【医学影像】Deep Learning for Automatic Pneumonia Detection

关注

VIP免费原创最新推荐文章于 2026-04-26 09:20:55 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

医疗图像论文笔记五：《Deep Learning for Automatic Pneumonia Detection》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... 阅读详情

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