训练模型评估其严重程度方面的研究。数据集：我们已收集三个不同类别标签（即非COVID、严重COVID及非严重COVID）的合共1，966张CT扫描图像，其中714张CT图像属于非COVID类别、713张CT图像属于非严重COVID类别及539张CT图像属于严重COVID类别。方法：所有的图像进行初步预处理，使用对比度有限直方图均衡化（CLAHE）的方法。然后将预处理后的图像送入VGG-16网络进行特征提取。最后，检索到的特征进行分类，并使用支持向量机（SVM）与10倍交叉验证（CV）的准确性进行评估。结果与结论：在我们的研究中，我们结合了众所周知的预处理、特征提取和分类策略，使我们获得了显著的疾病成功率及其严重程度识别，准确率为96.05%（非严重COVID-19图像为97.7%，严重COVID-19图像为93%）。因此，我们的模型可以帮助放射科医生检测COVID-19及其严重程度。
2022-05-27 cs.CV eess.IV
An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans
Dublin City University（都柏林城市大学）
本研究提出一种基于集成深度学习的模型，结合切片函数、数据增强和测试时增强技术，利用STOIC数据集从胸部CT扫描预测COVID-19严重程度，取得了与复杂方法相当的效果并在STOIC2021挑战赛中获第四名。
2023-05-17 cs.CV cs.LG eess.IV
CovTANet: A Hybrid Tri-level Attention Based Network for Lesion Segmentation, Diagnosis, and Severity Prediction of COVID-19 Chest CT Scans
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
快速准确地诊断COVID-19是全球社会在控制这一日益严重的大流行病蔓延方面面临的主要挑战之一。本文提出了一种名为CovTANet的混合神经网络，利用胸部计算机断层扫描（CT）扫描为COVID-19的早期诊断、病变分割和严重程度预测提供端到端的临床诊断工具。引入多阶段优化策略以解决在感染的非常早期阶段的复杂诊断的挑战，其中最初优化有效的病变分割网络，随后将其集成到用于诊断和严重程度预测任务的联合优化框架中，从而提供感染区域的特征增强。此外，为了克服具有新颖和多样特征的COVID病变的扩散、模糊和形状变化的挑战，引入了一种新颖的分割网络，即基于三级注意力的分割网络（TA-SegNet）。该网络大大减少了后续编码解码阶段的语义差距，多尺度特征的巨大并行化可实现更快的收敛，与传统网络相比，性能有了相当大的提高。此外，还引入了一种新的三级关注机制，该机制在网络上重复使用，结合了通道，空间和像素关注方案，通过特征重新校准和增强操作更快，更有效地概括嵌入特征图中的上下文信息。通过对包含1110个胸部CT体积的大型公开数据集进行广泛实验，所有三项任务都取得了出色的表现，这表明拟议方案在大流行现阶段的有效性。
2021-01-03 cs.CV eess.IV
Vision Transformer-based Model for Severity Quantification of Lung Pneumonia Using Chest X-ray Images
University of the Basque Country（巴斯克大学）；IKERBASQUE；Ho Chi Minh City Open University（胡志明市开放大学）；University of Strasbourg（斯特拉斯堡大学）；INSERM（法国国家健康与医学研究院）；Université de Haute-Alsace（上阿尔萨斯大学）
本文提出 ViTReg-IP，一种由 ViT 与回归头构成的轻量模型，用于根据胸部 X 光量化 COVID-19 等肺病严重程度，并在多来源数据集上验证其低成本、高性能与泛化性。
2023-03-18 cs.CV cs.LG eess.IV
COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（DarwinAI公司）；Stony Brook School of Medicine（石溪大学医学院）；Montefiore Medical Center（蒙蒂菲奥里医疗中心）；Albert Einstein College of Medicine（阿尔伯特·爱因斯坦医学院）
背景资料：严重急性呼吸道综合征冠状病毒2型（SARS-CoV-2）是COVID-19大流行的原因，其有效护理和治疗计划的关键步骤是评估疾病进展的严重程度。胸部X线检查（CXR）通常用于评估SARS-CoV-2的严重程度，两个重要的评估指标是肺部受累程度和混浊程度。在这项概念验证研究中，我们评估了使用深度学习系统对SARS-CoV-2肺部疾病严重程度的CXR进行计算机辅助评分的可行性。材料和方法：数据包括来自SARS-CoV-2阳性患者病例的396个CXR。地理范围和不透明程度由两名委员会认证的专家胸部放射科医生（具有20年以上的经验）和一名第二年的放射科住院医师进行评分。本研究中使用的深度神经网络，我们将其命名为COVID-Net S，基于COVID-Net网络架构。使用来自研究的CXR的随机子集独立学习了100个版本的网络（50个用于执行地理范围评分，50个用于执行不透明度范围评分），并且我们使用分层Monte Carlo交叉验证实验评估了网络。调查结果：在分层蒙特卡罗交叉验证实验中，COVID-Net S深度神经网络在地理范围和不透明度范围的预测评分和放射科医师评分之间分别产生0.664 $\pm$ 0.032和0.635 $\pm$ 0.044的R $^2$。表现最好的网络实现了预测分数和放射科医师分数之间的R $^2$分别为0.739和0.741的地理范围和不透明度范围。释…
2021-04-16 cs.CV cs.LG eess.IV
COVIDX: Computer-aided diagnosis of Covid-19 and its severity prediction with raw digital chest X-ray images
University of Azad Jammu & Kashmir（阿扎德查谟和克什米尔大学）
冠状病毒病（COVID-19）是由严重急性呼吸道综合征冠状病毒-2（SARS-COV-2）引起的一种传染性感染，它已感染并导致全球数百万人死亡。在缺乏治疗COVID-19的特定药物或疫苗以及现有诊断技术的限制下，需要一些替代的自动筛查系统，可供医生使用以快速识别和隔离受感染的患者。胸部X射线（CXR）图像可用作检测和诊断COVID-19的替代模式。在这项研究中，我们提出了一个自动COVID-19诊断和严重程度预测（COVIDX）系统，该系统使用来自CXR图像的深度特征图来诊断COVID-19及其严重程度预测。该系统采用了三阶段分类方法（健康与不健康，COVID-19与肺炎，以及COVID-19严重程度），使用不同的浅层监督分类算法。我们不仅通过10倍交叉验证和使用外部验证数据集来评估COVIDX，而且还通过经验丰富的放射科医生在实际环境中进行评估。在所有评估设置中，COVIDX优于所有现有的为此目的设计的最先进的方法。我们通过基于云的Web服务器和Python代码分别在https://sites.google.com/view/wajidarshad/software和https：//github.com/wajidarshad/covidx上轻松访问COVIDX。
2020-12-25 cs.CV cs.LG eess.IV
Deep Learning to Quantify Pulmonary Edema in Chest Radiographs
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）；Massachusetts Institute of Technology（麻省理工学院）；Philips Research（飞利浦研究院）
目的：建立一个机器学习模型，对胸片上肺水肿的严重程度进行分级。材料与方法：在这项回顾性研究中，纳入了来自MIMIC-CXR胸片数据集的64，581例患者（平均年龄51.71岁; 54.51%为女性）的369，071张胸片和相关放射学报告。该数据集分为患有和不患有充血性心力衰竭（CHF）的患者。从CHF患者的相关放射学报告中提取肺水肿严重程度标签，分为4个不同的顺序等级：0，无水肿; 1，血管充血; 2，间质性水肿; 3，肺泡水肿。深度学习模型使用两种方法开发：使用变分自动编码器的半监督模型和使用密集神经网络的预训练监督学习模型。对两种模型进行受试者工作特征曲线分析。结果如下：用于区分肺泡水肿与无水肿的受试者工作特征曲线下面积（AUC）对于半监督模型为0.99，对于预训练模型为0.87。该算法的性能与对轻度肺水肿状态进行分类的难度呈负相关（分别显示为半监督模型和预训练模型的AUC）：2对0，0.88和0.81; 1对0，0.79和0.66; 3对1，0.93和0.82; 2对1，0.69和0.73; 3对2分别为0.88和0.63。结论：深度学习模型在大型胸片数据集上进行训练，可以对胸片上肺水肿的严重程度进行高性能分级。
2021-01-07 cs.CV eess.IV
An Ordinal Regression Framework for a Deep Learning Based Severity Assessment for Chest Radiographs
RWTH Aachen University Hospital（亚琛工业大学医院）；Visual Computing Institute, RWTH Aachen University（亚琛工业大学视觉计算研究所）；Institute of Medical Informatics, RWTH Aachen University Hospital（亚琛工业大学医院医学信息学研究所）；Department of Oral and Maxillofacial Surgery, RWTH Aachen University Hospital（亚琛工业大学医院口腔颌面外科）
本研究提出一个将序数回归分为模型、目标函数和分类函数的框架，用于胸部X光片严重程度分类，并发现编码选择显著影响性能，最佳编码依赖权重和架构。
2024-02-08 cs.CV
COVID-19 Lung Lesion Segmentation Using a Sparsely Supervised Mask R-CNN on Chest X-rays Automatically Computed from Volumetric CTs
Saratoga High School（萨拉托加高中）；Stanford University（斯坦福大学）
2019冠状病毒病（COVID-19）患者的胸部X光检查经常被用于确定肺部疾病的程度，并且是创建人工智能模型的宝贵数据来源。迄今为止，大多数评估胸部成像疾病严重程度的工作都集中在分割计算机断层扫描（CT）图像上;然而，鉴于对COVID-19患者进行CT的频率远低于胸部X光检查，胸部X光检查上的自动肺部病变分割可能具有临床价值。目前普遍缺乏具有地面真实COVID-19肺部病变注释的胸部X射线，并且手动勾画肺部阴影是一项繁琐的劳动密集型任务。为了加速严重程度检测并增加监督式深度学习（DL）模型的公开可用胸部X射线训练数据量，我们利用现有的注释CT图像来生成正面投影“胸部X射线”图像，用于训练COVID-19胸部X射线模型。在本文中，我们提出了一种用于分割胸部X射线上的COVID-19肺部病变的自动化管道，该管道由Mask R-CNN组成，该CNN在开源胸部X射线和从注释的体积CT计算的冠状X射线投影的混合数据集上进行训练。在包含40例COVID-19阳性患者的胸部X光片的测试集上，当在60例胸部X光片的数据集和10例胸部X光片和50例CT投影的混合数据集上训练时，我们的模型分别获得了0.81 $\pm$ 0.03和0.79 $\pm$ 0.03的IoU评分。我们的模型在有限的监督训练下远远优于当前的基线，并可能有助于在胸部X光片上自动量化COVID-19严重程度。
2021-05-20 cs.CV cs.LG eess.IV
COVID-19 Infection Localization and Severity Grading from Chest X-ray Images
Qatar University（卡塔尔大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；Reem Medical Center（Reem医疗中心）；Hamad General Hospital（哈马德综合医院）；Weill Cornell Medicine - Qatar（威尔康奈尔医学院卡塔尔分校）
自2019年12月出现以来，2019冠状病毒病（COVID-19）一直是全世界的主要议程，因为它对世界经济和医疗体系产生了重大影响。鉴于COVID-19对肺组织的影响，胸部放射成像已成为筛查和监测疾病的必要条件。许多研究提出了深度学习方法来自动诊断COVID-19。尽管这些方法在检测方面取得了惊人的性能，但它们使用了有限的胸部X射线（CXR）数据库进行评估，通常只有几百张COVID-19 CXR图像。因此，这种数据稀缺性阻碍了可靠的评估，可能会过度拟合。此外，大多数研究显示，在COVID-19肺炎的感染定位和严重程度分级方面没有能力或能力有限。在这项研究中，我们通过提出一种系统和统一的方法来解决这一迫切需求，该方法用于肺部分割和COVID-19定位，并从CXR图像中进行感染量化。为了实现这一目标，我们构建了最大的基准数据集，其中包含33，920张CXR图像，包括11，956个COVID-19样本，其中通过一种新型的人机协作方法在CXR上执行地面真实肺分割掩模的注释。使用最先进的分割网络，U-Net，U-Net++和特征金字塔网络（FPN）进行了一系列广泛的实验。开发的网络，经过广泛的迭代过程，达到了优越的性能，肺区域分割的交集超过联盟（IoU）的96.11%和骰子相似系数（DSC）的97.99%。此外，各种形状和类型的COVID-19感染被可靠地定位，IoU和DSC分别为83.05…
2021-03-14 cs.CV eess.IV
Vision Transformer using Low-level Chest X-ray Feature Corpus for COVID-19 Diagnosis and Severity Quantification
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Asan Medical Center, University of Ulsan College of Medicine（蔚山大学医学院峨山医学中心）；College of Medicine, Yeungnam University（岭南大学医学院）；School of Medicine, Kyungpook National University（庆北国立大学医学院）
开发一个强大的算法来使用胸部X光（CXR）诊断和量化COVID-19的严重程度需要大量精心策划的COVID-19数据集，而在全球COVID-19大流行的情况下，很难收集这些数据集。另一方面，CXR数据与其他发现是丰富的。这种情况非常适合Vision Transformer（ViT）架构，其中可以通过自注意机制的结构建模来使用大量未标记的数据。然而，现有ViT的使用并不是最佳的，因为通过标准ViT中的直接补丁平坦化或ResNet主干的特征嵌入并不适用于CXR。为了解决这个问题，在这里，我们提出了一种新的Vision Transformer，它利用从主干网获得的低级别CXR特征语料库，提取常见的CXR发现。具体而言，首先使用大型公共数据集训练主干网，以检测常见的异常发现，如实变、不透明、水肿等。然后，将主干网的嵌入特征用作Transformer模型的语料库，用于COVID-19的诊断和严重程度量化。我们在来自完全不同机构的各种外部测试数据集上评估我们的模型，以评估泛化能力。实验结果证实，我们的模型可以实现最先进的诊断和严重程度量化任务的性能，具有卓越的泛化能力，这是广泛部署的必要条件。
2021-04-15 cs.CV cs.LG 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
Cross-modal triage network: a multimodal deep learning framework for severity-based triage and visual explainability in chest radiographs
University of Guelph（圭尔夫大学）；Guelph General Hospital（圭尔夫综合医院）
该研究提出跨模态分诊网络（CMTN），融合Swin Transformer V2与PubMedBERT，在胸部X光片分诊任务上性能优于BioViL，但与放射科医生判断一致性较低，凸显临床部署需专家标注数据。
2026-09-07 cs.AI cs.CV eess.IV
Joint Modeling of Chest Radiographs and Radiology Reports for Pulmonary Edema Assessment
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, Harvard Medical School（哈佛医学院贝斯以色列女执事医疗中心）
我们提出并证明了一种新的机器学习算法，评估肺水肿的严重程度，从胸片。虽然存在大型公开可用的胸片数据集和自由文本放射学报告，但只能从放射学报告中提取有限的数字水肿严重程度标签。这是学习用于图像分类的这种模型的重大挑战。为了利用放射学报告中的丰富信息，我们开发了一个神经网络模型，该模型在图像和自由文本上进行训练，以在推理时间从胸片评估肺水肿的严重程度。我们的实验结果表明，联合图像-文本表示学习提高了肺水肿评估的性能相比，监督模型训练的图像。我们还显示了使用的文本解释的联合模型的图像分类。据我们所知，我们的方法是第一个利用自由文本放射学报告来提高该应用程序中的图像模型性能。我们的代码可在https://github.com/RayRuizhiLiao/joint_chestxray上获得。
2020-08-22 cs.CV
COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on Chest X-Ray images
Andalusian Research Institute in Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）；University of Vigo（维戈大学）；University of Alicante（阿利坎特大学）
目前，冠状病毒病（COVID-19）是21世纪最具传染性的疾病之一，使用RT-PCR检测，CT扫描和/或胸部X射线（CXR）图像进行诊断。CT（计算机断层扫描）扫描仪和RT-PCR检测在大多数医疗中心不可用，因此在许多情况下，CXR图像成为帮助临床医生做出决策的最具时间/成本效益的工具。深度学习神经网络在构建COVID-19分诊系统和检测COVID-19患者，尤其是低严重程度的患者方面具有巨大潜力。不幸的是，目前的数据库不允许建立这样的系统，因为它们是高度异构的，并偏向于严重的情况。本文件有三个方面：（i）我们揭开了最新COVID-19分类模型所实现的高敏感性的神秘面纱，（ii）在与西班牙格拉纳达的Hospital Universitario Clínico San Cecilio的密切合作下，我们建立了COVIDGR-1. 0，这是一个同质和平衡的数据库，包括所有严重程度，从正常与阳性RT-PCR，轻度，中度到重度。COVIDGR-1.0包含426个阳性和426个阴性PA（PosteroAnterior）CXR视图;（iii）我们提出了基于COVID智能数据的网络（COVID-SDNet）方法，用于提高COVID分类模型的泛化能力。我们的方法在重度、中度和轻度COVID-19严重程度水平下达到了良好和稳定的结果，准确度为$97.72\% \pm 0.95 \%$、$86.90\%…
2020-11-11 cs.CV eess.IV
Finding Covid-19 from Chest X-rays using Deep Learning on a Small Dataset
University of South Florida（南佛罗里达大学）；University of California, San Francisco（加利福尼亚大学旧金山分校）
COVID-19检测一直无法跟上需求。此外，假阴性率预计高达30%，测试结果可能需要一些时间才能获得。X光机随处可见，可快速提供诊断图像。本文探讨了胸部X射线图像在诊断COVID-19疾病方面的有用性。我们已取得122张COVID-19的胸部X光片及超过4，000张病毒性及细菌性肺炎的胸部X光片。一个预训练的深度卷积神经网络已经在102个COVID-19病例和102个其他肺炎病例中进行了10倍交叉验证。结果是，所有102例COVID-19病例均被正确分类，有8例假阳性，导致AUC为0.997。在20个未知COVID-19病例的测试集中，所有病例都被正确分类，4171个其他肺炎病例中超过95%被正确分类。这项研究存在缺陷，最关键的是缺乏关于COVID-19病例在疾病过程中位置的信息，以及数据集规模较小。更多的COVID-19病例图像将能够更好地回答胸部X光对诊断COVID-19有多大用处的问题（所以请发送它们）。
2020-05-20 cs.CV cs.LG eess.IV
Predicting intubation support requirement of patients using Chest X-ray with Deep Representation Learning
深度学习医学成像的最新发展提供了自动诊断和预后的证据。它也可以作为现有诊断方法的补充。深度学习可以用于诊断、严重程度预测、插管支持预测和许多类似的任务。我们提出了使用深度表示学习从胸部X射线预测患者的插管支持需求。我们在https://github.com/aniketmaurya/covid-research公开发布我们的源代码。
2020-10-28 cs.CV cs.LG eess.IV
MobileCaps: A Lightweight Model for Screening and Severity Analysis of COVID-19 Chest X-Ray Images
National Institute of Technology Karnataka（卡纳塔克邦国立理工学院）；Kasturba Medical College and Hospital, Manipal（马尼帕尔卡斯图巴医学院及医院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）；J.S.S. Medical College, Mysore（迈索尔J.S.S.医学院）；JSS Academy of Higher Education and Research（JSS高等教育与研究学院）
由于COVID-19疫情对医疗系统及经济造成灾难性影响，全球正经历一个充满挑战的阶段。COVID-19后症状的传播速度以及COVID-19新病毒的出现使全球医疗保健系统陷入混乱。因此，准确筛查COVID-19病例的任务已成为重中之重。由于病毒感染呼吸系统，胸部X光是一种成像方式，被广泛采用的初步筛选。我们进行了一项综合研究，使用CXR图像识别COVID-19病例，并意识到有必要建立一个更通用的模型。我们利用MobileNetV 2架构作为特征提取器，并将其集成到胶囊网络中，构建一个完全自动化的轻量级模型，称为MobileCaps。MobileCaps使用模型集成和贝叶斯优化策略在公开可用的数据集上进行训练和评估，以有效地将COVID-19患者的CXR图像与非COVID-19肺炎和健康病例进行分类。在两个额外的RT-PCR证实的数据集上进一步评估所提出的模型以证明其普适性。我们还引入了MobileCaps-S，并利用其基于肺水肿放射学评估（RALE）评分技术对COVID-19的CXR图像进行严重程度评估。我们的分类模型对于COVID-19、非COVID-19肺炎和健康病例分别实现了91.60、94.60、92.20的总体召回率和98.50、88.21、92.62的精确度。此外，严重性评估模型获得的R $^2$系数为70.51。由于所提出的模型比文献中报道的最先进的模型具有更少的可训练…
2021-08-19 cs.CV cs.LG eess.IV
A Survey of Machine Learning Techniques for Detecting and Diagnosing COVID-19 from Imaging
Stamford University（斯坦福德大学）；Charles Sturt University（查尔斯斯特大学）；University of Chittagong（吉大港大学）
由于逆转录-聚合酶链反应（RT-PCR）检测的可用性有限且成本高昂，许多研究提出了机器学习技术，用于从医学成像中检测COVID-19。本研究的目的是系统地回顾、评估和综合使用不同机器学习技术从胸部X光和CT扫描图像中检测和诊断COVID-19的研究文章。在相关书目数据库中进行了结构化文献检索，以确保调查仅集中在可重复和高质量的研究上。我们根据入选标准选择论文。在本次调查中，我们回顾了符合纳入标准的$98$文章。我们调查了与COVID-19相关的胸部成像分析技术的完整流程，包括数据汇集、预处理、特征提取、分类和可视化。我们考虑了CT扫描和X光，因为两者都被广泛用于描述检测COVID-19的医学成像的最新发展。这项调查为研究人员提供了关于不同机器学习技术及其在胸部成像检测和诊断COVID-19方面的性能的宝贵见解。最后，讨论了利用机器学习技术检测COVID-19的挑战和局限性以及未来的研究方向。
2021-07-25 cs.CV cs.LG eess.IV
Attention-Guided Curriculum Learning for Weakly Supervised Classification and Localization of Thoracic Diseases on Chest Radiographs
National Institutes of Health, Clinical Center（美国国立卫生研究院临床中心）；Ping An Technology Co., Ltd.（平安科技有限公司）
在这项工作中，我们利用的任务，联合分类和弱监督定位胸部疾病的胸部X光片，只有图像级的疾病标签加上疾病严重程度（DSL）的信息的子集。提出了一种基于卷积神经网络（CNN）的注意力引导课程学习（AGCL）框架，该框架利用了从放射学报告中挖掘的严重程度属性。按照难度顺序（按不同的严重程度分组）的图像被馈送到CNN，以逐步提高学习。此外，提取高置信度样本（通过分类概率测量）及其相应的类条件热图（由CNN生成），并进一步馈送到AGCL框架中，以指导在下一次迭代中学习更独特的卷积特征。设计了一种双路径网络架构，除了原始分类任务之外，还可以从选定的种子样本中回归热图。联合学习方案可以提高分类和定位性能，同时为下一次迭代提供更多的种子样本。我们通过对公开的ChestXray 14数据集进行广泛的实验评估，证明了这种迭代细化框架的有效性。与现有技术相比，AGCL在分类AUC方面实现了超过5.7%（平均超过14种疾病）的增加，并且在定位任务的召回率/精确度方面实现了7%/11%的增加。
2018-07-19 cs.CV
XAI-Guided Analysis of Residual Networks for Interpretable Pneumonia Detection in Paediatric Chest X-rays
Rayyan Ridwan (April 2025)（Rayyan Ridwan）
提出基于ResNet-50与BayesGrad-CAM的可解释模型，用于儿科胸部X光肺炎诊断，在取得高准确率的同时提供带不确定性的临床视觉解释。
2025-07-18 cs.CV eess.IV
BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset
University of Brescia（布雷西亚大学）
在这项工作中，我们设计了一个端到端的深度学习架构，用于在胸部X射线图像（CXR）上预测传达COVID-19患者肺部受损程度的多区域评分。这种半定量评分系统，即Brixia评分，被应用于连续监测这些患者，显示出显着的预后价值，在一家医院，经历了一个最高的流行高峰在意大利。为了解决这样一个具有挑战性的视觉任务，我们采用了一种弱监督学习策略，用于处理不同的任务（分割，空间对齐和分数估计），这些任务是通过涉及不同数据集的“从部分到整体”过程进行训练的。特别是，我们利用了在同一家医院收集的近5,000张CXR注释图像的临床数据集。我们的BS-Net在所有处理阶段都表现出自我关注的行为和高度的准确性。通过评分者间一致性测试和金标准比较，我们表明我们的解决方案在评分准确性和一致性方面优于单个人类注释者，从而支持在计算机辅助监控环境中使用该工具的可能性。还使用原始技术生成了高分辨率（超像素级）可解释性图，以在视觉上帮助理解肺部区域上的网络活动。我们还考虑了文献中提出的其他分数，并与最近提出的非特异性方法进行了比较。我们最终在一个分类的公共COVID-19数据集上测试了我们模型的性能鲁棒性，我们还为该数据集提供了Brixia~评分注释，观察到良好的直接泛化和微调能力，突出了BS-Net在其他临床环境中的可移植性。CXR数据集以及源代码和训练模型都是公开发布的，用于研究目的。
2021-04-03 cs.CV cs.LG eess.IV
Exponential Pixelating Integral transform with dual fractal features for enhanced chest X-ray abnormality detection
The Construct（建构研究院）；Involgixs Inc（Involgixs公司）；Vellore Institute of Technology（韦洛尔理工学院）
针对胸部X射线低对比度等检测难题，提出指数像素化积分变换结合双重分形特征与多元自适应回归样条分类，在基准数据集上实现高准确率（98.46%-99.45%）和F1分数（96.53%-98.10%）。
2026-09-11 cs.CV 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
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation
National Research Council Canada（加拿大国家研究委员会）；University of Waterloo（滑铁卢大学）；Ford Motor Company（福特汽车公司）
胸部X线摄影是诊断肺部疾病的有效筛查工具。在计算机辅助诊断中，提取相关的感兴趣区域，即，分离每个放射线照相图像的肺部区域可以是朝着改善诊断肺部疾病的性能的重要步骤。方法：在这项工作中，我们提出了一种深度学习方法，通过分割来增强异常胸部X射线（CXR）识别性能。我们的方法以级联方式设计，并包含两个模块：具有交叉注意模块（XLSor）的深度神经网络，用于定位CXR图像中的肺部区域，以及具有在大规模CXR数据集上预训练的自监督动量对比（MoCo）模型骨干的CXR分类模型。在分割模块的深圳医院（SH）数据集和分割和分类模块的COVIDx数据集上评估了拟议的管道。新的统计分析进行除了定期评估指标的分割模块。此外，优化方法的结果进行了分析，梯度加权类激活映射（Grad-CAM）调查背后的分类决策的理由，并解释其选择。结果与结论：针对所提出的流水线的每个模块的不同数据集、方法和场景进行检查，以设计优化的方法，该方法在区分异常CXR图像（即，肺炎和COVID-19）。数值和视觉验证表明，应用自动分割作为分类的预处理步骤，提高了泛化能力和分类模型的性能。
2022-02-22 cs.CV cs.LG eess.IV
Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Semnan University（塞姆南大学）
2019年末及COVID-19全球大流行后，许多研究人员及学者尝试提供检测COVID-19病例的方法。因此，本研究的重点是从胸部X光图像中识别COVID-19病例。本文提出了一种新的方法来诊断冠状病毒病的X射线图像。在所提出的方法中，DenseNet 169深度神经网络用于提取从患者胸部拍摄的X射线图像的特征，然后将提取的特征作为极端梯度提升（XGBoost）算法的输入，以便它可以执行分类任务。对所提出的方法的评估及其与近年来提出的方法的比较表明，所提出的方法比现有方法更准确、更快，并且在从X射线图像中检测COVID-19病例方面具有可接受的性能。
2021-09-03 cs.CV cs.LG eess.IV
A two-step explainable approach for COVID-19 computer-aided diagnosis from chest x-ray images
University of Turin（都灵大学）；Azienda Ospedaliera Città della Salute e della Scienza Presidio Molinette（健康与科学城医院莫利内特分院）；AOU San Luigi Gonzaga（圣路易吉·贡扎加大学医院）
为了评估针对COVID-19传播的即时和快速反应，对患者进行早期筛查是一个关键问题。使用鼻咽拭子被认为是最可行的方法;然而，结果不是立即的，或者在快速检查的情况下，不够准确。使用胸部X射线（CXR）成像进行早期筛查可能会提供更快，更准确的反应;然而，从CXR诊断COVID很难，我们应该依赖深度学习支持，另一方面，其决策过程是“黑箱”，因此不值得信赖。我们提出了一种可解释的两步诊断方法，首先检测肺部的已知病理（异常），然后诊断疾病。我们的方法在COVID检测中实现了有希望的性能，与专业的人类放射科医生兼容。我们所有的实验都是在牢记这一点的情况下进行的，特别是对于临床应用，可解释性对于建立机器学习算法的信任起着重要作用。
2021-01-25 cs.CV eess.IV
Automatic Lung Cancer Prediction from Chest X-ray Images Using Deep Learning Approach
Kamnoetvidya Science Academy（甘烹碧科学学院）；National Electronics and Computer Technology Center（泰国国家电子和计算机技术中心）；Vidyasirimedhi Institute of Science and Technology（瓦莱拉克科学技术研究院）
由于癌症在早期诊断时是可以治愈的，因此肺癌筛查在预防保健中起着重要作用。虽然低剂量计算机断层扫描和计算机断层扫描比普通胸部X光检查提供更多的医疗信息，但农村地区获得这些技术的机会非常有限。最近，有一种趋势，使用计算机辅助诊断（CADx），以协助筛选和诊断癌症的生物医学图像。在这项研究中，121层卷积神经网络也被称为DenseNet-121，由G。Huang et.例如，连同迁移学习方案一起被探索作为使用胸部X射线图像对肺癌进行分类的手段。该模型在肺癌数据集上训练之前在肺结节数据集上训练，以减轻小数据集的问题。该模型的平均准确度为74.43 $\pm$ 6.01%，平均特异度为74.96 $\pm$ 9.85%，平均敏感度为74.68 $\pm$ 15.33%.所提出的模型还提供了用于识别肺结节的位置的热图。这些发现对于使用深度学习方法进一步开发基于胸部X射线的肺癌诊断很有希望。此外，这些发现解决了小数据集的问题。
2018-08-31 cs.CV eess.IV
Res-Dense Net for 3D Covid Chest CT-scan classification
Ho Chi Minh University of Science（胡志明市科学大学）
医学图像预处理中最有争议的研究领域之一是3D CT扫描。随着COVID-19的迅速传播，CT扫描在正确和快速诊断疾病方面的作用变得至关重要。它对预防感染有积极的影响。通过CT扫描图像诊断疾病有许多任务，包括COVID-19。在本文中，我们提出了一种使用堆叠深度神经网络通过一系列3D CT扫描图像检测Covid 19的方法。在我们的方法中，我们使用两个主干进行实验，分别是DenseNet 121和ResNet 101。该方法在某些评价指标上取得了较好的效果
2022-08-09 cs.CV cs.LG eess.IV
From Competition to Collaboration: Making Toy Datasets on Kaggle Clinically Useful for Chest X-Ray Diagnosis Using Federated Learning
University of Maryland School of Medicine（马里兰大学医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
Kaggle上托管的胸部X射线（CXR）数据集虽然从数据科学竞赛的角度来看是有用的，但由于其局限于诊断一种特定疾病，因此在临床应用中的实用性有限。在现实世界的临床应用中，需要考虑多种疾病，因为它们可以在同一患者中共存。在这项工作中，我们演示了如何使用联邦学习（FL）来使这些来自Kaggle的玩具CXR数据集在临床上有用。具体而言，我们使用两个单独的CXR数据集训练单个FL分类模型（“全局”）-一个注释为肺炎的存在，另一个注释为气胸的存在（两种常见且危及生命的情况）-能够诊断两者。我们比较了两种不同模型架构的全局FL模型与在两个数据集（“基线”）上分别训练的模型的性能。在标准的朴素3层CNN架构上，全局FL模型分别实现了肺炎和气胸的AUROC为0.84和0.81，而两种基线模型分别为0.85和0.82（p>0.05）。同样，在预训练的DenseNet 121架构上，全局FL模型分别实现了肺炎和气胸的AUROC为0.88和0.91，而两个基线模型分别为0.89和0.91（p>0.05）。我们的研究结果表明，FL可用于创建全局“Meta”模型，使Kaggle的玩具数据集在临床上有用，这是朝着弥合从实验室到床边的差距迈出的一步。
2022-11-11 cs.CV cs.LG eess.IV
Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets
Melbourne Data Analytics Platform（墨尔本数据分析平台）；University of Melbourne（墨尔本大学）
深度学习已被用于辅助医学成像分析。其中一种用途是在检测受试者中的COVID-19时对计算机断层扫描（CT）扫描进行分类。本文介绍了Cov 3d，这是一种三维卷积神经网络，用于从胸部CT扫描中检测COVID 19的存在和严重程度。在具有人类专家注释的COV 19-CT-DB数据集上进行训练，它在检测COVID 19存在的任务的验证集上实现了0.9476的宏f1得分。对于COVID 19严重程度的分类任务，它实现了0.7552的宏观f1评分。这两项结果都比2022年“人工智能医学图像分析研讨会和新冠肺炎诊断竞赛”（MIA-COV 19 D）的基线结果有所改善。
2022-07-05 cs.CV cs.LG eess.IV
COVID-19 in CXR: from Detection and Severity Scoring to Patient Disease Monitoring
RADLogics Ltd.（RADLogics有限公司）；Tel-Aviv University（特拉维夫大学）
在这项工作中，我们估计了COVID-19患者肺炎的严重程度，并对疾病进展进行了纵向研究。为了实现这一目标，我们开发了一个深度学习模型，用于在胸部X射线（CXR）图像中同时检测和分割肺炎，并推广到COVID-19肺炎。利用分割来计算指示疾病严重程度的“肺炎比率”。疾病严重程度的测量使得能够建立住院患者随时间推移的疾病程度概况。为了验证模型与患者监测任务的相关性，我们开发了一种验证策略，该策略涉及从连续CT扫描合成数字重建X射线照片（DRR-合成X射线）;然后我们将从DRR生成的疾病进展概况与从CT体积生成的疾病进展概况进行了比较。
2021-03-31 cs.CV cs.LG 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
Character-level Japanese Text Generation with Attention Mechanism for Chest Radiography Diagnosis
The University of Tokyo（东京大学）；NABLAS Inc.（NABLAS公司）
胸部X线摄影是诊断患者状况和识别重要信息的一般方法;因此，X线摄影广泛用于各种情况下的常规医疗实践，例如紧急医疗护理和医疗检查。然而，解释胸片需要高水平的专业知识。因此，医学专家花费相当多的时间来诊断如此大量的射线照片。为了解决这些问题，已经提出了用于生成发现的方法。然而，生成胸片结果的研究主要集中在英语语言上，据我们所知，没有研究研究过日语数据。在日语中生成结果涉及两个挑战。第一个挑战是，由于日语单词的边界不明确，因此单词分割很困难。第二个挑战是有许多正字法变体。为了应对这两个挑战，我们提出了一个端到端的模型，从胸部X光片中生成字符级别的日语结果。此外，我们引入了注意力机制，不仅提高了准确性，而且提高了结果的解释能力。我们使用日本研究结果的公共数据集评估了所提出的方法。该方法的有效性被证实使用双语评估替补得分。并且，我们从生成的结果中证实了所提出的方法能够考虑正交变体。此外，我们通过目视检查确认了注意力机制捕获了X线照片的特征和位置信息。
2020-06-08 cs.CL cs.CV cs.LG
Ariadne's Thread:Using Text Prompts to Improve Segmentation of Infected Areas from Chest X-ray images
Beijing University of Posts and Telecommunications（北京邮电大学）
针对胸部X光感染区域分割中图像单一模态方法依赖大量标注数据且精度不足的问题，提出利用文本提示的语言驱动分割方法，在QaTa-COV19数据集上Dice分数至少提升6.09%，并证明多模态方法在文本粒度和训练数据需求上更具优势。
2023-07-08 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
Artificial Intelligence applied to chest X-Ray images for the automatic detection of COVID-19. A thoughtful evaluation approach
Universidad de Antioquia（安蒂奥基亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Universidad Politécnica de Madrid（马德里理工大学）
目前临床上用于诊断COVID-19的标准方案包括分子或抗原检测，通常辅以普通胸部X光检查。综合分析旨在减少这些测试的假阴性数量，同时也提供有关疾病存在和严重程度的补充证据。然而，该过程并非没有错误，并且由于其复杂性，胸部X射线的解释仅限于放射科医生。长期目标是为诊断提供新的证据，本文提出了基于深度神经网络的不同方法的评估。这些是使用胸部X射线图像开发自动COVID-19诊断工具的第一步，该工具还可以区分对照组、肺炎组或COVID-19组。本文描述了训练卷积神经网络的过程，该网络的数据集包含来自不同来源的79，500多张X射线图像，其中包括8，500多个COVID-19示例。为了评估和比较开发的模型，三个不同的实验进行了以下三个预处理方案。目的是评估预处理数据如何影响结果并提高其可解释性。同样，对可能损害系统及其对性能影响的不同可变性问题进行了批判性分析。与所采用的方法，获得了91.5%的分类准确率，与87.4%的平均召回最坏的，但最可解释的实验，这需要一个以前的自动分割的肺部区域。
2020-11-29 cs.CV eess.IV
Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach
Management and Science University（管理与科学大学）；Faculty of Health and Life Sciences, Management and Science University（管理与科学大学健康与生命科学学院）
本文基于AIforCOVID的1,103张胸部X光图像，在Microsoft Azure Custom Vision上构建CNN模型，对轻、中、重度COVID-19进行预后分类，平均准确率达97%。
2025-03-17 cs.AI cs.CV eess.IV
Predicting Clinical Outcomes in COVID-19 using Radiomics and Deep Learning on Chest Radiographs: A Multi-Institutional Study
Stony Brook University（石溪大学）；Newark Beth Israel Medical Center（纽瓦克贝丝以色列医疗中心）；University Hospitals Cleveland Medical Center（大学医院克利夫兰医疗中心）
我们使用2019冠状病毒病（COVID-19）患者的胸部X光片（CXR）的计算建模来预测机械通气需求和死亡率。这项双中心回顾性研究分析了2020年3月至8月期间在Stony Brook大学医院和Newark Beth Israel医疗中心接受治疗的515名COVID-19患者的530份去识别CXR。DL和机器学习分类器预测机械通气需求和死亡率进行了训练，并使用患者CXR进行了评估。还探索了一种新的放射组学嵌入框架用于结果预测。将所有结果与放射科医师的CXR分级（分区专家严重程度评分）进行比较。放射组学和DL分类模型的mAUC分别为0.78+/-0.02和0.81+/-0.04，而机械通气需求和死亡率预测的专家评分mAUC分别为0.75+/-0.02和0.79+/-0.05。使用放射组学和专家严重程度评分的组合分类器导致每个预测任务的mAUC为0.79+/-0.04和0.83+/-0.04，表明优于单独的人工智能或放射科医生解释。我们的结果还表明，在DL中包含放射性特征可以改善模型预测，这可能会在其他病理学中进行探索。本研究提出的模型及其提供的预后信息可能有助于医生在COVID-19大流行期间做出决策和分配资源。
2021-07-01 cs.CV cs.LG eess.IV
Automated Enriched Medical Concept Generation for Chest X-ray Images
Imperial College London（伦敦帝国理工学院）
依赖于监督学习的决策支持工具需要大量的专家注释。使用从医院存档系统获得的过去的放射学报告作为手动单类标签之上的训练数据具有许多优点：它们是大量可用的专家注释，覆盖人群代表性的各种病理学，并且它们为病理学诊断提供额外的背景，例如解剖位置和严重程度。学习从图像自动生成此类报告存在许多挑战，例如难以表示和生成长的非结构化文本信息，考虑拼写错误和重复/冗余，以及不同注释器之间的不一致性。因此，我们建议首先从原始报告中学习视觉信息丰富的医学概念，并使用概念预测作为图像注释，学习直接从图像自动生成结构化报告。我们在OpenI [2]胸部X射线数据集上验证了我们的方法，该数据集由胸部X射线图像的正面和侧面视图、其相应的原始文本报告和放射科医生制作的手动医学主题标题（MeSH）注释组成。
2019-10-07 cs.CV cs.LG eess.IV
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images
Beihang University（北京航空航天大学）；Central South University（中南大学）；The Second Xiangya Hospital, Central South University（中南大学湘雅二医院）；First hospital of Changsha（长沙市第一医院）；Changsha public health treatment center（长沙市公共卫生救治中心）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）
背景：胸部计算机断层扫描（CT）被认为是评估COVID-19严重程度的重要工具。随着受影响患者数量的迅速增加，手动严重程度评估成为一项劳动密集型任务，并可能导致治疗延迟。目的：使用机器学习方法实现基于胸部CT图像的COVID-19严重程度（非严重或严重）的自动评估，并从所得评估模型中探索严重程度相关特征。材料和方法：使用了176名确诊COVID-19患者（年龄45.3 $\pm$ 16.5岁，96名男性和80名女性）的胸部CT图像，其中63个定量特征，例如，计算全肺的感染体积/比率和毛玻璃样阴影（GGO）区域的体积。训练随机森林（RF）模型，以基于定量特征评估严重程度（非严重或严重）。反映与COVID-19严重程度的相关性的每个定量特征的重要性是从RF模型计算的。结果：使用三重交叉验证，RF模型显示出有希望的结果，即，真阳性率为0.933，真阴性率为0.745，准确率为0.875，受试者工作特征曲线下面积（AUC）为0.91。由此得出的定量特征的重要性表明，毛玻璃样阴影（GGO）区域的体积及其比例（相对于整个肺体积）与COVID-19的严重程度高度相关，并且从右肺计算的定量特征与严重程度评估的相关性更大。左肺的相关性。结论：基于RF的模型可以实现COVID-19感染的自动严重性评估（非严重或严重），并且性能很有希望。揭示了几个可能反映COVID-19严重程度的量化特征。
2020-03-26 cs.CV eess.IV
COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images
University of Waterloo（滑铁卢大学）
COVID-19大流行造成的健康和社会经济困难继续在世界各地造成巨大的紧张局势。特别是，病例数量的激增给世界各地的卫生保健系统带来了相当大的压力。治疗和管理COVID-19阳性患者的关键步骤是严重程度评估，鉴于肺部疾病严重程度不同阶段的微妙性，即使对于放射科专家来说，这也是一项挑战。受这一挑战的激励，我们引入了COVID-Net CT-S，这是一套用于预测COVID-19感染所致肺部疾病严重程度的深度卷积神经网络。更具体地说，利用3D残差架构设计来学习表征COVID-19肺病严重程度的体积视觉指标。使用中国国家生物信息中心（CNCB）收集的患者队列的实验结果表明，与学习和利用2D视觉特征来表征COVID-19严重程度的传统严重程度评估网络相比，通过利用体积特征，所提出的COVID-Net CT-S网络可以实现显著改善的严重程度评估性能。
2021-05-04 cs.CV eess.IV
Advancement of Deep Learning in Pneumonia and Covid-19 Classification and Localization: A Qualitative and Quantitative Analysis
每年约有4.5亿人感染肺炎，导致250万人死亡。新冠肺炎还影响了1.81亿人，导致392万人伤亡。如果早期诊断，这两种疾病的死亡机会可以大大减少。然而，目前诊断肺炎（主诉+胸部X光）和新冠肺炎（RT-PCR）的方法分别需要放射科专家在场和时间。在深度学习模型的帮助下，肺炎和新冠肺炎可以通过胸部X光或CT扫描立即检测出来。通过这种方式，可以使肺炎/Covid-19的诊断过程更加有效和广泛。在本文中，我们的目标是定性和定量地引出、解释和评估深度学习方法的主要进展，这些方法旨在从胸部X光和CT扫描图像中检测或定位社区获得性肺炎（CAP）、病毒性肺炎和COVID-19。作为一个系统性的综述，本文的重点在于解释深度学习模型架构，这些架构要么是为了手头的任务而修改的，要么是从头开始创建的，重点是泛化能力。对于每一个模型，本文回答了为什么模型是这样设计的问题，一个特定的模型克服的挑战，以及修改模型所需的规范所带来的权衡。本文还对所有模型进行了定量分析，以量化具有相似目标的不同模型的有效性。一些权衡无法量化，因此在定性分析中明确提到，这是在整个文件中完成的。通过在一个地方编译和分析大量的研究细节，包括所有的数据集、模型架构和结果，我们的目标是为初学者和对该领域感兴趣的当前研究人员提供一站式解决方案。
2021-11-16 cs.CV eess.IV
PediCXR: An open, large-scale chest radiograph dataset for interpretation of common thoracic diseases in children
VinBigData JSC（VinBigData 公司）；VinUniversity（温纳大学）；Phu Tho Department of Health（富寿省卫生厅）；Phu Tho General Hospital（富寿综合医院）
由于缺乏高质量的医生注释数据集，因此正在开发用于在CXR扫描中检测和诊断儿科疾病的诊断模型。为了克服这一挑战，我们推出并发布了PediCXR，这是一个新的儿科CXR数据集，包含2020年至2021年期间从越南一家大型儿科医院回顾性收集的9，125项研究。每一次扫描都由一位有十多年经验的儿科放射科医生手动注释。该数据集标记了36个关键发现和15种疾病。特别是，通过图像上的矩形边界框识别每个异常发现。据我们所知，这是第一个也是最大的儿科CXR数据集，包含用于检测多种发现和疾病的病变级注释和图像级标签。为了开发算法，数据集被分为7，728个训练集和1，397个测试集。为了鼓励使用数据驱动方法在儿科CXR解释方面取得新进展，我们提供了PediCXR数据样本的详细描述，并在https://physionet.org/content/pedicxr/1.0.0/上公开提供数据集
2023-03-20 cs.CV eess.IV
Chest X-ray Report Generation through Fine-Grained Label Learning
IBM Almaden Research Center（IBM阿尔马登研究中心）
获得胸部X光等常见检查的自动初步读取报告将加快临床工作流程并提高医院的运营效率。然而，当前自动化方法生成的报告的质量在临床上尚不可接受，因为它们不能确保正确检测广泛的放射学发现，也不能准确地描述它们的偏侧性、解剖位置、严重程度等。我们提出了一个领域感知的自动胸部X射线放射学报告生成算法，学习精细，对图像中的发现进行粒度化描述，并使用其出现模式从大型报告数据库中检索和自定义类似报告。我们还开发了一种自动标记算法，用于将这些描述符分配给图像，并构建了一个新颖的深度学习网络，可以识别发现的粗粒度和细粒度描述。由此产生的报告生成算法显着优于使用既定的评分指标的最新技术水平。
2020-07-27 cs.CV
Deep Learning Applied to Chest X-Rays: Exploiting and Preventing Shortcuts
University of Michigan（密歇根大学）；Institute for Healthcare Policy & Innovation（医疗政策与创新研究所）；Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；Department of Radiology（放射科）；Department of Internal Medicine（内科）
虽然深度学习在改善基于胸部X光的疾病自动诊断方面表现出了希望，但深度网络可能会表现出与捷径相关的不良行为。本文研究的情况下，虚假的类偏斜，其中具有特定属性的患者是虚假的更有可能有利益的结果。例如，临床协议可能会导致一个数据集，其中心脏起搏器的患者不成比例地可能患有充血性心力衰竭。这种倾斜可能导致模型通过严重依赖偏差属性来走捷径。我们在诊断急性低氧性呼吸衰竭的原因的背景下，探讨了这个问题在许多属性。应用于胸部X射线，我们表明i）深度网络可以准确地识别许多患者属性，包括性别（AUROC = 0.96）和年龄（AUROC >= 0.90），ii）当学习预测诊断时，它们倾向于利用这些属性和结果标签之间的相关性，当这种相关性在测试人群中不成立时，导致性能不佳（例如，测试集中的每个人都是男性），以及iii）简单的迁移学习方法在防止捷径和促进良好的泛化性能方面令人惊讶地有效。在基于一组偏向老年患者（年龄>= 63岁）的胸部X光片诊断充血性心力衰竭的任务中，所提出的方法将标准训练的泛化能力从0.66（95%CI：0.54-0.77）提高到0.84（95%CI：0.73-0.92）AUROC。虽然简单，但所提出的方法有可能通过鼓励依赖疾病的临床相关表现来改善模型在人群中的性能，即，临床医生用来诊断的那些。
2020-09-21 cs.AI cs.CV cs.LG
Computer-Aided Diagnosis of Thoracic Diseases in Chest X-rays using hybrid CNN-Transformer Architecture
Sonit Singh School of Computer Science
本研究提出SA-DenseNet121，结合CNN与Transformer自注意力，在四个大型胸部X光数据集上实现多疾病诊断，提升AUC-ROC，支持放射科工作流程。
2024-04-19 cs.CV cs.LG eess.IV
COVID-19 Infection Map Generation and Detection from Chest X-Ray Images
Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）；Reem Medical Center（里姆医疗中心）；Hamad Medical Corporation Hospital（哈马德医疗公司医院）；Weill Cornell Medicine - Qatar（威尔康奈尔医学院卡塔尔分校）
本研究提出一种通过生成感染图来联合定位、分级和检测CXR图像中COVID-19的新方法，并构建了含119,316张图像的大型数据集，实现了83.20%的F1分数和94.96%的敏感性。
2021-01-06 cs.CV cs.LG eess.IV
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
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
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19
Université de Haute-Alsace（上阿尔萨斯大学）；Université de Strasbourg（斯特拉斯堡大学）；University of Lille（里尔大学）；YNCREA-ISEN Lille（里尔YNCREA-ISEN工程学院）；University of the Basque Country（巴斯克大学）；IKERBASQUE, Basque Foundation for Science（伊克尔巴斯克巴斯克科学基金会）；The University of Tokyo（东京大学）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；CHU Lille（里尔大学医院）
2019年冠状病毒病（COVID-19）是一种传染病，最初症状类似于流感。COVID-19首先在中国出现，并迅速蔓延至世界其他地区，导致2019-20冠状病毒大流行。在许多情况下，这种疾病会导致肺炎。由于肺部感染可以通过X射线摄影图像观察到，本文研究了用于自动分析查询胸部X射线图像的深度学习方法，希望为卫生专业人员提供筛查COVID-19和诊断确诊患者的精确工具。在这种情况下，训练数据集、深度学习架构和分析策略已经从公开的胸部X光图像集中进行了实验。提出了定制的深度学习模型来检测肺炎感染病例，特别是病毒病例。假设在COVID-19流行背景下检测到的病毒性肺炎病例有很高的可能性推测COVID-19感染。此外，提出了易于应用的健康指标，用于从检测到的肺炎病例估计感染状况和预测患者状况。实验结果表明，在公开开放的胸部X光图像集上训练深度学习模型以筛查病毒性肺炎的可能性。COVID-19感染患者的胸部X射线测试图像通过保留其性能的检测模型成功诊断。通过结合真实和合成健康数据模拟患者出现感染和健康问题的情景，突出了拟议健康指标的效率。
2020-04-05 cs.CV cs.LG eess.IV
Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition of Pneumonia from Chest X-Ray Images
Hainan University（海南大学）；North University of China（中北大学）
本文提出一种可解释的CNN-多级注意力Transformer肺炎识别框架，通过多级自注意力机制加速收敛并突出任务相关区域，结合数据增强缓解医学图像稀缺问题，在COVID-19 CXR识别任务上验证了有效性。
2024-01-13 cs.CV cs.LG eess.IV
FlexR: Few-shot Classification with Language Embeddings for Structured Reporting of Chest X-rays
Technische Universität München（慕尼黑工业大学）
针对胸部X线结构化报告标注稀缺的问题，提出FlexR少样本分类方法，通过对比语言-图像模型结合文本提示与分类器，仅用少量标注即可完成心肥大评估和病变定位任务。
2023-05-02 cs.CV
Automated Identification of Thoracic Pathology from Chest Radiographs with Enhanced Training Pipeline
University of Rochester（罗切斯特大学）；Ludwig Maximilian University（路德维希马克西米利安大学）
胸部X光检查是诊断肺部和心脏疾病最常见的放射学检查。因此，一个自动预先报告胸部X光病理结果的系统将大大提高放射科医生的工作效率。为此，我们研究了一种深度学习框架，该框架具有新颖的训练方案，用于对来自胸部X射线的不同胸部病理标签进行分类。我们使用了目前最大的公开注释数据集ChestX-ray 14，其中包含30，805名患者的112，120张胸片。每幅图像都用“无发现”类别或14个胸部病理学标签中的一个或多个进行注释。受试者可能有多种病理，导致多类别、多标签问题。我们使用k-hot编码将标签编码为二进制向量。我们研究了在ImageNet上预训练的ResNet 34架构，其中两个关键修改被纳入了训练框架：（1）带有动量的随机梯度下降和使用余弦退火的重新启动，（2）用于微调的可变图像大小以防止过拟合。此外，我们使用启发式算法来选择一个好的学习率。使用重新启动的学习来避免局部最小值。应用受试者工作特征曲线下面积（AUC）定量评价诊断质量。我们的结果与当前最先进方法的最佳结果相当或优于最先进方法的最佳结果，AUC如下：肺不张：0.81，心脏肥大：0.91，实变：0.81，水肿：0.92，渗出：0.89，肺气肿：0.92，纤维化：0.81，疝：0.84，浸润：0.73，肿块：0.85，气胸：0.76，胸膜增厚：0.81，肺炎：0.77，气胸：0.89和无发现：0.79。我们的研究结果表明，除了…
2020-06-11 cs.CV cs.LG eess.IV
