Aug, 2023

利用薄层CT扫描预测肺癌中的高风险因素：一种增强注意力的图卷积网络方法

HTML
PDF
TL;DR通过引入注意力增强的图卷积网络模型(AE-GCN)，我们的研究旨在基于术前CT图像对I期肺癌是否存在高风险因素进行分类，从而帮助外科医生在手术前确定最佳手术方法。该方法采用Graph Convolutional Network模型捕捉肺结节的空间特征，通过将每个切片视为图中的一个顶点，将切片之间的内在空间关系表示为边缘，以提高结节特征表达，同时结合通道和空间注意机制与预训练的VGG模型，适应性地提取肺结节特征。最后，我们使用医院收集的真实数据证明了所提出方法的有效性，强调其在临床实践中的潜在应用价值。
发现论文，激发创造
  • 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

  • 基于3D CNN多任务学习的肺结节风险分层

    本研究提出一种基于3D CNN的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

    Apr, 2017

  • 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

  • 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

  • 卷积神经网络在肺部结节分类中输入大小的影响

    使用卷积神经网络分析低剂量CT肺癌筛查图像以减少错误结果，并在LUNA16挑战数据集上表现出82.1%的敏感性。

    Jul, 2021

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了GCN在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • MESAHA-Net：基于多编码器的自适应硬注意力网络与最大强度投影用于CT扫描中的肺结节分割

    本文提出了一种基于多编码器的自适应硬注意力网络(MESAHA-Net)的方法用于CT扫描中肺结节的精确分割，该方法包含一个关注块和一个解码器块，采用了一种新颖的自适应硬注意力机制，能够在不同种类的输入下针对肺结节进行2D 逐层分割，生成3D容积分割，经LIDC-IDRI数据集全面评估后发现，在医疗实现中具有高鲁棒性和更好的分割精度和计算复杂度。

    Apr, 2023

  • 基于深度学习的肺癌风险因素人工智能预测

    本研究旨在利用深度学习方法（卷积神经网络）开发一个能够高度准确地检测肺癌的模型，并比较其准确率和损失值。研究结果表明，该模型能够在现实世界中使用，对于肺癌的早期检测十分重要，鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。

    Apr, 2023