Oct, 2017

如何用生成对抗网络愚弄放射科医生？肺癌诊断的视觉图灵测试

PDF
TL;DR本文提出使用 Deep Convolutional-Generative Adversarial Networks 的无监督学习方法来生成肺部结节样本，通过视觉图灵测试验证生成样本的质量，以此来学习最具有鉴别能力的影像特征，从而应用于医学诊断和训练深度网络。
lung nodulesmalignantbenignadversarial learningdeep convolutional-generative adversarial networks
发现论文，激发创造
  • 基于条件生成对抗网络的三维 CT 逼真肺结节模拟用于健壮的肺部分割

    本文研究使用生成对抗网络以及数据增强的方法来提高医学影像中肺部病理结节的分割准确度，以克服数据稀缺的难题。在超过 1000 个病例的数据集上，实验结果表明该方法在各项指标上均优于现有的方法，证明了该方法的有效性。

    Jun, 2018

  • 基于无监督对比学习的 Transformer 肺结节检测

    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

  • 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

  • 基于 3D 多条件 GAN 的 CT 图像增强合成各种大小的肺结节以进行目标检测

    本研究提出了一种基于 3D 多条件 GAN 的数据增强方法，以生成真实 / 多样化的肺部 CT 图像结节，从而提高 3D 物体检测的敏感性，克服了医学数据匮乏的难题。

    Jun, 2019

  • 应用生成对抗网络对胸部病理 X 光进行深度神经网络分类的泛化

    通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

    Nov, 2017

  • 使用视觉注意力网络学习检测包含肺结节的胸部 X 光片

    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

  • 利用自编码器进行合成肺结节三维图像生成

    本文提出了一种自动合成肺结节图像生成器，它基于自编码器技术，并能够生成高质量的合成图像，以解决医疗数据训练集不足的问题。

    Nov, 2018

  • 计算机深度学习模型在肺结节诊断中的应用

    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

  • 卷积神经网络中的判别性定位用于弱监督下肺结节分割

    这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督 CNN 方法该方法实现了竞争性的性能表现。

    Jul, 2017

  • 基于概念的 CT 图像肺结节恶性评分的可解释性研究

    提出了一种基于广义可加模型和概念学习的可解释模型，以增加用于评估肺结节恶性程度的现代计算机辅助诊断系统的透明度。该模型在确定恶性程度回归得分之外，检测了一组临床上显著的属性，并学习了肺结节属性与最终诊断决策以及其对决策的贡献之间的关联。通过与 LIDC-IDRI 数据集的实验，结果表明使用提出的模型获得的诊断结果与临床实践中观察到的相似模式一致，并展现了出色的分类和结节属性评分性能，凸显其在肺结节诊断中有效决策的潜力。

    May, 2024