【医学影像】Deep Learning for Automatic Pneumonia Detection

最新推荐文章于 2021-08-25 13:51:54 发布
最新推荐文章于 2021-08-25 13:51:54 发布
阅读量1.2k 收藏 10
点赞数
分类专栏： 目标检测论文笔记 文章标签： 计算机视觉 人工智能 机器学习 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chenzhoujian_/article/details/109604356
版权

写在前面的话：
这篇论文是北美放射学会（RSNA）在Kaggle平台上托管的肺炎区域检测挑战赛取得第二名成绩的解决方案。因为笔者需要用到其中的图像增强方案，因此本篇博客只介绍了数据集和图像增强，关于模型的改进和其它改进点没有涉及。
论文地址：https://arxiv.org/abs/2005.13899
代码地址：https://github.com/tatigabru/kaggle-rsna
比赛地址：https://www.kaggle.com/c/rsna-pneumonia-detection-challenge
（数据集可在比赛地址下载）

摘要

肺炎是造成儿童死亡的主要原因，同时也是全世界造成死亡人数最多的原因之一。肺炎的检测通常是由训练有素的专家对胸部X线片进行检查，这个过程很繁琐，不同放射科医生之间经常出现分歧。
计算机辅助诊断系统具有提高诊断准确性的潜力，这篇论文提出了一种基于单级检测器（SSD）、squeeze-and-excitation deep convolution neural networks、数据增强和多任务学习的肺炎区域检测计算方法。

介绍

肺炎检测通常是通过由训练有素的专家检查胸部X线片(CXR)进行的，通常表现为CXR上不透明度增加的区域或多个区域，诊断通过临床病史、生命体征和实验室检查进一步证实。
肺炎在CXR上的诊断是复杂的，因为肺部存在其他情况，如液体超载，出血，体积损失，肺癌，辐射后或手术改变。比较患者在不同时间点的CXR，并与临床病症和病史相联系，有助于做出诊断。
为了提高诊断服务的有效性和准确性，在过去十年中计算机辅助诊断系统在肺炎检测上得到了广泛的应用。

数据集

组成：26684名患者的正面X线图像。
每张图像都贴上一个类别，3个类别：正常（Normal）、无肺不透明/不正常（No Lung Opacity / Not Normal）、肺不透明（Lung Opacity）。
类别的介绍：
正常（Normal）：没有发现任何病理，包括但不限于肺炎、气胸、肺不张等。
无肺不透明/不正常（No Lung Opacity / Not Normal）：肺部有可见的浑浊区域但与肺炎无关。
肺不透明（Lung Opacity）：肺部有模糊的白色云团，与肺炎有关；并且肺部浑浊的区域用边界框标注出来。
在这里插入图片描述

数据集的类别分布：
数据集中三个类别的分布非常均衡。
在这里插入图片描述

拓展知识：
通常，正常人的肺部充满空气。 当某人患有肺炎时，肺部的空气被其他物质所取代，如液体、细菌、免疫系统细胞等。
肺混浊是指优先衰减X射线束的区域，因此在CXR上该区域应该更不透明，这表明该区域的肺组织可能不健康。

图像预处理与增强

采用512×512的图像分辨率。
图像增强有以下操作：

  • 轻度旋转（最高旋转6度）
  • 平移、缩放、裁剪
  • 水平翻转
  • 对某些图像进行模糊、噪声、伽马变化的操作
  • 限制亮度/伽马增强的数量

对图像进行图像增强如下图：
在这里插入图片描述

进行数据增强的消融实验

  1. No augmentations：在对图像进行调整分辨率和归一化的操作后，不进行任何数据增强
  2. Light augmentations：仿射和透视变换（scale=0.1, shear=2.5）、图像旋转（angle=5.0）
  3. Heavy augmentations：随机水平翻转、仿射和透视变换（scale=0.15, shear=4.0）、图像旋转（angle=6.0）、偶尔的高斯噪声、高斯模糊、加性噪声
  4. Heavy augmentations without rotation：随机水平翻转、仿射和透视变换（scale=0.15, shear=4.0）、偶尔的高斯噪声、高斯模糊、加性噪声
  5. Heavy augmentations with custom rotation：随机水平翻转、仿射和透视变换（scale=0.15, shear=4.0）、偶尔的高斯噪声、高斯模糊、加性噪声、自定义的旋转（angle=6.0）

实验结果：
第4种数据增强方案（Heavy augmentations without rotation）取得了最佳效果。如下两幅图。
在这里插入图片描述
在这里插入图片描述

边界框的旋转方式

为了减少旋转对边界框大小的影响，论文中提出了一种自定义的旋转方式：
没有旋转角，而是在每个边上旋转了两个点，分别从边角起1/3和2/3边的长度（总共8个点），并计算了旋转点的最小值/最大值作为新的边界框。
在这里插入图片描述

进行边界框旋转方式的消融实验

  1. 一般的旋转方式（旋转角）
  2. 自定义的旋转方式（旋转边上的点）
  3. 不进行旋转

实验结果：
自定义的旋转方式取得了最佳效果。
注意：
虽然自定义的旋转方式改进了结果，但不加旋转的图像增强方案（Heavy augmentations without rotation）取得了最佳效果。

Using Transfer Learning to Improve Deep Learning Models
AI天才研究院
08-02 914
作者：禅与计算机程序设计艺术Image classification and segmentation are the two most common applications of deep learning in medical imaging. However, it is not straightforward to use transfer learning methods for these tasks due to different dataset distributions, input
Image Segmentation Using Deep Learning: A Survery
Fantastic
09-23 3950
图像分割综述–论文翻译 论文地址：https://arxiv.org/pdf/2001.05566.pdf 摘要 图像分割是图像处理以及计算机视频的关键内容，其应用场景非常广泛，如场景理解、医学图像分析、机器人感知、视频监控、增强显示和图像压缩等。目前关于图像分割的算法论文数量非常多。最近，由于深度学习模型在计算机视频任务中的出色表现，大量的图像分割研究工作都在开发深度学习模型在图像分割中的应用。在本次调查综述中，我们提供全面的图像分割的文献综述，涵盖了语义分割和实例分割的广泛开创性工作，其中包括全卷机像素
Kaggle新上比赛：胸部X光片肺炎检测
我爱计算机视觉
08-28 1581
(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)今天北美放射学会（RSNA®）联合Kaggle发起了医学图像肺炎检测的比赛。医学图像中的肺炎视觉信号，表现为胸部X光片上的...
Pneumonia_Detection:使用卷积神经网络从CT扫描中识别肺炎
05-23
使用卷积神经网络在CT扫描中检测肺炎 卷积神经网络已被证明在医疗保健行业中是有效的，其任务包括从不同类型的扫描中识别某些类型的癌症甚至是肺炎。 该项目展示了如何有效地存储和转换图像，然后训练卷积神经网络以检测患者体内的肺炎。 要查看实际报告，请转到文件 先决条件 需要下载的软件包 library(tensorflow) library(reticulate) library(tfdatasets) library(keras) library(tidyverse) library(ggplot2) library(tfruns) 设定说明 由于我在该项目中使用的数据量很大，因此我没有将数据直接上传到Github。 因此，为了运行该项目中的其他文件，需要遵循以下说明来设置该项目。 虽然实际数据来自 ，但下载数据的最佳来源来自 。 进入该站点后，请单击页面上的“下载（2 GB）”按钮。
医疗图像论文笔记五：《Deep Learning for Automatic Pneumonia Detection》
SanJin_Young的博客
10-19 980
这篇论文是kaggle上RSNA肺炎检测挑战赛的亚军方案，更多的是比赛的技巧和数据解读方面的收获。 （一）数据 数据总共包含26684个病人的肺部X光的前视图，每张图片都有属于自己的类别”Normal”, ”No Lung Opacity / Not Normal”, ”Lung Opacity”。通常来说，我们的肺部是充满空气的，而得了肺炎的人，肺部本该包含空气的部分会被其他物质所替代，例如液体、细菌和免疫细胞等等。肺不透明（Lung Opacity）指的是没有提前衰减...
RSNA Pneumonia Detection Challenge项目简单学习＜1＞
PigWord的博客
08-13 1586
文章目录描述背景评估介绍总结 记录(3)CXR是什么？什么是lung opacities怎么评估IoU平均精度confidence数据集 记录(4)标签数据 记录(5.1)可视化数据 记录(5.2)统计图片个数分类图片显示方案(需修改) 记录(5.3)问题 描述 在这个比赛中，要构建一个算法用来检测医学图像中的肺炎视觉信息。具体的说，算法需要自动定位胸部X光片上肺部不透明(lung opacities)位置。 背景 在国际上，肺炎占所有5岁以下儿童死亡的15％以上。2015年，有920,000名5岁以下的儿
RSNA Pneumonia Detection Challenge项目简单学习＜3＞
PigWord的博客
08-25 665
第二名方案 解决方案基于修改后的基于retinanet的模型。单模型，集成了4个折叠输出。使用Retinanet，因为与Faster-RCNN之类的模型或SSD相比，它要简单得多，同时具有可比的结果，这使模型的实验和调试/调整变得更加容易。 Retinanet 这里提到了retinanet模型，阅读：https://blog.csdn.net/JNingWei/article/details/80038594 detector主要分为以下两大门派： 类别不平衡：检测算法在早期会生成一大波的bbox。而一幅
pneumonia_detection：使用机器学习检测肺炎-PyTorch
03-04
肺炎检测 使用机器学习进行肺炎检测。 培训是在colab中完成的： 演示： 结果（混淆矩阵）： 数据 我使用了中数据集的修改版本。 我将PNEUMONIA数据集拆分为BAETERIAL PNUEMONIA和VUAL PNEUMONIA，而不是NORMAL和PNEUMONIA。 这样，数据分布更均匀，我可以区分病毒性肺炎和细菌性肺炎。 我还将验证数据集与测试数据集结合在一起，因为验证数据集每个类只有8张图像。 这是结果分布： 处理和扩充 我将图像的大小调整为150x150，并且因为某些图像已经是灰度的，所以我也将所有图像都转换为灰度。 另外，我对训练数据进行了以下转换/增强： transforms . Resize (( 150 , 150 )), transforms . Grayscale (), transforms . ToTensor (), transforms .
关于新冠肺炎（COVID-19）论文解读集合
热门推荐
yolov4的博客
05-09 1万+
这是基于COVID-19成像的AI研究论文的集合，并简单做个解读。论文主要来自：https://github.com/HzFu/COVID19_imaging_AI_paper_list 1 A deep learning algorithm using CT images to screen forCorona Virus Disease (COVID-19) 基于CT图像的冠状病毒病(COVID-19)深度学习算法，论文来自我国的肿瘤研究所和几家医院，地址：https://www.medrxiv.org
【AI视野·今日CV 计算机视觉论文速览 第193期】Fri, 7 May 2021
TomRen
05-07 1753
AI视野·今日CS.CV 计算机视觉论文速览 DeepMind Oxford新论文
深度学习之Kaggle肺炎目标检测比赛2-数据处理与增强.rar
07-04
利用python语言，实现深度学习对kaggle肺炎图片目标检测。代码完整。
Deep-Learning-for-Medical-Applications, 医学影像分析中的深度学习论文.zip
09-19
Deep-Learning-for-Medical-Applications, 医学影像分析中的深度学习论文 医学图像分析中的深度学习论文背景对于我们的最佳知识，这是医学应用的深入学习论文的第一列列表。 通常有一些深入学习论文的列表，或者是计算机视觉，例如 Awesome Deep学习论文。 在此列表中，我将基于深度学习技术和学习方法对论文进行
RSNA-Pneumonia-Detection-Challenge:目的是预测与肺炎相关的肺部混浊以及胸部X线照片中的边界框。 目的是检测是否对患有肺炎的肺进行分类，并丢弃其他种类的不透明物，例如由液体，细菌，肺癌等引起的不透明物。可以应用各种算法，但是我们继续使用YOLO事实证明这是最好的。 我们从https那里获得了大部分帮助
03-30
RSNA-Pneumonia-Detection-Challenge:目的是预测与肺炎相关的肺部混浊以及胸部X线照片中的边界框。 目的是检测是否对患有肺炎的肺进行分类，并丢弃其他种类的不透明物，例如由液体，细菌，肺癌等引起的不透明物。可以应用各种算法，但是我们继续使用YOLO事实证明这是最好的。 我们从https那里获得了大部分帮助
RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据
最新发布
03-03
RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据 RSNA Pneumonia Detection Challenge数据集是一个用于肺炎检测挑战的数据集，它包含了胸部X光图像以及相应的标签，用于训练和评估肺炎检测算法。该数据集由RSNA（Radiological Society of North America）提供，旨在推动医学影像分析领域的研究和发展。 该数据集通常包含以下几个部分： 训练集（Training Set）：包含多个胸部X光图像以及对应的标签，其中标签指示了图像中是否存在肺炎。训练集用于训练肺炎检测算法。 验证集（Validation Set）：也包含多个胸部X光图像和标签，用于在训练过程中评估模型的性能，以便进行模型选择和调整。 测试集（Test Set）：包含多个未标记的胸部X光图像，用于评估最终训练好的肺炎检测算法的性能。测试集的标签通常不公开，以确保公正性和客观性。 需要注意的是，该数据集包含敏感的医疗信息，因此在使用时应遵守相关的隐私和伦理规定，确保数据的合法性和安全性。 ​
医疗CT影像、年龄和对比标注数据【Kaggle竞赛】.zip
07-06
医疗CT影像、年龄和对比标注数据医疗CT影像、年龄和对比标注数据医疗CT影像、年龄和对比标注数据医疗CT影像、年龄和对比标注数据
（十九：2020.11.05）MICCAI 2020 追踪之论文纲要（译）＜中＞
Jojo论文基地
11-06 4153
讲在前面 此文章包含第三和第四篇博客。 论文目录 PART III 《Computer Aided Intervention, Ultrasound and Image Registration 计算机辅助干预，超声和图像配准》 计算机辅助干预 概要 1.Reconstructing Sinus Anatomy from Endoscopic Video – Towards a Radiation-Free Approach for Quantitative Longitudinal Ass
Automatic Feature Learning for Glaucoma Detection Based on Deep Learning论文理解
静静地玛尼石
10-27 882
本文提出了基于DeepLearnINg的自动特征学习为青光眼检测，不同于传统的卷积神经网络，本文采用的网络嵌入了微型神经网络（多层感知器）有更复杂的结构去抽象感知区域的数据；此外提出了一种上下文深度学习结构来获得眼底图像的分层表示以区分青光眼和非青光眼模式，这里网络采用其他CNN网络的输出作为此网络的上下文特征来提升青光眼检测的性能。本文采用的方法在ARIGA和SCES数据上进行测试，同时取得了最
Deep Learning for Health Informatics
谢军的博客
06-18 1493
Deep Learning for Health Informatics这篇文章的整体思路如下所示，非常清爽直观！ 健康信息学领域5个大方向的发展趋势可以看到Imaging随着深度学习当中CNN的迅猛发展在健康信息学中也是突飞猛进，主要得益于其他在自然图片中成熟的模型在医学图像中得到了一个应用。5种常用模型应用发展趋势可以看到RNN的比重不断减小，CNN突飞猛进。现阶段常用的几种深度学习框架目前比
【医学+深度论文：F03】 2018 A Deep Learning-Based Algorithm Identifies Glaucomatous Discs Using Monoscopic
鹿鹿的博客
06-03 441
03 2018 A Deep Learning-Based Algorithm Identifies Glaucomatous Discs Using Monoscopic Fundus Photographs This study demonstrated that a deep learning-based algorithm can identify glaucomatous discs ...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值