Dec, 2019

3D Siamese 神经网络实现无图像配准的肺结节再识别和增长检测

PDF
TL;DR该研究提出了一种基于三重神经网络的新方法，用于在同一患者的两次 CT 扫描中识别癌变结节并检测其生长情况，结果表明识别敏感度为 94.7％，匹配准确率为 88.8％，生长检测的灵敏度为 92.0％，精度为 88.4％。
lung cancerct scansiamese neural networknodule detectionnodule growth
发现论文，激发创造
  • 使用 3D 深度漏气噪声网络评估肺结节的恶性程度

    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

  • 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

  • 计算机深度学习模型在肺结节诊断中的应用

    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

  • 用于 CT 成像的肺结节检测的循环卷积网络

    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

  • 基于三维深度卷积神经网络的自动肺结节检测

    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

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022

  • Swin-Tempo: 使用 Swin Transformer 增强的 UNet 在 CT 扫描作为视频序列中具有时间感知的肺结节检测

    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

  • 利用深度卷积神经网络在计算机断层扫描图像中准确检测肺结节

    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

  • 使用视觉注意力网络学习检测包含肺结节的胸部 X 光片

    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

  • 基于在线样本过滤和混合损失残差学习的 3D ConvNets 自动肺结节检测

    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