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

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

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

使用 LeNet 和卷积神经网络在公开数据集上进行的肺肿瘤检测实验中，成功率为 99.51％，敏感性为 93％，特异性为 95％，并且与现有方法相比得到了更好的结果。

May, 2023

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

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

本文针对肺癌的计算机辅助诊断问题，提出了一个多阶段的深度学习框架，通过 3D 肺部 CAT 扫描检测肺结节，判断恶性程度并计算癌症概率，参加 Kaggle Data Science Bowl 2017 竞赛并取得了第 41 名的好成绩。

May, 2017

该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

Apr, 2018