卷积神经网络中的判别性定位用于弱监督下肺结节分割
研究通过自监督区域建模与对比学习训练方法,提出了一种新的自监督 3D 变形器模型来识别肺结节,与普遍使用的 3D 卷积神经网络相比,该模型可以极大地提高肺结节筛查的性能。
Apr, 2022
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
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
Mar, 2019
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
介绍了一种利用深度学习技术对肺部 CT 图像中的囊性病变进行检测和分割的自学习算法,从而实现无需手动注释和少量专家技能即可进行较为准确的分割。
Jan, 2018
本研究证明了使用弱标签可以通过卷积神经网络实现胸部 X 光片中肺部结节的检测,提出了两种分类图像的网络体系结构,使用标注的结节在训练时提供视觉注意机制,以指导模型的本地化性能。
Dec, 2017
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
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
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
本文介绍一种基于深度学习的肺部 CT 自动癌症诊断系统 DeepLung,包括两个部分:结节检测和结节分类,两个 3D 网络分别应用于它们,该系统在 LIDC-IDRI 数据集上获得了与经验医生相似的结节和患者级别的诊断性能。
Sep, 2017