基于软激活映射的低剂量 CT 图像形态和边缘感知的肺结节分类

Oct, 2018

基于软激活映射的低剂量 CT 图像形态和边缘感知的肺结节分类

Shape and Margin-Aware Lung Nodule Classification in Low-dose CT Images via Soft Activation Mapping

Yiming Lei, Yukun Tian, Hongming Shan, Junping Zhang, Ge Wang...

TL;DR论文提出了一种基于卷积神经网络（CNN）的软激活映射（SAM）和高级特征增强方案（HESAM）的肺结节分类方法，能够捕获更细粒度的肺结节形状和边缘特征并实现更精确的本地化，获得了最先进的预测性能，并在医学影像学界取得了实质性进展。

Abstract

A number of studies on lung nodule classification lack clinical/biological interpretations of the features extracted by convolutional neural network (CNN). The methods like class activation mapping (CAM) and grad

lung nodule classification convolutional neural network soft activation mapping fine-grained pathological clues high-level feature enhancement scheme

发现论文，激发创造

卷积神经网络中的判别性定位用于弱监督下肺结节分割

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

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

基于 3D CNN 多任务学习的肺结节风险分层

本研究提出一种基于 3D CNN 的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

Apr, 2017

甲状腺结节分割与诊断的形状边缘知识增强网络

该论文提出了一种形态 - 边缘知识增强网络（SkaNet），用于同时进行甲状腺结节分割和诊断，并通过多任务损失函数和约束惩罚项共同优化，以嵌入形态和边缘特征，并建模甲状腺结节诊断结果与分割蒙版之间的关系。

Aug, 2023

强化形态学引导的 CAM-Guided SAM 用于乳腺病灶弱监督分割

通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。

Nov, 2023

基于最大强度投影的卷积神经网络在 CT 扫描中的肺结节自动检测

利用最大强度投影图像（MIP）改进基于卷积神经网络的自动肺结节检测，可获得更高的敏感性和更少的假阳性。