Jul, 2024

Lung-CADex：全自动胸部 CT 图像中肺结节的零样本检测和分类

PDF
TL;DR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）。
发现论文，激发创造
  • 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

  • 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

  • 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

    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。

    Jul, 2023

  • 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

  • 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

  • 自动发现计算机断层成像中肺结节算法的验证、比较和组合：LUNA16 比赛

    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

  • DeepLung: 用于自动肺结节检测和分类的 3D 深度卷积网络

    本文介绍一种基于深度学习的肺部 CT 自动癌症诊断系统 DeepLung，包括两个部分：结节检测和结节分类，两个 3D 网络分别应用于它们，该系统在 LIDC-IDRI 数据集上获得了与经验医生相似的结节和患者级别的诊断性能。

    Sep, 2017

  • 利用 VGG16 算法对 CT 扫描图像中的肺癌进行分类

    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

  • 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

  • DeepLung: 深度 3D 双路径网络用于自动肺结节检测和分类

    本论文提出了基于自动化的深度学习算法的 Lung CT 肺癌诊断系统 DeepLung，该系统由结节检测和分类两个组件组成，其中结节检测使用 3D Faster R-CNN 和 3D 双路径块，结节分类使用 3D 双路径网络特征的梯度提升机（GBM）进行，DeepLung 系统在 LIDC-IDRI 公共数据集上的实验结果表明，该系统在结节级别和患者级别诊断性能与经验医生相当。

    Jan, 2018