May, 2017

深度学习用于肺癌检测：解决 Kaggle 数据科学比赛 2017 挑战

HTML
PDF
TL;DR本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过3D肺部CAT扫描检测肺结节，判断恶性程度并计算癌症概率，参加Kaggle Data Science Bowl 2017竞赛并取得了第41名的好成绩。
发现论文，激发创造
  • 基于深度学习的肺癌筛查自动肺结节管理

    该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

    Oct, 2016

  • 基于3D CNN多任务学习的肺结节风险分层

    本研究提出一种基于3D CNN的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

    Apr, 2017

  • 使用3D深度漏气噪声网络评估肺结节的恶性程度

    使用3D深度神经网络和机器学习算法，检测和分析CT扫描中疑似肺结节病变的信息，用于肺癌自动诊断。

    Nov, 2017

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • 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

  • 一种集成肺结节检测和假阳性减少的端到端框架

    本研究提出一种将肺结节候选筛选和假阳性降低整合成一个模型的端到端框架，与现有的两步法相比，该框架不仅提高了性能，还减少了复杂性，降低了推理时间。

    Mar, 2019

  • 一种基于深度学习的自动化端到端肺癌诊断框架，用于检测和分类肺结节

    本研究提出了一个端到端的基于深度学习的自动化框架，用于在低资源环境下实现肺结节的早期检测和分类，并对其进行了评估，结果表明在分割和检测精度方面超过了现有研究，并证明在肺癌筛查方面具有潜在的准确性和效率提高。

    Apr, 2023

  • 利用VGG16算法对CT扫描图像中的肺癌进行分类

    研究开发了基于VGG16深度学习算法的肺部结节诊断与分类方法，能够准确地识别良性、恶性和健康患者的癌症医学影像，灵敏度为92.08％，准确度为91％，AUC达93％，有助于肺癌早期诊断。

    May, 2023

  • 肺结节检测中针对难样本的改进集中

    通过引入可变形卷积和自适应学习，提出了一个对肺结节进行检测的改进方法，该方法注重难样本和数据集，在LUNA16数据集上的实验表明，该方法具有竞争性的性能。

    Mar, 2024

  • 基于深度学习的肺结节检测与分割的通道压缩U结构

    本研究针对肺结节的自动检测与分割，提出了一种创新的深度学习方法，以提高早期肺癌诊断的准确性。采用独特的“通道压缩U结构”，优化了特征提取与信息整合，显著提升了对小型和隐性结节的检测能力。结果表明，该方法在提升计算机辅助诊断系统的准确性和可靠性方面具有重要潜力。

    Sep, 2024