Sep, 2024

基于深度学习的肺结节检测与分割的通道压缩U结构

HTML
PDF
TL;DR本研究针对肺结节的自动检测与分割，提出了一种创新的深度学习方法，以提高早期肺癌诊断的准确性。采用独特的“通道压缩U结构”，优化了特征提取与信息整合，显著提升了对小型和隐性结节的检测能力。结果表明，该方法在提升计算机辅助诊断系统的准确性和可靠性方面具有重要潜力。
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

  • 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

  • 一种集成肺结节检测和假阳性减少的端到端框架

    本研究提出一种将肺结节候选筛选和假阳性降低整合成一个模型的端到端框架，与现有的两步法相比，该框架不仅提高了性能，还减少了复杂性，降低了推理时间。

    Mar, 2019

  • 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

  • Swin-Tempo: 使用Swin Transformer增强的UNet在CT扫描作为视频序列中具有时间感知的肺结节检测

    我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过对公开可用的Lung Nodule Analysis 2016数据集应用10折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了97.84％的准确度以及96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

    Oct, 2023

  • 肺结节检测中针对难样本的改进集中

    通过引入可变形卷积和自适应学习，提出了一个对肺结节进行检测的改进方法，该方法注重难样本和数据集，在LUNA16数据集上的实验表明，该方法具有竞争性的性能。

    Mar, 2024

  • MSDet：增强接受场的多尺度小肺结节检测

    本研究针对传统CT成像中小肺结节的检测率低和定位不准确的问题，提出了一种名为MSDet的多尺度注意力及接受场网络。通过引入扩展接收域策略和位置通道注意机制，显著提高了小结节的检测准确性，实现了比YOLOv8高出8.8%的mAP，提供了更有效的早期肺癌诊断方案。

    Sep, 2024

  • 医学人工智能在肺癌早期检测中的应用：综述

    本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

    Oct, 2024

  • 基于检测引导的深度学习模型与空间规则化用于肺结节分割

    本研究针对肺结节分割中的形状和大小变化大、与肺组织近距离相邻等挑战，提出了一种新型的深度学习模型，集成了分割与分类过程，利用特征组合块实现信息共享，并结合空间规则化技术优化结节尺寸估计。研究结果表明，该模型在肺结节捕捉上更为精确，具有潜在的临床应用价值。

    Oct, 2024