Jan, 2025

基于迁移学习的混合深度卷积模型用于肺癌检测

HTML
PDF
TL;DR本研究解决了肺癌早期诊断准确性不足的问题，提出了一种名为最大敏感性神经网络（MSNN）的混合深度卷积模型，利用迁移学习技术增强肺癌检测的灵敏度和特异性。实验结果表明，MSNN的准确率达98%，灵敏度为97%，其创新方法通过在肺部CT扫描上叠加灵敏度图，有效识别良恶性肿瘤区域，显著提高了医疗诊断的准确性。
发现论文，激发创造
  • 基於深度卷積神經網絡的計算機輔助檢測：CNN架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将ImageNet预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 利用深度卷积神经网络在计算机断层扫描图像中准确检测肺结节

    本研究提出了一种基于卷积神经网络的肺结节检测方法，首先使用卷积神经网络进行候选检测，随后使用三维卷积神经网络进行假阳性减少。实验结果表明，该方法在肺结节检测方面表现卓越，并在LUng Nodule Analysis 2016（LUNA16）挑战中排名第一。

    Jun, 2017

  • 基于在线样本过滤和混合损失残差学习的3D ConvNets自动肺结节检测

    本文提出了一种基于 3D 卷积神经网络的新型框架，用于自动检测低剂量 CT 扫描中的肺结节，旨在解决医学数据集中严重的艰难/易样本不平衡问题，并探索局部注释对学习的利益，从而提高性能，实现更准确的检测。我们的框架包括两个阶段：一是候选筛选，二是假阳性降低。在公共大规模 LUNA16 数据集上进行的实验结果表明，我们提出的方法与最先进的肺结节检测方法相比具有卓越的性能。

    Aug, 2017

  • 基于软激活映射的低剂量CT图像形态和边缘感知的肺结节分类

    论文提出了一种基于卷积神经网络（CNN）的软激活映射（SAM）和高级特征增强方案（HESAM）的肺结节分类方法，能够捕获更细粒度的肺结节形状和边缘特征并实现更精确的本地化，获得了最先进的预测性能，并在医学影像学界取得了实质性进展。

    Oct, 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

  • 基于CNN的CT扫描图像肺癌诊断

    本文提出基于卷积神经网络的深度学习模型框架，利用 CT 扫描图像进行肺癌的早期检测，该模型表现优于传统方法，准确率达到 92%，AUC 为 98.21%，召回率为 91.72%，损失为 0.328。

    Apr, 2023

  • CC-DCNet: 利用对比约束的动态卷积神经网络在多模态图像中鉴定肺癌亚型

    利用深度学习技术，我们提出了一种新颖的深度学习网络，通过多维和多模态图像（CT和病理图像）精确分类肺癌亚型，以提高临床诊断准确性。通过动态处理配对的CT-病理图像集以及独立的CT图像集，并优化从CT图像中提取与病理相关的特征，我们的模型展示了在肺癌亚型分类中卓越的效果，大幅提高了准确度。

    Jul, 2024

  • 利用深度学习和CT影像改善肺癌诊断与生存预测

    本研究解决了肺癌早期诊断和生存预测的难题，提出了一种基于卷积神经网络的方法来建模肺部形态与肺癌风险的非线性关系。研究结果显示，结合小批量损失与二元交叉熵，可以有效提升肺癌发生和死亡风险的预测能力，从而为肺癌的诊断与治疗提供了新的可能性。

    Aug, 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

  • 快速分级CNN模型用于准确检测肺部疾病和肺癌

    本研究针对肺部疾病和肺癌的快速诊断问题，提出了一种新颖的深度学习模型，该模型利用胸部X光片检测肺结节及其他八种肺病。研究表明，该模型在肺结节分类方面实现了77%的准确率，并显示出优秀的泛化潜力，未来可通过扩展数据集和数据分布策略进一步提升诊断准确性。

    Dec, 2024