基于组织病理学癌症类型注释的肺部结节数据集
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
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
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
研究开发了基于 VGG16 深度学习算法的肺部结节诊断与分类方法,能够准确地识别良性、恶性和健康患者的癌症医学影像,灵敏度为 92.08%,准确度为 91%,AUC 达 93%,有助于肺癌早期诊断。
May, 2023
本研究创建了一个包含 25,000 张医学图像的数据集(LC25000),包括多种组织病理类型,为机器学习和人工智能领域的研究提供了一个可用的数据资源。
Dec, 2019
本文介绍了 LUNA16 挑战的设置和结果,通过对不同自动检测算法的表现进行比较,发现使用卷积网络和提供的结节候选集组合可实现超过 95% 的灵敏度,这突出了将算法组合以提高检测性能的潜力。
Dec, 2016
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
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
本文介绍了如何利用人工智能工具对两个计算机断层影像数据集中的胸部器官进行自动标注,从而丰富了国家癌症研究所影像数据共享平台中的数据资源,并伴随云端笔记本进行演示说明,以加强公共科研数据的可访问性和可用性。
May, 2023
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