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

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。
lung cancerlow-dose ct screeningdeep learning modelmalignancy riskautomated algorithms
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

  • 深度学习用于肺癌检测：解决 Kaggle 数据科学比赛 2017 挑战

    本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过 3D 肺部 CAT 扫描检测肺结节，判断恶性程度并计算癌症概率，参加 Kaggle Data Science Bowl 2017 竞赛并取得了第 41 名的好成绩。

    May, 2017

  • 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

  • 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

  • 基于深度学习的肺癌风险因素人工智能预测

    本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

    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

  • 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

  • 评估 LeNet 算法在伊拉克肿瘤教学医院 / 国家癌症疾病中心的肺癌分类中的应用

    使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

    May, 2023

  • 利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

    通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

    Apr, 2019

  • 使用梯度提升方法开发和外部验证的肺癌风险评估工具

    通过机器学习工具，结合肺癌风险因素和临床数据，本研究旨在提供一个估计五年内肺癌发生可能性的自由可用网络应用，以促进早期发现和预防策略，降低肺癌相关死亡率。

    Aug, 2023