Apr, 2018

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

HTML
PDF
TL;DR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。
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

  • 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

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过200,000个检查（超过1,000,000张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的AUC为0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 卷积神经网络在肺部结节分类中输入大小的影响

    使用卷积神经网络分析低剂量CT肺癌筛查图像以减少错误结果，并在LUNA16挑战数据集上表现出82.1%的敏感性。

    Jul, 2021

  • 基于CNN的CT扫描图像肺癌诊断

    本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

    Apr, 2023

  • 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

  • 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

  • 肺健康中的人工智能：在多个 CT 扫描数据集上对检测和诊断模型进行基准测试

    肺癌早期检测对降低高死亡率具有重要作用，而人工智能在诊断成像方面的应用日益重要。该研究利用Duke Lung Cancer Screening Dataset (DLCSD) 开发和验证了DLCSD-mD和LUNA16-mD模型，这些模型在多个数据集上表现出色，为肺癌基于影像的诊断性能建立了基准。

    May, 2024

  • 利用深度学习和CT影像改善肺癌诊断与生存预测

    本研究解决了肺癌早期诊断和生存预测的难题，提出了一种基于卷积神经网络的方法来建模肺部形态与肺癌风险的非线性关系。研究结果显示，结合小批量损失与二元交叉熵，可以有效提升肺癌发生和死亡风险的预测能力，从而为肺癌的诊断与治疗提供了新的可能性。

    Aug, 2024

  • 医学人工智能在肺癌早期检测中的应用：综述

    本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

    Oct, 2024