提出一种基于半监督学习和 3D 卷积神经网络的肺癌筛查算法，采用 Expectation-Maximization 元算法进行训练，通过交叉域的方法验证其模型性能，结果表明该算法能够极大地提高肺癌筛查的分类准确性，证明了半监督 EM 是改进 3D CNN 肺癌筛查模型准确性的一种有效技术。

Oct, 2020

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

利用重建方法建立了肺部的 3D 仿真模型，构建了计算机辅助肺结节检测模型，并基于神经网络对图像进行迭代处理以优化肺结节识别模型。该模型与 3D 虚拟建模技术结合，提高了系统的交互性，以实现肺结节的智能识别。利用 LUNA16 大样本数据库作为研究数据集，采用 FROC 分析评估模型性能，计算不同虚警率下的灵敏度来得出平均 FROC。与传统诊断方法相比，该技术可显著提高识别率，有助于在早期阶段检测肺部异常，对及时诊断肺癌具有巨大价值。

Jun, 2024

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

这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督 CNN 方法该方法实现了竞争性的性能表现。

Jul, 2017

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

本研究证明了使用弱标签可以通过卷积神经网络实现胸部 X 光片中肺部结节的检测，提出了两种分类图像的网络体系结构，使用标注的结节在训练时提供视觉注意机制，以指导模型的本地化性能。

Dec, 2017