扩张全卷积网络在病理性肺组织语义分割中的应用
应用迁移学习技术,通过纹理数据库来改进深度卷积神经网络的训练方法,并将不同卷积神经网络中的知识结合,进而实现肺组织病变的分类,该方法的成功应用表明了在医学图像分析领域中,训练神经网络的方法同样重要于设计它的架构。
Dec, 2016
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
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
本文介绍一种基于深度学习的肺部 CT 自动癌症诊断系统 DeepLung,包括两个部分:结节检测和结节分类,两个 3D 网络分别应用于它们,该系统在 LIDC-IDRI 数据集上获得了与经验医生相似的结节和患者级别的诊断性能。
Sep, 2017
本文介绍了一种精确的肺部分割模型,基于深度卷积神经网络,采用空洞卷积层有效地增加了滤波器的视野范围,并提出了一种多阶段训练策略,通过早期网络输出训练当前网络,该策略能够减少误预测标签并生成平滑的肺部边界。作者在 JSRT 数据集上进行了实验,证明了该模型优于现有方法,具有更少的模型参数和最先进的性能。
Aug, 2017
本研究基于卷积神经网络开发了自动细胞分类流程 ConvPath,可从肺癌病理图像中识别各种类型的细胞并提取与肿瘤微环境有关的特征,基于这些特征开发了图像特征驱动的预后模型,并在两个独立队列中进行了验证。
Sep, 2018
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
本文介绍了一种基于深度学习的方法,结合多路径方案(P-HNNs),用于病理性肺部分割并在多机构数据集上进行了全面跨验证测试,通过与现有方法相比的定性和定量的改进,获得了 0.985 的均值 DICE 系数。
Jun, 2017