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

Feb, 2016

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

Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning

PDF

Hoo-Chang Shin, Holger R. Roth, Mingchen Gao, Le Lu, Ziyue Xu...

TL;DR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。

Abstract

Remarkable progress has been made in image recognition, primarily due to the availability of large-scale annotated datasets and the revival of deep CNN. CNNs enable learning data-driven, highly representative, layered hierarchical image features from sufficient training data. However, obtaining datasets as comprehensively annotated as ImageNet in the

convolutional neural networks computer-aided detection medical imaging image classification transfer learning

发现论文，激发创造

卷积神经网络多源迁移学习在肺部图像分析中的应用

应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

Dec, 2016

医学影像的 3D 深度学习综述

本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述，并总结了不同领域中 3D CNN 的研究成果，如分类、分割、检测和定位，同时讨论了医学成像领域（以及深度学习模型的使用）中面临的挑战和未来趋势。

Apr, 2020

深度迁移学习在医学影像中的机制

本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程，并表明通过转移学习可以获得更好的性能。

Apr, 2017

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

预训练神经网络能否检测解剖学？

通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

Dec, 2015

使用深度学习在乳腺 X 线照片中检测和分类病变

本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

Jul, 2017

卷积神经网络在乳腺癌筛查中的应用：指数衰减下的迁移学习

本文提出一种基于卷积神经网络模型的计算机辅助诊断系统，通过迁移学习和微调层次，探索了在大数据稀缺的情况下分类乳腺肿块病变的方式，与其他方案相比表现更佳。

Nov, 2017

使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

Mar, 2018

基于多任务字典学习的卷积神经网络在纵向图像计算机辅助诊断中的应用

本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架，使用 MSCC 方法学习不同的任务，以预测未来认知临床得分，并在公开的神经影像队列中应用模型进行临床测量预测，取得了优异的结果。

Aug, 2017

深度卷积神经网络最近的架构调查

本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍 CNN 组件的基础理解、当前挑战和应用领域。

Jan, 2019