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

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

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

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

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

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

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

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

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

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