肺结节检测相关文章记录

1.3DFPN-HS^2: 3D Feature Pyramid Network Based High Sensitivity and Specificity Pulmonary Noudle Detection
降低假阳性对于CT上检测肺结节来说仍然是一个难题与挑战，本文提出了一种特征金字塔结构的网络模型，名为-3DFPN，用来提高结节检测的敏感度通过用多尺度特征来提高结节的解析度，同时用一种平行的top-down路径过滤高层次的语义特征以补充低层次的生成特征。本文所生成的敏感度和特异度均高出最好的网络模型15.6%。

2.Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks
在本文中，灵感来源于在自然图像检测中的DCNNs网络。首先，我们引入了一个反卷积架构在每一个轴向的切片上生成结节的候选者，之后用一种3D的DCNN网络来降低假阳性。

3.Adversarial Pulmonary Pathology Translation for Pairwise Chest X-ray Data Augmentation
最近的研究工作表明生成对抗网络（GNNs）可以用于X-ray胸片上的肺部疾病检测。我们提出了一种生成模型用于生成一些包含高质量和合理的无畸变病理区域。主要思想是设计基于图像到图像转换网络的训练方案，以在病理ground-truth区域周围引入新的肺部特征的变化。此外，我们的模型能够利用注释的疾病图像和未注释的健康肺部图像进行生成。我们证明了我们的模型在两个任务上的有效性：（i）我们邀请经过认证的放射科医生对照真实的和其他最新的生成模型来评估生成的合成图像的质量，以及（ii）进行数据增强以提高放射成像的性能。疾病定位。

4.Adversarial regression training for visualizing the progression of chronic obstructive pulmonary disease with chest x-rays
我们提出了一种称为可视化的方法，该方法使用生成对抗网络（VR-GAN）进行回归，用于针对包含表征疾病严重程度的回归目标值的数据集制定对抗训练。我们使用条件生成对抗网络，其中生成器试图通过创建添加到原始图像的疾病效果图来学习转移回归变量的输出。同时，对回归器进行训练，以预测修改后图像的原始回归值。经过此技术训练的模型将学习提供可视化功能，以显示图像在疾病的不同阶段的外观。

5.An end-to end framework for integrated pulmonary noudle detection and false positive reduction
在这项工作中，我们提出了一个端到端的结节检测框架，将结节候选物筛选和假阳性减少整合到一个模型中共同训练。我们证明了端到端系统比两步方法提高了3.88％的性能，同时将模型复杂度降低了三分之一，并将推理时间减少了3.6倍。

6.Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning
在本文中，我们提出了一种具有3D卷积网络（ConvNets）的新颖框架，用于从低剂量CT扫描中自动检测肺结节，这对肺癌的早期诊断和治疗是一项具有挑战性但至关重要的任务。与以前的标准ConvNets有所不同，我们尝试解决医学数据集中严重的难/易样本不平衡问题，并探索本地化注释的好处以规范化学习，从而提高ConvNets的性能以实现更准确的检测。我们提出的框架包括两个阶段：1）候选者筛选，以及2）假阳性减少。在第一个阶段，我们建立了一个3D全卷积网络，并通过在线样本过滤方案对其进行了有效训练，以灵敏快速地筛选出结节候选物。在第二阶段，我们设计了一个混合损耗残差网络，该网络利用位置和大小信息作为指导结节识别程序的重要线索。在公共大规模LUNA16数据集上的实验结果表明，与最新的肺结节检测方法相比，我们提出的方法具有更好的性能。

7.CT-Realistic Lung Nodule Simulation from 3D Conditional Generative Adversarial Networks for Robust Lung Segmentation
在这项工作中，我们调查了用人工生成的肺结节扩大数据集是否可以提高渐进性整体巢式网络（P-HNN）模型对CT扫描的病理性肺分割的鲁棒性。为了实现此目标，我们开发了3D生成对抗网络（GAN），该网络有效地学习了3D空间中的肺结节特性分布。为了将结节嵌入其背景环境中，我们根据感兴趣的体积（其中心部分已消除结节）对GAN进行条件处理。为了进一步提高真实感并与背景融合，我们提出了一种新颖的多掩模重构损失。我们在LIDC数据集中针对1000多个结节训练了我们的方法。定性结果证明了我们的方法与最新技术相比的有效性。然后，我们使用GAN生成结节位于肺边界的模拟训练图像，这是已发布的PHNN模型难以解决的情况。定性和定量结果表明，借助这些模拟图像，P-HNN模型可以学习在这些挑战性情况下更好地分割肺区域。因此，我们的系统提供了一种有希望的手段来帮助克服通常会影响医学成像的数据不足。

8.Deep nested level sets: Fully automated segmentation of cardiac MR images in patients with pulmonary hypertension
本文介绍了一种新颖，准确的肺动脉高压（PH）患者心脏MR（CMR）图像分割方法。所提出的方法明确考虑了从深度神经网络中学习到的图像特征。为此，我们使用完全卷积网络估计CMR图像中区域和边缘位置的同时概率图。由于PH患者的心脏形态各异，因此可以将这些概率图合并到单个嵌套的水平集优化框架中，以实现高效的多区域分割。所提出的方法使用自动方式进行水平集初始化，因此整个优化是完全自动化的。我们证明了拟议的深层嵌套水平集（DNLS）方法优于现有的PH患者CMR分割的最新方法。

9.DeepEM: Deep 3D ConvNets With EM For Weakly Supervised Pulmonary Nodule Detection
在这项工作中，我们探索了如何利用庞大但目前尚未开发的数据源来改善肺结节的检测。我们提出DeepEM，这是一种新颖的深度3D ConvNet框架，具有期望最大化（EM）的功能，可挖掘EMR中弱监督的标签以检测肺结节。实验结果表明，DeepEM可以分别使LUNA16和Tianchi数据集的FROC得分平均提高1.5％和3.9％，这证明了不完整信息在EMR中用于改进深度学习算法的效用。

10.Discriminative Localization in CNNs for WeaklySupervised Segmentation of Pulmonary Nodules
在这项工作中，我们提出了一种弱监督方法，该方法可生成仅通过图像级标签训练的精确体素级结节分割。通过采用训练有素的图像分类的卷积神经网络（CNN），我们提出的方法从不同尺度的卷积单元的激活图学习区分区域，并使用新颖的候选物筛选框架识别真正的结节位置。在公开的LIDC-IDRI数据集上的实验结果表明，与基于完全监督的CNN的分割方法相比，我们的弱监督性结节分割框架具有竞争优势。

11.Fast CapsNet for Lung Cancer Screening
本文研究了使用胶囊网络（CapsNets）替代CNN的方法。我们显示，当训练样本数量较少时，CapsNets明显优于CNN。为了提高计算效率，我们提出了一种一致的动态路由机制，可使CapsNet的速度提高3倍。最后，我们证明了CapNets的原始图像重建方法在肺结节数据上的表现较差。我们提出了一种有效的替代方案，称为卷积解码器，它可以降低重建误差并提高分类精度。

12.iW-Net: an automatic and minimalistic interactive lung nodule segmentation deep network
我们提出了iW-Net，这是一种深度学习模型，可以在计算机断层扫描图像中对肺结节进行自动和交互式分割。 iW-Net由两个模块组成：第一个模块提供自动分割，第二个模块通过分析用户在结节边界内引入的两个点来进行校正。为此，提出了一种考虑到用户输入的受物理启发的权重图，该权重图既可以用作特征图，也可以用作系统的损失函数。我们的方法在公开的LIDC-IDRI数据集上得到了广泛的评估，在该数据集中，我们通过0.59个观察者之间的协议实现了0.55个交叉点的最新性能。此外，我们显示iW-Net可以纠正小结节的分割，这对于正确的患者转诊决策必不可少，并且可以改善具有挑战性的非实性结节的分割，因此可能是增加早期诊断肺癌的重要工具。

13.Joint learning for pulmonary noudle segmentation, attributes and maligancy prediction
在本文中，我们提出了一种可解释的多任务学习CNN–肺结节分割属性和恶性预测（PN-SAMP）的联合学习。它不仅可以准确地预测肿瘤的恶性程度，而且还可以提供语义上的高级属性以及检测到的小结节的区域。此外，结节分割，属性和恶性预测相结合有助于提高每个任务的性能。此外，受放射科医生经常更改窗口宽度和窗口中心以帮助对不确定的结节做出决策的启发，PN-SAMP将多个WW / WC混合在一起以获得原始CT输入图像的信息。为了验证所提出方法的有效性，对公共LIDCIDRI数据集进行了评估，该数据集是最大的肺结节恶性预测数据集之一。实验表明，与最新方法相比，拟议的PN-SAMP在肺结节分类方面取得了显着改善，并且在肺结节分割和属性学习方面有希望的表现。

14.NoduleNet: Decoupled False Positive Reduction for Pulmonary Nodule Detection and Segmentation
我们提出了一种新的端到端3D深卷积神经网络（DCNN），称为NoduleNet，以多任务方式联合解决结节检测，假阳性减少和结节分割。为了避免不同任务之间的联系并促进特征多样化，我们采用了两个主要的设计技巧：1）分解特征图以进行结节检测和假阳性减少，以及2）分段细分子网，以提高结节分割的精度。在大规模LIDC数据集上进行的大量实验表明，与仅训练结节检测任务的基线模型相比，多任务训练具有很高的效益，将结节检测准确性提高了10.27％。

15.Progressive and Multi-Path Holistically Nested Neural Networks for Pathological Lung Segmentation from CT Images
我们提出了一种基于自下而上的深度学习方法，该方法具有足够的表现力来处理外观变化，同时不受任何形状变化的影响。我们并入了受深度监督的学习框架，但通过简单但有效的渐进多路径方案对其进行了增强，该方案可以更可靠地合并来自不同网络阶段的输出。结果是一个深度模型能够生成更精细的掩码，我们将其称为渐进式整体嵌套网络（P-HNN）。使用广泛的交叉验证，我们的方法在包括病态肺部929个CT扫描（848笔公开交易）的多机构数据集上进行了测试，报告的平均切分得分为0.985，显示出与现有方法相比显着的定性和定量改进。

16.Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net ++ of Chest CT Images
在本文中，我们提出了一种在胸部CT上的有效的框架和任务对于肺部血管的分割。我们的方法的关键是一个2.5D分割网络应用于三个正交的轴，相比于3D网络，可以用于更低复杂性的全自动肺部血管分割。

17.Relu Cascade of Feature Pyramid Networks for CT Pulmonary Noudle Detection
在本文中我们提出了一个新的名为Relu级联的级联范式在检测肺结节。

18.S4ND: Single-Shot Single-Scale Lung Nodule Detection
在本文中，我们提出了S4ND，这是一种基于深度学习的新的肺结节检测方法。与当前文献相比，我们的方法使用单个网络的单个前馈通过进行检测，并提供更好的性能。整个检测管道设计为具有密集连接的单个3D卷积神经网络（CNN），以端到端的方式进行训练。 S4ND不需要任何进一步的后处理或用户指导来完善检测结果。通过实验，我们将我们的网络与当前计算机视觉中的最新对象检测网络（SSD）以及最新发布的肺结节检测方法（3D DCNN）进行了比较。我们使用了来自LUNA挑战数据集的公开888 CT扫描，结果表明，所提出的方法在效率和准确性方面均达到了0.897的平均FROC评分，优于目前的文献。我们还对提议的网络进行了深入分析，以阐明微小物体检测的不清楚范式。

19.Transferable Multi-model Ensemble for Benign-Malignant Lung Nodule Classification on Chest CT
在本文中,我们提出了一种可迁移的多模型合并算法在有限的CT数据中从良性的结节中分割出恶性的结节。

20.Framing U-Net via Deep Convolutional Framelets: Application to Sparse-view CT
受最新的深度卷积框架理论的启发，本文的主要目的是揭示U-Net的局限性，并提出新的多分辨率深度学习方案。特别是，我们证明了替代的U-Net变体（例如双帧和紧帧U-Net）满足所谓的帧条件，这使它们更好地有效地恢复了稀疏view CT中的高频边缘。通过使用带有真实患者数据集的大量实验，我们证明了新的网络架构可提供更好的重建性能。

21.Lung nodule segmentation with convolutional neural network trained by simple diameter information
肺结节分割可以帮助放射科医生分析结节风险。最近基于深度学习的方法已在分割任务中显示出令人鼓舞的结果。但是，训练算法所需的3D分割图需要放射线专家付出大量的努力。我们提出了一种仅使用每个结节的直径信息来训练深度神经网络的新方法。我们使用LUNA16数据集验证了我们的模型，与各种评估指标中的最新技术相比，该结果显示出竞争优势。我们的实验还提供了与ground truth分割相当的合理定性结果。

22.Pulmonary nodule classiﬁcation with deep residual networks
我们评估专家级肺结节恶性分类任务中深度卷积神经网络的有效性。以最新的ResNet架构为基础，我们探索课程学习，迁移学习和网络深度变化对恶性肿瘤分类准确性的影响。由于缺乏具有标准化问题定义和训练/测试拆分的公共数据集，因此该领域的研究往往无法与其他现有工作进行直接比较。这使得很难知道新解决方案的相对改进。相比之下，我们将LIDC / IDRI数据集上使用相同实验设置和数据集的系统与两个最先进的深度学习系统直接比较，以进行结节分类。结果表明，在所有测量指标（包括灵敏度，特异性，精密度，AUROC和准确性）方面，我们的系统均实现了最高性能。所提出的将深度残差学习，课程学习和迁移学习相结合的方法转化为高结节分类精度。这揭示了有效的肺结节CAD系统有希望的新方向，该方向反映了最近的深度学习在其他基于图像的应用领域中取得的成功。

23.Lung Pattern Classiﬁcation for Interstitial Lung Diseases Using a Deep Convolutional Neural Network
在本文中，我们提出并评估了用于ILD模式分类的卷积神经网络（CNN）。拟议的网络由5个具有2 X 2个内核和LeakyReLU激活的卷积层组成，然后是平均池，其大小等于最终特征图的大小，并包含三个密集层。最后一个密集层有7个输出，等效于所考虑的类别：健康，玻璃不透明（GGO），微结节，固结，网状结构，蜂窝状以及GGO /网状结构的组合。为了训练和评估CNN，我们使用了14696个图像补丁的数据集，该数据集由来自不同扫描仪和医院的120次CT扫描得出。据我们所知，这是针对特定问题设计的第一个深层CNN。对比分析证明了该CNN相对于以前的方法在具有挑战性的数据集中的有效性。分类性能证明了CNN在分析肺型方面的潜力。未来的工作包括将CNN扩展到CT体积扫描提供的三维数据，并将拟议的方法集成到CAD系统中，该系统旨在为ILD提供鉴别诊断，作为放射科医生的辅助工具。

24.Automated Pulmonary Nodule Classification in Computed Tomography Images Using a Deep Convolutional Neural Network Trained by Generative Adversarial Networks
在这项研究中，我们调查了使用深度卷积神经网络（DCNN）在CT图像中对肺结节进行的自动分类。当只有少量数据可用时，我们使用生成对抗网络（GANs）生成其他图像，这是医学研究中的常见问题，并通过生成大量新的肺结节图像来评估分类准确性是否得到了改善GAN。使用提出的方法，分析了60例经活检证实病理学诊断的CT图像。本研究中评估的良性结节难以被放射科医生区分，因为它们不能被认为是恶性的。从CT图像中提取肺结节，并使用轴向截面和增强数据创建更多图像。使用GAN生成的结节图像对DCNN进行训练，然后使用实际的结节图像进行微调，以使DCNN可以区分良性和恶性结节，这种预训练和微调过程可以区分出66.7％的良性结节和93.9％的恶性结节。这些结果表明，与仅使用原始图像进行训练相比，该方法将分类精度提高了约20％。

25.Diagnostic classification of lung nodules using 3D neural networks
在本文中，我们考虑了CT图像中良性和恶性肺结节的诊断分类问题，目的是学习从3D图像到类别标签的直接映射。为了实现这一目标，提出了四个双向神经网络（CNN），包括基本的3D CNN，新颖的多输出网络，3D DenseNet和具有多输出的增强型3D DenseNet。在公共LIDC-IDRI数据集上对这四个网络进行了评估，并优于大多数现有方法。特别是，3D多输出DenseNet（MoDenseNet）在端到端肺结节诊断任务上达到了最新的分类精度。此外，在LIDC-IDRI数据集上进行预训练的网络可以进一步扩展，以使用迁移学习来处理较小的数据集。这在我们的数据集上得到了证明，在肺结节分类中具有令人鼓舞的预测准确性。

26.Pulmonary Nodule Detection in CT Images: False Positive Reduction Using Multi-View Convolutional Networks
我们提出了一种新颖的计算机辅助检测（CAD）系统，该系统使用多视图卷积网络（ConvNets）进行肺结节的识别，可从训练数据中自动识别特征。通过将为固体，亚固体和大结节专门设计的三个候选检测器组合而获得的结瘤候选物。对于每个候选对象，从不同平面或定向平面提取一组二维patch。所提出的体系结构包含多个二维ConvNet流，使用专用的融合方法将其输出合并以进行最终分类。公开的LIDC-IDRI数据集在888次扫描中，我们的方法在每次扫描1次和4次假阳性时分别达到85.4％和90.1％的高检测灵敏度。对来自ANODE09挑战和DLCST的独立数据集进行了附加评估。我们表明，提出的多视图ConvNets非常适合用于CAD系统的假阳性减少。

27.3D G-CNNs for Pulmonary Nodule Detection
在本文中，我们表明，通过使用3D旋转平移组卷积（G-Convs）而不是更常规的平移卷积，可以显着提高CNN的样本复杂度。这些3D G-CNN被应用于肺结节检测的假阳性减少问题，并被证明在性能，对恶性结节的敏感性和收敛速度方面比常规的强而可比的基线结构有效得多，数据扩充和类似数量的参数。对于每个测试的数据集大小，G-CNN的FROC得分均接近于使用十倍数据训练的CNN。

28.Using Deep Learning for Pulmonary Nodule Detection & Diagnosis
这项研究使用一种革命性的图像识别方法，即深度学习，对潜在的恶性肺结节进行分类。深度学习基于深度神经网络。我们报告了初步发现的结果，并使用不同网络拓扑和优化参数的组合来比较深层神经网络的性能。对于四种拓扑中的每一种，都评估了网络性能的分类准确性，敏感性和特异性。

29.Computer aided lung cancer diagnosis with deep learning algorithms
在这项研究中，我们根据来自肺图像数据库协会（LIDC）数据库的案例，测试了使用深度学习算法诊断肺癌的可行性。根据放射科医生提供的标记对每个计算机断层扫描（CT）切片上的结节进行分割。在向下采样和旋转后，我们获取了174412个样本，每个样本具有52 x 52像素以及相应的truth文件。设计并实现了三种深度学习算法，包括卷积神经网络（CNN），深度信念网络（DBN），堆叠降噪自动编码器（SDAE）。为了将深度学习算法与传统的计算机辅助诊断（CADx）系统的性能进行比较，我们设计了具有28个图像特征和支持向量机的方案。

30.Pulmonary Nodule Classification with Deep Convolutional Neural Networks on Computed Tomography Images
我们设计了一种深层卷积神经网络的结节分类方法，该方法具有自动学习表示法和强大的泛化能力。提出了一种针对结节图像的特定网络结构，以解决对三种结节的认识，即实心，半实心和毛玻璃不透明性（GGO）。

31.A Multi-view Deep Convolutional Neural Networks for Lung Nodule Segmentation
我们为肺结节分割提出了多视图卷积神经网络（MV-CNN）。 MVCNN专门从CT图像的轴向，冠状和矢状面同时捕获各种结节敏感特征。所提出的网络体系结构由三个CNN分支组成，其中每个分支包括七个堆叠的层，并以多尺度结节片作为输入。然后，将三个CNN分支与一个完全连接的层集成在一起，以预测patch中心体素是否属于结节。对公开的LIDC-IDRI数据集中的893个结核进行了评估，该方法提供了ground truth注释和CT成像数据。我们表明，MV-CNN在分割各种类型的结节（包括近胸膜结节，空洞结节和非固体结节）方面表现出令人鼓舞的性能，实现了平均骰子相似系数（DSC）为77.67％和平均表面距离（ASD）为0.24，优于传统图像分割方法。

32.Multilevel Contextual 3-D CNNs for False Positive Reduction in Pulmonary Nodule Detection
我们提出了一种新的方法，该方法利用三维（3-D）卷积神经网络（CNN）从容积式计算机断层扫描（CT）扫描中自动检测肺结节中的假阳性。与2D对应物相比，3D CNN可以通过使用3D样本训练的层次结构来编码更丰富的空间信息，并提取更多具有代表性的特征。更重要的是，我们进一步提出了一种简单而有效的策略来对多级上下文信息进行编码，以应对肺结节的巨大变化和困难的模仿所带来的挑战。

33. A Deep Learning Framework for Automatic Diagnosis in Lung Cancer
我们开发了深度学习框架，可帮助自动识别和分割患者组织标本中的肺癌区域。

34.Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classiﬁcation on CT images
我们使用新型的基于深度学习的模型和从MBAN（医疗局域网）获得的转移信息，提出了一种肺癌辅助计算机辅助决策系统。所提出的模型DFCNet基于深度完全卷积神经网络（FCNN），该网络用于将每个检测到的肺结节分为四个肺癌阶段。在具有不同扫描条件的不同数据集上评估拟议工作的性能。建议的分类器的比较是通过现有的CNN技术完成的。 CNN和DFCNet的总体准确性分别为77.6％和84.58％。

35.Deep nested level sets: Fully automated segmentation of cardiac MR images in patients with pulmonary hypertension
本文介绍了一种新颖，准确的肺动脉高压（PH）患者心脏MR（CMR）图像分割方法。所提出的方法明确考虑了从深度神经网络中学习到的图像特征。为此，我们使用完全卷积网络估计CMR图像中区域和边缘位置的同时概率图。由于PH患者的心脏形态各异，因此可以将这些概率图合并到单个嵌套的水平集优化框架中，以实现高效的多区域分割。所提出的方法使用自动方式进行水平集初始化，因此整个优化是完全自动化的。我们证明了拟议的深层嵌套水平集（DNLS）方法优于现有的PH患者CMR分割的最新方法。

36.Large Residual Multiple View 3D CNN for False Positive Reduction in Pulmonary Nodule Detection
在这项研究中，提出了一种旨在识别大量候选目标中真实的肺结节的新方法。该方法包括三个步骤：适当的接收场选择，特征提取以及高级特征融合和分类策略。该数据集包括888例患者的胸腔低剂量计算机断层扫描（LDCT）扫描，这些扫描选自公开的LIDC-IDRI数据集。该数据集由LUNA16挑战组织者标记，产生1186个结核。为了避免过度拟合，应用了的数据扩充和删除操作。我们的方法在每次扫描1次和4次假阳性时分别获得0.735的高竞争性能指标（CPM）和78.8％和83.9％的灵敏度。与最新解决方案相比，该研究还附带有详细的说明和结果概述。

37.Lung nodule segmentation with Convolutional Neural network trained by small diameter information
我们提出了一种仅使用每个结节的直径信息来训练深度神经网络的新方法。我们使用LUNA16数据集验证了我们的模型，与各种评估指标中的最新技术相比，该结果显示出竞争优势。我们的实验还提供了与ground truth分割相当的合理定性结果。

38.Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge
本文介绍了LUNA16的设置，并介绍了迄今为止所面临挑战的结果。此外，还研究了组合单个系统对检测性能的影响。据观察，领先的解决方案采用了卷积网络并使用了所提供的结节候选集。这些解决方案的组合在每次扫描少于1.0次假阳性时实现了超过95％的出色灵敏度。

39.DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classiﬁcation
在这项工作中，我们将自动执行计算机断层扫描（CT）癌症诊断系统DeepLung。 DeepLung由两个部分组成，结节检测（识别候选结节的位置）和分类（将候选结节分类为良性或恶性）。考虑到肺部CT数据的3D性质和双路径网络（DPN）的紧凑性，分别设计了两个深层3D DPN分别用于结节检测和分类。具体来说，一个3D更快与卷积神经网络（R-CNN）区域被设计为结节检测与3D双路径块和U-net编码器 - 解码器结构，以有效地学习结节的特征。对于结节分类，提出了具有3D双路径网络特征的梯度增强机（GBM）。

40.Multi-Scale Heterogeneous 3D CNN for False-Positive Reduction in Pulmonary Nodule Detection, Based on Chest CT Images
在这项研究中，我们提出了一种基于胸部计算机断层扫描（CT）图像的新型多尺度异质三维（3D）卷积神经网络（MSH-CNN）。该设计有三种主要策略：（1）使用上下文信息不同级别的多尺度3D结节块作为输入；（2）使用3D CNN的两个不同分支提取表达特征；（3）使用一组由反向传播确定的权重来融合第2步产生的表达特征。

肺结节检测相关文章记录相关推荐

关于肺结节检测相关的FROC曲线和目标检测中Precision-Recall曲线,ROC曲线，mAP，AP，APs,APm,APl，AP0.5等的理解。
ps自己之前也不理解这个FROC是什么鬼,连mAP,AP也不太理解(还有APs,APm,APl,AP0.5等等)后来花了挺长时间的,今天又有人问我FORC是什么,这里我就稍微总结下: 1.Precis ...
肺结节目标检测_一种基于CT图像的肺结节检测方法及系统与流程
本发明属于医学图像分析和计算机辅助诊断等技术领域,更具体地,涉及一种基于CT图像的肺结节检测方法及系统. 背景技术: 肺癌是导致患癌死亡的最危险的疾病之一,其发病率占所有癌症的三分之二,且5年存活率为 ...
实战：使用yolov3完成肺结节检测（Luna16数据集）及肺实质分割
实战:使用yolov3完成肺结节检测(Luna16数据集) yolov3是一个比较常用的端到端的目标检测深度学习模型,这里加以应用,实现肺结节检测.由于Luna16数据集是三维的,需要对其进行切片操作 ...
LSSANet:一种用于肺结节检测的长、短切片感知网络
文章目录 LSSANet: A Long Short Slice-Aware Network for Pulmonary Nodule Detection 摘要方法 Long Short Slice ...
肺结节目标检测_基于改进Faster R-CNN的肺结节检测
基于改进 Faster R-CNN 的肺结节检测肺癌在我国乃至全球范围内 , 都是发病率及死亡率最高的恶性肿瘤.其早期的表现形式是直径不超过 30mm 的肺内圆形或不规则形结节. 肺癌的早期诊断与 ...
肺结节检测（一）：数据集介绍及处理
一.LUNA16数据集介绍 1.简介 LUNA16数据集包括888低剂量肺部CT影像(mhd格式)数据,每个影像包含一系列胸腔的多个轴向切片.原始图像为三维图像.每个图像包含一系列胸腔的多个轴向切片. ...
肺结节检测的一些要点总结
肺结节检测实际上就是目标检测,但是有一些地方要注意. 1:在二维平面图上检测不准,还需3D方式进行检测. 2: 一个患者的片子可能包括几百张切片,重构为3D后占用内存很大,需要采用补丁输入的方式,就是 ...
实战：使用Faster R-CNN完成肺结节检测(LUNA16)（1）/LUNA16数据集初探
LUNA16 LUNA16,全称Lung Nodule Analysis 16.该数据集来自另一个更大的数据集LIDC-IDRI,旨在推动更多计算机视觉领域的SOTA算法用于CAD领域.官方网站比赛 ...
基于Faster RCNN的医学图像检测（肺结节检测）
Faster-R-CNN算法由两大模块组成:1.PRN候选框提取模块 2.Fast R-CNN检测模块.其中,RPN是全卷积神经网络,用于提取候选框:Fast R-CNN基于RPN提取的proposa ...

肺结节检测相关文章记录

肺结节检测相关文章记录相关推荐

最新文章

热门文章