Jul, 2023

使用残差编码器-解码器网络从胸部X光图像中进行全分辨率肺结节分割

HTML
PDF
TL;DR本研究提出了使用编码器-解码器神经网络在全分辨率下处理胸透图像，基于JSRT数据集进行肺结节定位，并使用自我融合模型在10折交叉验证中取得85%的敏感度和每张图像的8个误报，外部数据集测试结果为77%敏感度和7.6的误报率。
发现论文，激发创造
  • 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

  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

    Apr, 2018

  • NoduleNet：肺结节检测与分割的分离式假阳性减少

    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

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

    Jan, 2020

  • 利用层次疾病依赖和不确定标签通过CNN解释胸部X光片

    利用深度卷积神经网络（CNNs）构建了一个多标签分类框架，能够准确检测14种常见胸部疾病和病灶的存在，通过对UGCXR数据集的训练，该模型取得了目前最高的AUC分数0.940， 平均优于独立评审组中的2.6位放射科医生，表现优于目前CheXpert测试集上的其他分类器。

    May, 2020

  • 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

  • 机器学习：从胸部X射线片中分割肺部异常

    CheX-nomaly模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强U-net模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • Lung-CADex：全自动胸部CT图像中肺结节的零样本检测和分类

    肺癌的计算机辅助诊断使用大型视觉语言模型，通过CADe和CADx方法实现肺结节的分割和良性/恶性的特征对齐，具有较高的敏感度（0.86）。

    Jul, 2024

  • 基于检测引导的深度学习模型与空间规则化用于肺结节分割

    本研究针对肺结节分割中的形状和大小变化大、与肺组织近距离相邻等挑战，提出了一种新型的深度学习模型，集成了分割与分类过程，利用特征组合块实现信息共享，并结合空间规则化技术优化结节尺寸估计。研究结果表明，该模型在肺结节捕捉上更为精确，具有潜在的临床应用价值。

    Oct, 2024