WWWDec, 2017

使用肺分割和骨影排除技术的深度学习在肺癌胸部 X 射线分析中的应用

PDF
TL;DR该研究使用深度学习的方法对肺癌患者的胸部 X 光图像进行分析，通过运用肺部分割技术与去除骨影技术来提高病变和结节的识别准确性。预处理后的数据集（无骨影的数据集＃02）相比于其他处理后的数据集（数据集＃02 和＃03）具有更好的准确度和损失结果。
deep learningimage recognitionlung cancercxrspre-processing techniques
发现论文，激发创造
  • 深度学习中的降维在肺癌胸部 X 光分析中的应用

    使用深度学习方法分析胸部 X 射线 2D 图像，在排除异常值的基础上，评估了一些降维技术的有效性，包括肺分割、骨影排除和 t-SNE。通过对一系列处理过的数据集进行训练和验证，结果表明经过肺分割、骨影排除和 t-SNE 排除异常值处理后的数据集（数据集＃05）实现了最高的训练速度和最佳的准确性。

    Jan, 2018

  • 基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

    提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。

    Mar, 2018

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 胸部 X 光分析的深度学习：一份调查

    本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

    Mar, 2021

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • 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

  • 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

  • 胸部 X 射线摄影图像的多任务器官分割和骨抑制图像翻译

    本研究首次引入条件生成对抗网络 (CGAN) 的多任务深度学习模型，该模型可同时生成经过骨抑制处理和经过器官分割处理后的图像，通过优化处理时间和操作参数，改善了数据可靠性。

    Jun, 2019

  • BS-Diff: 利用条件扩散模型有效抑制胸部 X 射线图像中的骨骼

    该论文提出了一种新的骨抑制框架，称为 BS-Diff，该框架采用条件扩散模型和 U-Net 架构，利用自编码器进行增强，能够生成高骨抑制率的软组织图像，并能够捕捉细微的图像细节，经过广泛的实验、比较分析、消融研究和临床评估，该模型在多个指标上优于其他骨抑制模型。

    Nov, 2023

  • 使用残差编码器 - 解码器网络从胸部 X 光图像中进行全分辨率肺结节分割

    本研究提出了使用编码器 - 解码器神经网络在全分辨率下处理胸透图像，基于 JSRT 数据集进行肺结节定位，并使用自我融合模型在 10 折交叉验证中取得 85% 的敏感度和每张图像的 8 个误报，外部数据集测试结果为 77% 敏感度和 7.6 的误报率。

    Jul, 2023