使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量
本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案,具体而言,我们通过实验表明,新的网络架构可以提供更好的重建性能,并且我们探讨了 U-Net 替代方案,如双框架和紧框架 U-Net 满足所谓的框条件,使其更好地实现高频边缘的有效恢复。
Aug, 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
通过多任务深度学习模型,以特征为导向的深度学习框架提供了一种新的方法,用于将低质量的锥形束计算机断层成像(CBCT)图像转换成高质量的类似于 CT 的成像,从而在压制伪影的同时保留了解剖细节。
Nov, 2023
使用数学理论设计优化的深度学习算法,提出了一种新颖的双域深度展开统一框架,结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能,为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。
May, 2024
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
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
通过对多视图数据进行对比学习,我们提出了一种基于 U-Net 的三重编码器和单一解码器网络,tU-Net,可以充分利用未经注释的矢状和冠状视图,以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进,并且在缺少视图的情况下,提供了灵活性,表明通过对比学习来利用未经注释的多视图数据的可行性。
Aug, 2023