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

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

本文提出了一种基于深度学习和单个三维卷积神经网络的肺结节检测方法 S4ND，相较于当前文献在效率和准确性上都有明显提升，平均 FROC 得分为 0.897。

May, 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

利用最大强度投影图像（MIP）改进基于卷积神经网络的自动肺结节检测，可获得更高的敏感性和更少的假阳性。

Apr, 2019

本研究提出一种基于3D Feature Pyramid Network的肺部结节检测框架，采用多尺度特征和平行自上而下路径来改善结节检测的灵敏度，同时引入了高灵敏度和特异度 (HS$^2$) 网络，通过跟踪连续 CT 切片中每个结节候选物的外观变化来消除错误检测的结节候选物，该方法在LUNA16数据集上表现出优异的检测效果。

Jun, 2019

该研究提出一种新的端到端三维深度卷积神经网络，名为NoduleNet，用于联合解决肺结节检测、假阳性降低和结节分割三个任务，采用多任务学习方式，证明这种方法可显著提高肺结节检测精度，并获得LIDC数据集的良好表现。

Jul, 2019

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

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

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。

Sep, 2024