一种集成肺结节检测和假阳性减少的端到端框架
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
该研究提出一种新的端到端三维深度卷积神经网络,名为 NoduleNet,用于联合解决肺结节检测、假阳性降低和结节分割三个任务,采用多任务学习方式,证明这种方法可显著提高肺结节检测精度,并获得 LIDC 数据集的良好表现。
Jul, 2019
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
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
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
本文提出了一种利用深度人工神经网络构建的 ReCTnet,旨在全自动检测 CT 扫描中的肺结节,并通过具备表达力的图像表示方法,利用锥体和重复层之间的精细结构、三维概率地图和增强型灵敏度,达到 90.5% 的识别灵敏度和 4.5 个无关假阳性的优秀成果,该方法比现有的多通道卷积神经网络更有效。
Sep, 2016