Jun, 2014

使用深度卷积神经网络观测的随机集合，为淋巴结检测提供新的 2.5D 表示法

PDF
TL;DR该研究提出了一种采用深度卷积神经网络对 CT 扫描中自动检测淋巴结进行分类的方法，并分别在包括 90 CT 体积和 388 个纵隔 LN 以及 86 例患者和 595 个腹部 LN 的两个数据集上验证了其敏感性的极大提高。
automated lymph node detectioncomputed tomographyconvolutional neural networkmediastinal lnabdominal lns
发现论文，激发创造
  • 利用位置抑偏查询选择和对比查询在 Transformer 中进行 CT 扫描中有效的淋巴结检测

    通过改进 2D 骨干网络，结合多尺度 2.5D 特征融合来明确地融入 3D 上下文，以提高淋巴结检测性能。通过头部 IoU 预测和位置去偏置查询选择，以及利用查询对比学习明确增强淋巴结查询，该方法在医学图像中获得了较好的性能。

    Apr, 2024

  • 使用神经网络在 T2 MRI 中进行通用淋巴结检测

    本文提出了一种计算机辅助检测（CAD）管道，使用神经网络普适性地在容积 T2 MRI 中识别腹部淋巴结（LN），其灵敏度比目前 SOTA 方法高 14 个百分点（4FP 时的 78.7％对比每卷 5 FP 的 64.6％）；VFNet 模型表现优异，能够在 CAD 管道中与单阶段模型集成使用。

    Mar, 2022

  • 基于隐式空间分层的胸部 CT 解剖感知淋巴结检测

    通过利用淋巴结（LN）站点信息，我们提出了一种新的端到端框架来提高 LN 检测性能，通过设计多头检测器，使每个头专注于区分特定站点的 LN 和非 LN 结构，通过 LN 站点分类器生成伪站点标签作为训练期间的多任务学习，从而在推理期间不需要另一个明确的 LN 站点预测模型。

    Jul, 2023

  • 基于三维深度卷积神经网络的自动肺结节检测

    本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

    Mar, 2019

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 基于在线样本过滤和混合损失残差学习的 3D ConvNets 自动肺结节检测

    本文提出了一种基于 3D 卷积神经网络的新型框架，用于自动检测低剂量 CT 扫描中的肺结节，旨在解决医学数据集中严重的艰难 / 易样本不平衡问题，并探索局部注释对学习的利益，从而提高性能，实现更准确的检测。我们的框架包括两个阶段：一是候选筛选，二是假阳性降低。在公共大规模 LUNA16 数据集上进行的实验结果表明，我们提出的方法与最先进的肺结节检测方法相比具有卓越的性能。

    Aug, 2017

  • 利用深度卷积神经网络在计算机断层扫描图像中准确检测肺结节

    本研究提出了一种基于卷积神经网络的肺结节检测方法，首先使用卷积神经网络进行候选检测，随后使用三维卷积神经网络进行假阳性减少。实验结果表明，该方法在肺结节检测方面表现卓越，并在 LUng Nodule Analysis 2016（LUNA16）挑战中排名第一。

    Jun, 2017

  • 一个完全自动化的肝脏病变和病理淋巴结的检测和分割流水线

    本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

    Mar, 2017

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • LNQ 挑战 2023：基于概率淋巴结图谱的纵隔淋巴结分割学习

    通过使用解剖先验与挑战训练数据的部分注释结合的方法，将所有建议的修改用于模型集成，得到的 Dice 得分为 0.6033，并且相比只在 CT 上进行训练时，将地面真实淋巴结分割出来的比例从 27% 提高到了 57%。通过在损失加权和后处理中加入概率淋巴结图谱，显著提高了分割准确性，通过过采样完全注释的数据来应对挑战训练数据的部分注释，并添加额外的数据增强以解决 CT 图像和淋巴结外观的高异质性。

    Jun, 2024