Jul, 2023

解析与回想：向类似放射科医生的准确肺结节恶性预测迈进

PDF
TL;DR肺癌是全球死亡的主要原因，早期筛查对改善生存结果至关重要。本文提出一种模拟放射科医生诊断过程的方法，由上下文解析和原型召回模块组成，通过利用肺结节的内在特征和来自其他结节的外部知识，实现了良好的筛查性能。
lung cancerscreeningcontextual structureradiologist-inspireddiagnostic process
发现论文，激发创造
  • 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

  • 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

  • 基于概念的 CT 图像肺结节恶性评分的可解释性研究

    提出了一种基于广义可加模型和概念学习的可解释模型，以增加用于评估肺结节恶性程度的现代计算机辅助诊断系统的透明度。该模型在确定恶性程度回归得分之外，检测了一组临床上显著的属性，并学习了肺结节属性与最终诊断决策以及其对决策的贡献之间的关联。通过与 LIDC-IDRI 数据集的实验，结果表明使用提出的模型获得的诊断结果与临床实践中观察到的相似模式一致，并展现了出色的分类和结节属性评分性能，凸显其在肺结节诊断中有效决策的潜力。

    May, 2024

  • CLIP-Lung: 基于文本知识指导的肺结节恶性预测

    本文提出了 CLIP-Lung 作为肺结节恶性预测的文本知识引导框架，通过融合深度学习和临床文本信息提高了肺结节恶性预测的性能和可解释性。

    Apr, 2023

  • 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

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    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

  • 胸部 X 光片上的结节检测与生成：NODE21 挑战

    通过公共研究挑战 NODE21 和附加实验，本文总结了合成肺结节训练图像对检测算法性能的影响，以及肺结节作为肺癌早期表现的检测和生成过程。

    Jan, 2024

  • 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

  • 基于组织病理学癌症类型注释的肺部结节数据集

    提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

    Jun, 2024

  • 一种基于深度学习的自动化端到端肺癌诊断框架，用于检测和分类肺结节

    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