Dec, 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

PDF
TL;DR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。
machine learninglung nodulesradiographsconvolutional neural networksvisual attention mechanism
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

  • 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

  • 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

  • 用于 CT 成像的肺结节检测的循环卷积网络

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 胸部 X 光片上的结节检测与生成：NODE21 挑战

    通过公共研究挑战 NODE21 和附加实验，本文总结了合成肺结节训练图像对检测算法性能的影响，以及肺结节作为肺癌早期表现的检测和生成过程。

    Jan, 2024