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

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

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

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。

Oct, 2017

利用放射学报告中的疾病严重程度信息，基于卷积神经网络的注意力引导课程学习（AGCL）框架进行胸部疾病的联合分类和弱监督定位，提高了分类AUC和定位召回率和精度。

Jul, 2018

论文提出了一种基于卷积神经网络（CNN）的软激活映射（SAM）和高级特征增强方案（HESAM）的肺结节分类方法，能够捕获更细粒度的肺结节形状和边缘特征并实现更精确的本地化，获得了最先进的预测性能，并在医学影像学界取得了实质性进展。

Oct, 2018

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

我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过对公开可用的Lung Nodule Analysis 2016数据集应用10折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了97.84％的准确度以及96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

Oct, 2023

利用新颖的局部化技术和卷积神经网络，我们通过胸部 X 光图像检测胸廓疾病，并且使用 Lung Disease Prediction Network（LeDNet）来提高准确性。我们通过局部化方法提取胸部 X 光图像的肺部区域面具，并将其叠加在原始 X 光图像上，形成面具叠加图像，然后使用 DenseNet-121 分类模型选择特征进行疾病分类预测。我们的实验证明了原始 CheXpert 图像和面具叠加图像的分类结果并进行了准确性和损失曲线分析。

Jul, 2024