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
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
CheXTemporal: A Dataset for Temporally-Grounded Reasoning in Chest Radiography
Stanford University（斯坦福大学）；University of Oxford（牛津大学）；University of California, Berkeley（加州大学伯克利分校）；HOPPR；University Hospital Zurich（苏黎世大学医院）
该研究提出CheXTemporal数据集，用于胸部X光影像中时间感知推理，包含前后X光片及时间空间标注，评估了多种视觉语言模型在零样本设定下的接地和进展分类任务，发现模型在空间接地和时间推理方面存在局限。
2026-05-11 cs.CV
Denoise X: Self-Supervised U-Net for Quantum Mottle Suppression in Chest Radiography
Dr. D. Y. Patil Institute of Technology（D.Y.帕蒂尔博士技术学院）
本研究针对医学图像复原需配对数据的问题，提出轻量自监督U-Net模型Denoise X，在多数据集上实现量子斑点抑制，泛化性强且推理高效。
2026-10-14 cs.CV
Quantifying and Leveraging Classification Uncertainty for Chest Radiograph Assessment
Siemens Healthineers（西门子医疗）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
胸部X线片的判读是检测胸部疾病和异常的一项重要任务。然而，由于数据中的不确定性证据、有限的数据质量或疾病外观的主观定义，这是一个具有挑战性的问题，具有较高的评分者间变异性和固有的模糊性。当前用于胸部射线照片异常分类的深度学习解决方案通常限于提供概率预测，依赖于学习模型的能力来适应高度的标签噪声并变得对所列举的因果因素稳健。然而，在实践中，这会导致过度自信的系统对未知数据的泛化能力较差。为了解决这个问题，我们提出了一个自动系统，它不仅学习异常存在的概率估计，而且还学习了一个明确的不确定性度量，该度量捕获了系统在预测输出中的置信度。我们认为，明确学习的分类不确定性作为一个正交的措施，预测的输出，是必不可少的考虑到这种数据的固有的可变性特征。实验在两个超过85，000名患者的胸部X光照片数据集上进行。基于预测不确定度的样品拒绝可以显著改善ROC-AUC，例如，8%至0.91，预期拒绝率低于25%。使用不确定性驱动的自举来消除训练样本，可以显著提高鲁棒性和准确性。此外，我们提出了一个多读者的研究表明，预测的不确定性是指示读者的错误。
2019-06-18 cs.CV
Generation of Virtual Dual Energy Images from Standard Single-Shot Radiographs using Multi-scale and Conditional Adversarial Network
Carnegie Mellon University（卡内基梅隆大学）；Case Western Reserve University（凯斯西储大学）
双能量（DE）胸片通过将图像分为骨和软组织，显示可能被遮挡的可疑病变，提供比标准X线片更多的诊断信息。然而，DE图像的采集需要两次物理扫描，需要专门的硬件和处理，并且图像容易出现运动伪影。从标准的单次胸部X光片生成虚拟DE图像将在不改变采集程序的情况下扩展标准X光片的诊断价值。我们提出了一个多尺度条件对抗网络（MCA-Net），它可以从标准的单次胸片中生成高分辨率的虚拟DE骨图像。我们提出的MCA-Net是使用对抗网络进行训练的，因此它可以学习清晰的细节，以生成高质量的骨骼图像。然后，通过使用交叉投影变换处理具有虚拟骨图像的标准射线照片来生成虚拟DE软组织图像。对210例患者DE胸片的实验结果表明，该算法可以生成高质量的虚拟DE胸片。重要的结构被保留，如骨骼图像中的冠状动脉钙化和软组织图像中的肺部病变。测试数据中生成的骨图像的平均结构相似性指数和峰值信噪比分别为96.4和41.5，明显优于以往方法的结果。此外，我们对公开数据集进行的临床评价结果表明了我们算法的临床价值。因此，我们的算法可以产生高质量的DE图像，这对放射科医生，计算机辅助诊断和其他诊断任务可能是有用的。
2021-04-14 cs.CV
Comparing Different Deep Learning Architectures for Classification of Chest Radiographs
Charité Universitätsmedizin Berlin（柏林夏里特医学院）
胸片是放射学中最常获取的图像之一，并且通常是计算机视觉研究的主题。然而，大多数用于对胸片进行分类的模型都来自于公开可用的深度神经网络，在大型图像数据集上进行训练。这些数据集通常与胸部X光片不同，因为它们大多是彩色图像，包含几种可能的图像类别，而X光片是灰度图像，通常只包含较少的图像类别。因此，可以表示图像特征中的更复杂关系的非常深的神经网络对于对灰度胸片进行分类的相对简单的任务可能不需要。我们比较了15种不同的人工神经网络架构在开放的CheXpert数据集上的训练时间和性能，以确定最适合胸片深度学习任务的模型。我们可以证明，ResNet-34、AlexNet或VGG-16等较小的网络有可能像DenseNet-201或ResNet-151等更深层次的神经网络一样精确地对胸片进行分类，同时计算要求更低。
2020-02-20 cs.CV cs.LG eess.IV
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
Automatic Diagnosis of Pneumothorax from Chest Radiographs: A Systematic Literature Review
National University of Sciences and Technology (NUST)（国立科技大学）
在各种医学成像工具中，胸部射线照片是用于检测胸部病理的最重要和最广泛使用的诊断工具。正在进行研究，以便提出用于从胸部X光照片中检测病理的强大的自动诊断工具。人工智能技术，特别是深度学习方法，在医学领域的自动化方面取得了可喜的成果。针对胸片中气胸的自动快速检测已经做了大量的研究，同时提出了几种基于人工智能和机器学习技术的框架。本研究总结了现有文献中关于从胸部X光片自动检测气胸的内容，并描述了可用的胸部X光片数据集。本文还从善的角度对文献进行了比较分析。现有文献的局限性以及研究的差距，也给出了进一步的调查。本文简要介绍了目前气胸检测的工作，以帮助研究人员在选择最佳的方法，为未来的研究。
2021-04-16 cs.CV eess.IV
Automated Segmentation of Vertebrae on Lateral Chest Radiography Using Deep Learning
Rutgers University（罗格斯大学）；Thomas Jefferson University（托马斯杰斐逊大学）
本研究的目的是使用深度学习开发一种自动化算法，用于胸部X线摄影中的胸椎分割。获得了124例独特患者的去识别侧位胸片。可见椎骨的分割由医学生手动执行，并由委员会认证的放射科医生验证。74张图像用于训练，10张用于验证，40张用于测试。采用U-Net深度卷积神经网络进行分割，使用骰子系数和二进制交叉熵之和作为损失函数。在测试集上，该算法的平均骰子系数值为90.5，平均交并比（IoU）为81.75。深度学习在侧位胸部X光片的椎骨分割中展示了前景。
2020-01-05 cs.CV eess.IV
Anatomy-aware Self-supervised Learning for Anomaly Detection in Chest Radiographs
Osaka University Graduate School of Medicine（大阪大学医学研究生院）
大量标记的医学图像对于准确检测异常是必不可少的，但手动注释是劳动密集型和耗时的。自监督学习（SSL）是一种无需人工注释即可学习数据特定特征的训练方法。在医学图像异常检测中，已经有几种基于SSL的模型被采用。这些SSL方法有效地学习了几个特定领域图像中的表示，例如自然和工业产品图像。然而，由于医学专业知识的要求，典型的基于SSL的模型在医学图像异常检测中效率低下。我们提出了一个基于SSL的模型，使基于解剖结构的无监督异常检测（UAD）。该模型采用解剖感知粘贴（AnatPaste）增强工具。AnatPaste采用基于阈值的肺部分割借口任务来创建正常胸片中的异常，这些异常用于模型预训练。这些异常与真实异常相似，有助于模型识别它们。我们在三个开源胸部X光片数据集上评估了我们的模型。我们的模型表现出92.1%，78.7%和81.9%的曲线下面积（AUC），这是现有UAD模型中最高的。这是第一个SSL模型采用解剖信息作为借口任务。AnatPaste可以应用于各种深度学习模型和下游任务。它可以通过固定适当的分割用于其他模态。我们的代码可在https://github.com/jun-sato/AnatPaste上公开获取。
2022-06-11 cs.CV
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
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
RATCHET: Medical Transformer for Chest X-ray Diagnosis and Reporting
Imperial College London（帝国理工学院）；Technische Universität München（慕尼黑工业大学）；FAU Erlangen–Nürnberg（埃尔朗根-纽伦堡大学）；National Institutes of Health（美国国立卫生研究院）
胸片是临床常规中最常见的诊断方式之一。它可以便宜地完成，需要最少的设备，并且图像可以由每个放射科医生诊断。然而，每天获得的胸部X光照片的数量很容易超过现有的临床能力。我们提出了RATCHET：用于人类检查胸部的放射学文本字幕。RATCHET是一个基于CNN-RNN的医疗Transformer，经过端到端训练。它能够从胸片中提取图像特征，并生成医学上准确的文本报告，无缝地融入临床工作流程。该模型的自然语言生成能力进行评估，使用NLP文献中的常见指标，以及其医疗准确性，通过代理报告分类任务。该模型可在http://www.github.com/farrell236/RATCHET下载。
2021-09-15 cs.CV
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
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
X-WIN: Building Chest Radiograph World Model via Predictive Sensing
X-WIN通过预测感知构建胸片世界模型，利用体积数据提炼3D解剖知识，提升CXR的表示学习和诊断能力。
2026-03-11 cs.CV
A Generative Foundation Model for Chest Radiography
Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤科）；Department of Computer Science, School of Computing and Data Science, The University of Hong Kong（香港大学计算机科学系）；Department of Population Medicine and Diagnostic Sciences, College of Veterinary Medicine, Cornell University（康奈尔大学兽医学院人口医学与诊断科学系）；Department of Radiology, The First Affiliated Hospital of Jinan University（暨南大学第一附属医院放射科）；Department of Radiology, Stanford University School of Medicine（斯坦福大学医学院放射科）；Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）；Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系）
针对医学标注图像稀缺问题，提出基于潜在扩散Transformer的生成式视觉-语言基础模型ChexGen，支持多引导的胸部X光合成，在小样本医疗任务中提升性能，还可缓解人口统计学偏差以增强模型公平性。
2025-09-04 cs.CV
CheXanatomy: Anatomy-Aware Vision-Language Modeling for Chest Radiographs
Stanford Center for Artificial Intelligence in Medicine and Imaging, Stanford University（斯坦福大学医学与影像人工智能中心）；Department of Radiology, Stanford University（斯坦福大学放射学系）
提出CheXanatomy框架，通过自回归令牌空间监督将解剖知识融入预训练视觉-语言模型，实现解剖分割，在合成和真实X光片上性能媲美U-Net，并提升域迁移鲁棒性和样本效率。
2026-06-26 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
Automated Estimation of Total Lung Volume using Chest Radiographs and Deep Learning
Radboud university medical center（拉德堡德大学医学中心）
肺总容积是一种重要的定量生物标志物，用于评估限制性肺部疾病。在这项研究中，我们研究了几种深度学习方法的性能，用于自动测量胸片中的总肺容量。从有胸部CT的患者中收集了7621张后前位和侧位胸片（CXR）。同样，从具有肺功能检查（PFT）结果的患者中选择了928项CXR研究。分别根据CT或PFT数据上的肺分割计算参考总肺体积。该数据集用于训练深度学习架构，以根据胸片预测总肺容量。实验以逐步增加复杂性的方式构建，以证明仅使用CT衍生标签进行训练的效果和错误来源。最优模型在291例CXR研究中进行了测试，参考肺体积从PFT获得。最佳深度学习回归模型显示，使用正面和侧面胸片作为输入，MAE为408 ml，MAPE为8.1%，Pearson r = 0.92。CT衍生的标签对于预训练是有用的，但是通过用PFT衍生的标签微调网络来获得最佳性能。我们首次证明，最先进的深度学习解决方案可以从普通胸片中准确测量总肺容量。所提出的模型可用于获得总肺体积从常规采集的胸片在没有额外的成本，并可能是一个有用的工具，以确定随着时间的推移，定期提交胸部X射线的患者的趋势。
2021-05-03 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
Lamps: Learning Anatomy from Multiple Perspectives via Self-supervision in Chest Radiographs
Shanghai Jiao Tong University（上海交通大学）；Arizona State University（亚利桑那州立大学）；University of Bern（伯尔尼大学）；Mayo Clinic（梅奥诊所）
Lamps通过自监督学习从多视角学习解剖结构，提升医学影像基础模型的鲁棒性和临床应用潜力。
2026-01-02 cs.CV
Scaling Generative Foundation Models for Chest Radiography with Rectified Flow Transformers
Imperial College London（帝国理工学院）；Causality in Healthcare AI Hub（医疗AI因果关系中心）；University of Edinburgh（爱丁堡大学）；Cleveland Clinic London（克利夫兰诊所伦敦）；Department of Perioperative Medicine, CHU Clermont-Ferrand（克莱蒙费朗大学医院围手术期医学科）；Department of Medicine, Massachusetts General Hospital（麻省总医院医学部）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）
提出首个十亿参数级胸部X光片生成基础模型，通过整流流变换器实现高保真可控合成，显著提升合成图像与真实图像的不可区分性。
2026-06-19 cs.AI cs.CV cs.LG
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
Bone Structures Extraction and Enhancement in Chest Radiographs via CNN Trained on Synthetic Data
Tel Aviv University（特拉维夫大学）
在本文中，我们提出了一种基于深度学习的图像处理技术，用于使用U-Net FCNN提取胸片中的骨骼结构。U-Net经过培训，可以在完全监督的环境中完成任务。为了创建训练图像对，我们采用了模拟X射线或数字重建射线照片（DRR），这些照片来自属于LIDC-IDRI数据集的664次CT扫描。在CT域中使用基于HU的骨结构分割，产生合成的2D“骨x射线”DRR并用于训练网络。对于重建损失，我们利用两个损失函数- L1损失和感知损失。一旦骨骼结构被提取，就可以通过融合原始输入X射线和合成的“骨骼X射线”来增强原始图像。我们证明了我们的增强技术适用于真实的X射线数据，并在NIH胸部X射线-14数据集上显示了我们的结果。
2020-03-20 cs.CV eess.IV
HalluCXR: Benchmarking and Mitigating Hallucinations in Medical Vision-Language Models for Chest Radiograph Interpretation
Department of Biostatistics & Health Informatics, Institute of Psychiatry, Psychology & Neuroscience, King’s College London（生物统计学与健康信息学系，精神病学、心理学与神经科学研究所，伦敦国王学院）
本文提出HalluCXR基准，评估六种不同架构的视觉-语言模型在856例分层MIMIC-CXR胸部X光图像上的表现，发现61.9%-82.3%的输出存在幻觉，其中80.2%存在临床危险错误，通过引入幻觉分类学、检测管道和模型集成方法，提出了缓解幻觉的策略。
2026-05-19 cs.CV
Improving the Segmentation of Anatomical Structures in Chest Radiographs using U-Net with an ImageNet Pre-trained Encoder
RADLogics Ltd.（RADLogics有限公司）；Tel Aviv University（特拉维夫大学）
胸部X光片中解剖结构的准确分割对于许多计算机辅助诊断任务是必不可少的。在本文中，我们研究了最新的全卷积架构，用于胸部X光片中肺野，心脏和锁骨的多类分割任务。此外，我们还探讨了在语义分割神经网络的训练过程中使用不同损失函数的影响。我们在JSRT数据库的247张X射线图像和SCR数据集的地面真实分割掩模的共同基准上评估所有模型。我们性能最好的架构是修改后的U-Net，它受益于预训练的编码器权重。该模型优于在相同基准上测试的当前最先进的方法，肺野的Jaccard重叠评分为96.1%，心脏为90.6%，锁骨为85.5%。
2018-10-04 cs.CV cs.LG
Endotracheal Tube Detection and Segmentation in Chest Radiographs using Synthetic Data
RADLogics Ltd.（RADLogics有限公司）；Tel Aviv University（特拉维夫大学）
胸部X光片经常用于验证急诊室中患者的正确插管。快速准确地识别和定位气管内（ET）导管对患者至关重要。在这项研究中，我们提出了一种新的自动深度学习方案，用于准确检测和分割ET管。使用深度学习网络进行分类和分割的自动系统的开发需要大量的注释数据，这些数据并不总是可用的。在这里，我们提出了一种方法合成ET管在真实的X射线图像。我们提出了一种训练网络的方法，首先使用合成数据，然后在微调阶段使用真实的X射线图像，这允许网络在数千例病例上进行训练，而无需注释任何数据。所提出的方法在来自公共数据集的477张真实胸片上进行了测试，并在分类ET管的存在与不存在时达到了0.99的AUC，同时输出高质量的ET管分割图。
2019-08-20 cs.CV eess.IV
Learning A Multi-Task Transformer Via Unified And Customized Instruction Tuning For Chest Radiograph Interpretation
Centre for Perceptual and Interactive Intelligence（感知与交互智能中心）；the Chinese University of Hong Kong（香港中文大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Sensetime Research（商汤科技研究院）；Department of Electronic Engineering（电子工程系）
本文提出结合定制化指令微调的统一多任务 Transformer，利用1340万图文指令对训练，并在胸片多任务基准上验证其性能与报告可解释性。
2024-03-04 cs.CV
Learning Anatomically Consistent Embedding for Chest Radiography
Shanghai Jiao Tong University（上海交通大学）；Arizona State University（亚利桑那州立大学）；Mayo Clinic（梅奥诊所）
本文提出PEAC方法，利用医学图像解剖一致性，通过稳定网格匹配学习全局与局部一致性，在胸部X光下游任务中超越现有方法并提升可解释性。
2024-06-11 cs.CV
CheXGenBench: A Unified Benchmark For Fidelity, Privacy and Utility of Synthetic Chest Radiographs
University of Edinburgh（爱丁堡大学）；Samsung AI Center, Cambridge（剑桥三星AI中心）
提出CheXGenBench，首个统一评估框架，同时衡量合成胸片生成模型的保真度、隐私风险和下游实用性，涵盖11种前沿T2I模型，揭示当前模型在长尾分布、隐私风险和下游多模态任务中的局限。
2026-06-16 cs.CV
Separation of target anatomical structure and occlusions in chest radiographs
Medical University of Vienna（维也纳医科大学）
胸部X光检查通常是低成本的筛查和诊断检查。然而，射线照片是3D结构的2D表示，导致相当大的混乱，阻碍视觉检查和自动图像分析。在这里，我们提出了一个全卷积网络来抑制，对于一个特定的任务，不希望的视觉结构从射线照片，同时保留相关的图像信息，如肺实质。所提出的算法从高分辨率CT扫描创建重建的射线照片和地面实况数据。结果表明，去除与分类任务无关的视觉变化，提高了分类器的性能时，只有有限的训练数据。这是特别相关的，因为在医学成像中，地面实况病例的数量很少。
2020-02-03 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
Interpretation of Chest x-rays affected by bullets using deep transfer learning
MNS-UAM（穆罕默德·纳瓦兹·谢里夫农业大学）；UET, Taxila（塔克西拉工程技术大学）；UoL, Lahore（拉合尔大学）
深度学习的潜力，特别是在医学成像领域，引发了惊人的结果，并在日复一日地改进方法。放射学中的深度学习提供了自动分类、检测和分割不同疾病的机会。在拟议的研究中，我们致力于医学成像的一个重要方面，我们对受子弹影响的X射线进行了分类和定位。我们在不同的分类和定位模型上测试了图像，以获得相当高的准确性。研究中使用的复制数据集在胸部X线的不同图像上复制。该模型不仅适用于胸部X光片，还适用于其他身体器官的X光片，如腿，腹部，头部，甚至是基于胸部X光片的训练数据集。自定义模型在调整参数后已用于分类和本地化目的。最后，我们的研究结果表明，使用不同的框架。这可能有助于对该领域的研究有所启发。据我们所知，这是第一次使用深度学习对受子弹影响的射线照片进行检测和分类的研究。
2022-03-25 cs.CV
Sensitivity and Specificity Evaluation of Deep Learning Models for Detection of Pneumoperitoneum on Chest Radiographs
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）
背景：深度学习在帮助检测和分类医学图像上的气腹等关键发现方面具有巨大的潜力。为了在临床上有用，该技术的性能仍然需要验证在不同类型的成像系统中的通用性。材料与方法：这项回顾性研究包括2011年至2019年期间在13家不同医院接受初次胸部X线摄影的患者的1，287张胸部X线图像。由四名放射科专家将胸部X线图像独立标记为气腹阳性或阴性。最先进的深度学习模型（ResNet101，InceptionV3，DenseNet161和ResNeXt101）在该数据集的一个子集上进行了训练，并通过测量每个模型的AUC，灵敏度和特异性来评估其余数据集的自动分类性能。此外，通过根据所用成像系统的类型对测试数据集进行分层，评估了这些深度学习模型的可推广性。结果如下：所有深度学习模型在识别具有气腹的X光照片方面表现良好，而DenseNet161实现了最高的AUC 95.7%，特异性89.9%和灵敏度91.6%。DenseNet161模型能够准确地对来自不同成像系统的X光片进行分类（准确率：90.8%），而它是在来自单个机构的特定成像系统捕获的图像上进行训练的。这一结果表明，我们的模型学习胸部X射线图像中的显着特征，以检测气腹，独立的成像系统的推广。
2020-10-17 cs.CV eess.IV
A Classical-Quantum Convolutional Neural Network for Detecting Pneumonia from Chest Radiographs
Vishwakarma University（维什瓦卡尔马大学）；DeepTek Inc（DeepTek公司）
虽然已经提出了许多用于机器学习的量子计算技术，但它们在真实世界数据集上的性能仍有待研究。在本文中，我们探讨如何变分量子电路可以集成到一个经典的神经网络的问题，检测肺炎的胸片。我们用一个变分量子电路代替一个经典的卷积神经网络的一层来创建一个混合神经网络。我们训练这两个网络的图像数据集包含胸部X光片和基准的性能。为了减轻网络训练中不同随机性来源的影响，我们在多轮中对结果进行采样。我们表明，混合网络优于经典网络在不同的性能指标，这些改进是统计上显着的。我们的工作是量子计算潜力的实验演示，可以显着提高神经网络在现实世界中的性能，与社会和工业相关的非平凡问题。
2022-02-19 cs.CV cs.LG quant-ph
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
Learning to detect chest radiographs containing lung nodules using visual attention networks
King’s College London（伦敦国王学院）；Guy’s & St Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托）；Imperial College Healthcare NHS Trust（帝国理工学院医疗国民保健服务信托）
机器学习方法在胸片中肺结节的自动检测方面具有很大的潜力，但训练算法需要大量的手动注释图像，这些图像很难获得。指示射线照片是否可能包含肺结节的弱标签通常更容易通过解析与射线照片相关联的历史自由文本放射学报告来大规模获得。在这项研究中，我们使用了超过70万张胸片的存储库，证明了通过卷积神经网络进行胸片分类，使用弱标签可以实现有希望的结节检测性能。我们提出了两个网络架构的图像分类可能包含肺结节使用弱标签和手动划定的边界框，当这些都是可用的。注释的结节在训练时用于提供视觉注意机制，通知模型其定位性能。第一种架构从高级卷积层中提取显著性图，并在可用时将结节的估计位置与地面实况进行比较。然后，对应的定位误差与softmax分类误差一起反向传播。第二种方法由一个循环注意力模型组成，该模型通过强化学习来学习观察较小图像部分的短序列。当结节注释在训练时间可用时，相应地修改奖励函数，使得探索射线照片的远离结节的部分招致更大的惩罚。我们的实证结果表明，这些架构的潜在优势相比，竞争的方法。
2019-02-07 cs.CV stat.ML
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
Generalization of Deep Convolutional Neural Networks -- A Case-study on Open-source Chest Radiographs
K. N. Toosi University of Technology（K. N. 图什理工大学）；Emory School of Medicine（埃默里大学医学院）
深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）在医学图像分析和临床诊断等领域得到了广泛的关注和应用。一个主要的挑战是构思一个在内部和外部数据上都具有出色性能的DCNN模型。我们证明，DCNN可能不会推广到新的数据，但提高训练数据的质量和异质性有助于提高泛化因子。我们使用InceptionResNetV 2和DenseNet 121架构来预测5种常见胸部病变的风险。实验在三个公开可用的数据库上进行：CheXpert、ChestX-ray 14和MIMIC Chest Xray JPG。结果显示，5种病理中每一种的内部性能均优于两种模型的外部性能。此外，我们在训练阶段将模型暴露给不同数据集的策略有助于提高模型在外部数据集上的性能。
2020-07-11 cs.CV cs.LG
Development of Automatic Endotracheal Tube and Carina Detection on Portable Supine Chest Radiographs using Artificial Intelligence
National Cheng Kung University（国立成功大学）；National Cheng Kung University Hospital（国立成功大学附属医院）
由于低对比度和高噪声，便携式仰卧位胸片的图像质量本来就很差。气管插管检测需要气管插管（ETT）尖端和隆突的位置。目标是在胸部X线摄影中找到ETT尖端和隆突之间的距离。为了克服这个问题，我们提出了一种使用Mask R-CNN的特征提取方法。Mask R-CNN预测图像中的导管和气管分叉。然后，采用特征提取方法，分别提取气管插管尖端和隆突的特征点。因此，可以获得ETT-隆突距离。在我们的实验中，我们的结果可以超过96%的召回率和准确率。此外，目标误差小于$4.7751\pm 5.3420$ mm，ETT-隆突距离误差小于$5.5432\pm 6.3100$ mm。外部验证表明，该方法是一个高鲁棒性的系统。根据Pearson相关系数，我们在ETT-隆突距离方面的委员会认证的重症监护医师和我们的结果之间具有很强的相关性。
2022-06-07 cs.AI cs.CV
A Generic Approach to Lung Field Segmentation from Chest Radiographs using Deep Space and Shape Learning
Sheikh Zayed Institute for Pediatric Surgical Innovation, Children’s National Health System（儿童国家卫生系统谢赫扎耶德儿科外科创新研究所）；Children’s National Health System（儿童国家卫生系统）；San Francisco State University（旧金山州立大学）；School of Medicine and Health Sciences, George Washington University（乔治华盛顿大学医学与健康科学学院）
已提出将计算机辅助诊断（CAD）技术用于成人队列的胸片（CXR）肺野分割，但很少用于儿科受试者。统计形状模型（SSM），最先进的基于CXR的肺野分割方法的主力，不能有效地适应在儿科发育阶段的肺野的形状变化。我们工作的主要贡献是：（1）来自CXR的通用肺野分割框架，适应成人和儿科队列的大形状变化;（2）深度表示学习检测机制\emph{ensemble space learning}，用于鲁棒的对象定位;以及（3）\emph{marginal shape deep learning}，用于形状变形参数估计。与传统SSM的迭代方法不同，所提出的形状学习机制将参数空间转换为边缘子空间，这些边缘子空间使用递归表示学习机制有效地求解。此外，我们的方法是第一个在基于CXR的肺分割中包括具有挑战性的心脏后区域，以进行准确的肺活量估计。该框架在3个月至89岁的患者的668个CXR上进行评估。我们得到平均Dice相似系数为$0.96\pm0.03$（包括心脏后区域）。对于一个给定的精度，所提出的方法也被发现比传统的基于SSM的迭代分割方法更快。所提出的通用框架的计算简单性可以类似地应用于其他可变形对象的快速分割。
2018-07-11 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
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
Deep Learning-based Anonymization of Chest Radiographs: A Utility-preserving Measure for Patient Privacy
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
针对胸部X光片传统匿名化仍会泄露生物特征的问题，本文提出PriCheXy-Net三网络形变方法，在ChestX-ray14上降低重识别AUC且保持诊断效用，并优于Privacy-Net和DP-Pix。
2023-07-24 cs.CR cs.CV cs.LG
Lung Structures Enhancement in Chest Radiographs via CT based FCNN Training
Tel Aviv University（特拉维夫大学）
胸部X射线照片中出现的大量重叠解剖结构会降低自动算法（CAD）以及人类读取器的肺部病理检测性能。在本文中，我们提出了一种基于深度学习的图像处理技术，用于使用全卷积神经网络（FCNN）增强胸片中软肺结构的对比度。训练了两个2D FCNN架构来完成任务：第一个执行2D肺部分割，用于肺部区域的归一化。第二个FCNN被训练来提取肺部结构。为了创建训练图像，我们使用了来自LIDC-IDRI数据集的516次扫描的模拟X射线或数字重建射线照片（DRR）。通过首先在CT域中分割肺部，我们能够创建用于训练分割FCNN的2D肺部掩模数据集。为了训练提取FCNN，我们只创建属于3D肺部分割的体素的DRR图像，我们称之为“肺部X射线”，并将它们用作目标图像。一旦提取了肺部结构，就可以通过融合原始输入X射线和合成的“肺部X射线”来增强原始图像。我们证明了我们的增强技术适用于真实的X射线数据，并在最近发布的NIH胸部X射线-14数据集上显示了我们的结果。当训练基于DenseNet-121的架构直接在肺部增强X射线图像上工作时，我们看到了有希望的结果。
2018-10-14 cs.AI cs.CV eess.IV
Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest Radiographs for Assisted Diagnosis of Cardiomegaly
DeepTek Inc（DeepTek公司）
我们提出了一种基于深度学习的自动化方法来计算心胸比率并从胸部X光片中检测心脏肥大的存在。我们开发了两个独立的模型来划分的心脏和胸部区域的X射线图像使用边界框，并使用它们的输出来计算心胸比率。我们获得的灵敏度为0.96，特异性为0.81，平均绝对误差为0.0209，在一个保持的测试数据集上，灵敏度为0.84，特异性为0.97，平均绝对误差为0.018，来自不同医院的独立数据集。我们还比较了所提出的方法的三种不同的分割模型架构，并观察到Attention U-Net比SE-Resnext U-Net和EfficientNet U-Net产生更好的结果。通过提供心胸比率的数字测量，我们希望减轻在检测心脏肥大时由视觉评估引起的人类主观性。
2021-01-19 cs.CV cs.LG eess.IV
Self-Guided Multiple Instance Learning for Weakly Supervised Disease Classification and Localization in Chest Radiographs
HIDSS4Health - Helmholtz Information and Data Science School for Health（HIDSS4Health——亥姆霍兹健康信息与数据科学学院）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；German Cancer Research Center Heidelberg（海德堡德国癌症研究中心）
缺乏细粒度的注释阻碍了自动诊断系统的部署，这需要人类对其决策过程进行解释。在本文中，我们解决的问题，弱监督识别和定位异常胸片。为此，我们引入了一种新的损失函数来训练卷积神经网络，增加了\emph{localization confidence}并辅助了整个\emph{disease identification}。损失利用图像级和补丁级预测来生成辅助监督。我们不是像以前的损失公式那样从预测中形成严格的二进制，而是以更定制的方式创建目标，这使得损失可以考虑可能的错误分类。我们表明，在所提出的学习方案中提供的监督可以在多实例学习的流行数据集上以及NIH~ ChestX-Ray 14疾病识别基准上获得更好的性能和更精确的预测，而不是以前使用的损失。
2020-09-30 cs.CV cs.LG eess.IV
Comparative Evaluation of Digital and Analog Chest Radiographs to Identify Tuberculosis using Deep Learning Model
本研究比较了基于深度学习的qXR设备在数字和模拟胸部X光片上识别结核病的性能，发现手机拍摄模拟胶片与原始DICOM图像的AUC差异极小，证明该设备在资源受限环境中具有稳健性。
2023-07-27 cs.CV
False Positive Reduction by Actively Mining Negative Samples for Pulmonary Nodule Detection in Chest Radiographs
VUNO Inc.（VUNO公司）；Imperial College London（帝国理工学院）；Asan Medical Center（峨山医疗中心）；University of Ulsan（蔚山大学）
在医学成像中生成大量高质量的标记数据是非常耗时且昂贵的。多年来，用于成像的各种任务的监督算法的性能已经大幅提高，然而用于训练这些算法的数据的可用性已经成为实施的主要瓶颈之一。为了解决这个问题，我们提出了一种半监督学习方法，其中使用来自未标记数据的伪阴性标签来进一步改进胸片中肺结节检测网络的性能。在使用所提出的网络进行训练后，假阳性率从0.4864降低到0.1266，同时保持灵敏度为0.89。
2018-07-26 cs.AI cs.CV cs.LG
CheXtriev: Anatomy-Centered Representation for Case-Based Retrieval of Chest Radiographs
该研究提出CheXtriev框架，采用图变换器提取胸部X光片特定解剖区域特征，其检索准确率与排名质量优于现有最优方法，尤其适用于少见病变。
2026-08-31 cs.AI cs.CV cs.LG
Learning Decision Ensemble using a Graph Neural Network for Comorbidity Aware Chest Radiograph Screening
Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）；Apollo Gleneagles Hospital（阿波罗格伦伊格尔斯医院）；Intel Technology India Pvt. Ltd.（英特尔技术印度私人有限公司）
胸片主要用于筛查心脏、胸部和肺部疾病。正在开发基于机器学习的自动化解决方案，以减轻放射科医生的常规筛查负担，使他们能够专注于关键病例。虽然最近的努力证明了深度卷积神经网络（CNN）的集成的使用，但它们没有考虑疾病合并症，从而降低了它们的筛选性能。为了解决这个问题，我们提出了一个基于图神经网络（GNN）的解决方案，以获得集成预测模型之间的依赖性不同的疾病。所提出的方法的综合评价表明其潜力，通过提高性能超过标准集成技术在广泛的集成建设。使用DenseNet121的GNN集合实现了最佳性能，在13种疾病合并症中的平均AUC为0.821。
2020-04-24 cs.CV cs.LG eess.IV
Deep Learning for Pneumothorax Detection and Localization in Chest Radiographs
Philips Research（飞利浦研究院）；Hamburg University of Technology（汉堡工业大学）；Philips Healthcare（飞利浦医疗）；University of Washington Medical Center（华盛顿大学医学中心）
气胸是一种危急情况，需要及时沟通和立即采取行动。为了防止严重的发病率或患者死亡，早期发现至关重要。对于气胸检测任务，我们研究了三种不同深度学习技术的特征：（i）卷积神经网络，（ii）多实例学习和（iii）完全卷积网络。我们对由1003张胸部X射线图像组成的数据集进行了五重交叉验证。ROC分析得出三种方法的AUC分别为0.96、0.93和0.92。我们回顾了这些方法的分类和本地化性能以及上述三种技术的集成。
2019-07-16 cs.CV cs.LG eess.IV
