DeepLung: 用于自动肺结节检测和分类的 3D 深度卷积网络
本论文提出了基于自动化的深度学习算法的 Lung CT 肺癌诊断系统 DeepLung,该系统由结节检测和分类两个组件组成,其中结节检测使用 3D Faster R-CNN 和 3D 双路径块,结节分类使用 3D 双路径网络特征的梯度提升机(GBM)进行,DeepLung 系统在 LIDC-IDRI 公共数据集上的实验结果表明,该系统在结节级别和患者级别诊断性能与经验医生相当。
Jan, 2018
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
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
利用重建方法建立了肺部的 3D 仿真模型,构建了计算机辅助肺结节检测模型,并基于神经网络对图像进行迭代处理以优化肺结节识别模型。该模型与 3D 虚拟建模技术结合,提高了系统的交互性,以实现肺结节的智能识别。利用 LUNA16 大样本数据库作为研究数据集,采用 FROC 分析评估模型性能,计算不同虚警率下的灵敏度来得出平均 FROC。与传统诊断方法相比,该技术可显著提高识别率,有助于在早期阶段检测肺部异常,对及时诊断肺癌具有巨大价值。
Jun, 2024
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
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
本文提出了一种利用深度人工神经网络构建的 ReCTnet,旨在全自动检测 CT 扫描中的肺结节,并通过具备表达力的图像表示方法,利用锥体和重复层之间的精细结构、三维概率地图和增强型灵敏度,达到 90.5% 的识别灵敏度和 4.5 个无关假阳性的优秀成果,该方法比现有的多通道卷积神经网络更有效。
Sep, 2016
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