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

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

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

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

通过引入可变形卷积和自适应学习，提出了一个对肺结节进行检测的改进方法，该方法注重难样本和数据集，在LUNA16数据集上的实验表明，该方法具有竞争性的性能。

Mar, 2024

本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

Oct, 2024