Aug, 2017

卷积神经网络的网络化训练实现准确肺部分割

PDF
TL;DR本文介绍了一种精确的肺部分割模型，基于深度卷积神经网络，采用空洞卷积层有效地增加了滤波器的视野范围，并提出了一种多阶段训练策略，通过早期网络输出训练当前网络，该策略能够减少误预测标签并生成平滑的肺部边界。作者在 JSRT 数据集上进行了实验，证明了该模型优于现有方法，具有更少的模型参数和最先进的性能。
lung segmentationconvolutional neural networksmulti-stage trainingjsrt datasetstate-of-the-art performance
发现论文，激发创造
  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • 使用深度学习进行自动肺叶分割

    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

  • 扩张全卷积网络在病理性肺组织语义分割中的应用

    研究利用基于纯卷积神经网络，进行肺部 CT 图像的语义分割，实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。

    Mar, 2018

  • 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

  • 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

  • 深度学习模型在 X 射线图像肺部分割的比较分析

    本研究评估深度学习解决方案在 X 射线图像的肺部分割方面的可靠性和高准确性，对 61 篇研究论文进行分析，只有九篇提供了实施或预训练模型，最终评估 CE-Net 表现最佳，其 Dice 相似系数和交集比例度量值最高。

    Apr, 2024

  • 卷积神经网络在肺部结节分类中输入大小的影响

    使用卷积神经网络分析低剂量 CT 肺癌筛查图像以减少错误结果，并在 LUNA16 挑战数据集上表现出 82.1% 的敏感性。

    Jul, 2021

  • 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

  • 像放射科医生一样进行诊断：面向胸部疾病分类的注意力引导卷积神经网络

    本研究提出了一种三分支注意力引导卷积神经网络（AG-CNN），它可从特定于疾病的区域学习以避免噪声和提高对齐性，并与全局分支相结合，从而产生了准确的胸部 X 射线诊断。

    Jan, 2018

  • 用于胸部 CT 中多器官分割的二维扩张残差 U-Net

    本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

    May, 2019