胸部X射线分类的由自我监督的深层革命神经网络 (Self-supervised deep convolutional neural network for chest X-ray classification)

from arxiv, This work has been submitted to the IEEE transactions on medical imaging for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible

Chest radiography is a relatively cheap, widely available medical procedure that conveys key information for making diagnostic decisions. Chest X-rays are almost always used in the diagnosis of respiratory diseases such as pneumonia or the recent COVID-19. In this paper, we propose a self-supervised deep neural network that is pretrained on an unlabeled chest X-ray dataset. The learned representations are transferred to downstream task - the classification of respiratory diseases. The results obtained on four public datasets show that our approach yields competitive results without requiring large amounts of labeled training data.

翻译：切片放射是一种相对廉价的、可广泛获取的医疗程序,可以传递关键信息作出诊断决定。切片X光片几乎总是用于诊断肺炎或最近的COVID-19等呼吸系统疾病。在本文件中,我们提议建立一个自我监督的深神经网络,先用未贴标签的胸腔X光数据集进行训练。所学的表述被转移到下游任务——呼吸系统疾病分类。四个公共数据集的结果显示,我们的方法产生竞争性的结果,而不需要大量标记的培训数据。

相关内容

Neural Networks

关注 1636

神经网络（Neural Networks）是世界上三个最古老的神经建模学会的档案期刊:国际神经网络学会(INNS)、欧洲神经网络学会(ENNS)和日本神经网络学会(JNNS)。神经网络提供了一个论坛，以发展和培育一个国际社会的学者和实践者感兴趣的所有方面的神经网络和相关方法的计算智能。神经网络欢迎高质量论文的提交，有助于全面的神经网络研究，从行为和大脑建模，学习算法，通过数学和计算分析，系统的工程和技术应用，大量使用神经网络的概念和技术。这一独特而广泛的范围促进了生物和技术研究之间的思想交流，并有助于促进对生物启发的计算智能感兴趣的跨学科社区的发展。因此，神经网络编委会代表的专家领域包括心理学，神经生物学，计算机科学，工程，数学，物理。该杂志发表文章、信件和评论以及给编辑的信件、社论、时事、软件调查和专利信息。文章发表在五个部分之一:认知科学，神经科学，学习系统，数学和计算分析、工程和应用。官网地址：http://dblp.uni-trier.de/db/journals/nn/