S4ND:单次扫描单尺度肺结节数量检测
本文提出了一种新颖的三维卷积神经网络方法,采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节,该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。
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
本文提出了一种基于 3D 卷积神经网络的新型框架,用于自动检测低剂量 CT 扫描中的肺结节,旨在解决医学数据集中严重的艰难 / 易样本不平衡问题,并探索局部注释对学习的利益,从而提高性能,实现更准确的检测。我们的框架包括两个阶段:一是候选筛选,二是假阳性降低。在公共大规模 LUNA16 数据集上进行的实验结果表明,我们提出的方法与最先进的肺结节检测方法相比具有卓越的性能。
Aug, 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
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
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
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
本研究提出一种基于 3D Feature Pyramid Network 的肺部结节检测框架,采用多尺度特征和平行自上而下路径来改善结节检测的灵敏度,同时引入了高灵敏度和特异度 (HS$^2$) 网络,通过跟踪连续 CT 切片中每个结节候选物的外观变化来消除错误检测的结节候选物,该方法在 LUNA16 数据集上表现出优异的检测效果。
Jun, 2019