Diagnostic Classification Of Lung Nodules Using 3D Neural Networks
University of Georgia(佐治亚大学);First Affiliated Hospital, School of Medicine, Zhejiang University(浙江大学医学院附属第一医院)
肺癌是全球癌症相关死亡的主要原因。在计算机断层扫描(CT)胸部扫描中对肺结节的早期诊断为设计有效的治疗方案以及制定财务和护理计划提供了机会。在本文中,我们考虑在CT图像中的良性和恶性肺结节之间的诊断分类问题,其目的是学习从3D图像到类别标签的直接映射。为了实现这一目标,提出了四种双通道卷积神经网络(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的3D DenseNet。这四个网络在公共LIDC-IDRI数据集上进行了评估,并且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中实现了最先进的分类精度。此外,在LIDC-IDRI数据集上预训练的网络可以进一步扩展,以使用迁移学习处理较小的数据集。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。
2018-03-19 cs.CV cs.LG stat.ML
Multi-Task Lung Nodule Detection in Chest Radiographs with a Dual Head Network
HTC DeepQ
肺结节可能是潜在肺癌的先兆。在胸部X光片分析过程中遗漏结节检测仍然是胸部放射科医生的常见挑战。在这项工作中,我们提出了一个多任务的肺结节检测算法的胸片分析。与过去的方法不同,我们的算法预测一个全球级的标签,指示结节的存在,以及使用双头网络(DHN)预测结节位置的本地标签。我们证明了有利的结节检测性能,我们的多任务制定产量相比,传统的方法。此外,我们介绍了一种新的双头增强(DHA)的策略,为DHN量身定制,我们证明了它的意义,进一步提高全球和本地结节的预测。
2022-07-07 cs.CV eess.IV
Class-Aware Adversarial Lung Nodule Synthesis in CT Images
Siemens Healthineers(西门子医疗)
虽然大规模数据集对于训练深度学习系统至关重要,但扩大医学成像数据集的收集是昂贵的。基于标注数据集的分布来合成医学图像中的感兴趣对象(诸如肺结节)可以有助于改进监督学习任务,特别是当数据集受到大小和类平衡的限制时。在本文中,我们提出了类感知的对抗合成框架来合成CT图像中的肺结节。该框架由一个由粗到细的补丁内画家(生成器)和两个类感知鉴别器构建。通过调节随机潜变量和目标结节标签,经过训练的网络能够在相同的背景下生成不同的结节。通过对公共LIDC-IDRI数据集的评估,我们展示了所提出的框架的一个示例应用,该框架用于提高肺结节恶性肿瘤估计的准确性,作为一个二元分类问题,这在肺筛查场景中很重要。我们表明,在训练集中结合真实图像块和合成肺结节可以将不同网络架构的平均AUC分类得分提高2%。
2018-12-28 cs.CV
CT-Realistic Lung Nodule Simulation from 3D Conditional Generative Adversarial Networks for Robust Lung Segmentation
National Institutes of Health(美国国立卫生研究院)
数据可用性对深度学习系统的性能起着至关重要的作用。这一挑战在医学图像领域尤其严峻,特别是当涉及病理时,这是由于两个因素:1)病例数量有限,以及2)位置、尺度和外观的大变化。在这项工作中,我们研究了用人工生成的肺结节增强数据集是否可以提高渐进式整体嵌套网络(P-HNN)模型用于CT扫描病理肺分割的鲁棒性。为了实现这一目标,我们开发了一个3D生成对抗网络(GAN),它可以有效地学习3D空间中的肺结节属性分布。为了将结节嵌入其背景环境中,我们基于其包含结节的中心部分已被擦除的感兴趣体积来调节GAN。为了进一步提高真实感和与背景的融合,我们提出了一种新的多掩模重建损失。我们对来自LIDC数据集的1000多个结节进行训练我们的方法。定性结果表明,我们的方法相比,最先进的有效性。然后,我们使用我们的GAN生成模拟的训练图像,结节位于肺边界,这是已发表的P-HNN模型斗争的情况下。定性和定量的结果表明,配备这些模拟图像,P-HNN模型学习更好地分割肺部区域在这些具有挑战性的情况下。因此,我们的系统提供了一个有前途的手段,以帮助克服数据匮乏,通常困扰医学成像。
2018-06-11 cs.CV
NoduleFlow: Automatic 3D Lung Nodule Detection and Segmentation
Università Campus Bio-Medico di Roma(罗马生物医学大学校园大学);Umeå University(于默奥大学);University of Genoa(热那亚大学)
本研究提出NoduleFlow框架,无需先验标注等人工干预即可自动完成肺结节检测、分类与分割,经四个独立数据集评估,其在肺结节分析中展现出应用潜力。
2026-10-14 cs.CV
Lung Nodules Detection and Segmentation Using 3D Mask-RCNN
Algotec LTD, a Carestream Co(Algotec有限公司(锐珂公司旗下企业))
肺结节的准确评估是放射科医师解释工作中耗时且容易出错的部分。自动化3D体积检测和分割可以改善工作流程以及患者护理。以前的工作集中在检测肺结节从一个完整的CT扫描或分割他们从一个小的ROI。我们采用了最先进的2D对象检测和分割架构MaskRCNN来处理3D图像,并将其用于从CT扫描中检测和分割肺结节。我们报告了LUNA 16数据集上肺结节检测的竞争结果。我们的方法的附加值是,除了肺结节检测,我们的框架产生检测到的结节的3D分割。
2019-07-17 cs.CV cs.LG eess.IV
U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation
Indian Institute of Technology (Indian School of Mines) Dhanbad(印度理工学院(印度矿业学院)丹巴德分校)
肺癌的早期诊断和分析涉及计算机断层扫描(CT)图像中精确有效的肺结节分割。然而,CT图像中结节的匿名形状、视觉特征和周围环境给肺结节的鲁棒分割带来了挑战。本文提出了U-Det,这是一种资源高效的模型架构,它是一种端到端的深度学习方法来解决手头的任务。它在编码器和解码器之间集成了Bi-FPN(双向特征网络)。此外,它使用Mish激活函数和类权重的面具,以提高分割效率。该模型在由1186个肺结节组成的公开可用的LUNA-16数据集上进行了广泛的训练和评估。U-Det架构优于现有的U-Net模型,Dice相似系数(DSC)为82.82%,并达到与人类专家相当的结果。
2020-03-20 cs.CV cs.LG eess.IV
A Systematic Analysis for State-of-the-Art 3D Lung Nodule Proposals Generation
肺结节建议生成是肺结节检测的首要步骤,近年来受到广泛关注。在本文中,我们首先构建了一个三维卷积神经网络(3D CNN)模型来生成肺结节建议,它可以达到最先进的性能。然后,分析了影响培训绩效和效率的一系列关键问题。首先,我们用不同分辨率的数据训练3D CNN模型,并发现由高分辨率输入数据训练的模型实现了更好的肺结节建议生成性能,特别是对于尺寸太小的结节,同时消耗更多的内存。然后,我们分析了不同平台上的内存消耗,实验结果表明,CPU架构可以为我们提供更大的内存,使我们能够探索更多的3D应用的可能性。我们在CPU平台上实现了3D CNN模型,并提出了一个支持多种高效3D计算的Intel Extended-Caffe框架,该框架在https://github.com/extendedcaffe/extended-caffe上开源。
2018-01-09 cs.CV
CLIP-Lung: Textual Knowledge-Guided Lung Nodule Malignancy Prediction
Fudan University(复旦大学);China Pharmaceutical University(中国药科大学)
针对现有肺结节恶性预测方法难区分相近进展标签样本的问题,提出融合类别与属性文本知识的CLIP-Lung框架,通过CCP模块和对比学习实现特征对齐,在LIDC-IDRI数据集上提升了分类性能与可解释性。
2023-04-17 cs.CV
Crowdsourcing Lung Nodules Detection and Annotation
Stony Brook University(石溪大学);Stony Brook Medicine(石溪医学院)
我们提出众包作为一种额外的方式,以帮助放射科医生诊断肺癌的临床胸部计算机断层扫描(CT)扫描。更具体地,引入了完整的工作流程,其可以通过利用人群的集体智慧来帮助最大化肺结节检测的灵敏度。我们结合重叠薄板最大强度投影(TS-MIPs)和电影观看的概念来呈现短视频,这些短视频可以作为注释任务外包给人群。这些视频是通过线性内插CT切片的重叠TS-MIP通过患者肺的每个象限的深度来生成的。由此产生的视频被外包给非专家用户的在线社区,他们在简短的教程后,在这些视频片段中注释可疑的结节。使用我们的众包工作流程,我们实现了20个患者CT数据集(包含178个大小在1- 30 mm之间的肺结节)的肺结节检测灵敏度超过90%,并且在所有大小的结节上总共1021个注释中只有47个假阳性(对于$>$ 4 mm的结节灵敏度为96%)。这些结果表明,众包可以是一种强大且可扩展的模式,可以直接或与计算机辅助检测(CAD)算法相结合帮助放射科医生筛查肺癌。对于CAD算法,所提出的工作流程可以提供高度准确的训练数据,以克服高假阳性率(每次扫描)的问题。我们还首次提供了对结节大小和位置的分析,这有助于改进CAD算法。
2018-09-17 cs.CV
Domain Adaptive Lung Nodule Detection in X-ray Image
Anhui University(安徽大学);School of Computer Science and Technology, Anhui University(安徽大学计算机科学与技术学院)
本文针对X射线肺结节检测中的域偏移问题,提出结合均值教师自训练、分层对比学习和结节级域不变特征学习模块的域自适应方法,并构建新标注数据集,实验验证其有效性。
2024-08-02 cs.CV
Lung Nodule Image Synthesis Driven by Two-Stage Generative Adversarial Networks
Wuyi University(五邑大学)
本文提出双阶段生成对抗网络TSGAN,通过解耦肺结节形态结构与纹理特征,提升合成数据多样性及检测模型性能。
2026-02-02 cs.CV
X-ray Dissectography Improves Lung Nodule Detection
Rensselaer Polytechnic Institute(伦斯勒理工学院);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
尽管射线照片由于其成本效益和广泛的可获得性而在世界范围内使用最频繁,但是沿着X射线路径的结构叠加通常使得可疑或相关的肺结节难以检测。在本研究中,我们应用“X线解剖摄影术”从几个放射线投影中数字化地解剖肺,抑制无关结构的干扰,提高肺结节的可检测性。为此目的,协作检测网络被设计为在2D解剖投影和3D物理空间中定位肺结节。我们的实验结果表明,与使用流行的检测网络从原始投影检测肺结节的常见基线相比,我们的方法可以显着提高平均精度20+%。这种方法可能有助于重新设计当前的X射线成像协议和工作流程,并提高肺部疾病胸部X光片的诊断性能。
2022-03-24 cs.CV eess.IV
Deep Learning for the Classification of Lung Nodules
The Ohio State University(俄亥俄州立大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Rensselaer Polytechnic Institute(伦斯勒理工学院)
深度学习作为机器学习的一个新领域,在医学影像领域引起了越来越多的关注。与传统的机器学习方法相比,深度学习不需要手动调整特征提取器,并且在许多视觉对象识别应用中表现出优越的性能。在这项研究中,我们开发了一个深度卷积神经网络(CNN),并将其应用于胸部CT图像的肺结节分类。我们提出了CNN的架构和肺结节的原始图像的分类精度。为了了解肺结节的特征,我们进一步构建了新的数据集,基于人工几何结节和原始图像的一些变换的组合,以及随机结节形状模型。结果发现,单纯的几何结节不能捕捉肺结节的重要特征。
2016-11-26 cs.CV cs.LG q-bio.QM
Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection
University of Toronto(多伦多大学)
该研究将稀疏肺结节检测重构为异常检测,结合7.5mm MIP预处理、Deformable-DETR与定制focal loss,在LUNA16上取得94.2% F1。
2024-09-08 cs.CV cs.LG
Accurate Lung Nodules Segmentation with Detailed Representation Transfer and Soft Mask Supervision
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing University of Posts and Telecommunications(北京邮电大学)
从计算机断层扫描(CT)图像中准确分割肺部病变对于分析和诊断肺部疾病(如COVID-19和肺癌)至关重要。然而,由于肺结节体积小,种类多,缺乏高质量的标记,使得肺结节的准确分割变得困难。为了解决这些问题,我们首先介绍了一种新的分割模板Soft Mask,它具有更丰富,更准确的边缘细节描述和更好的可视化,并开发了一个通用的自动Soft Mask注释管道,以处理不同的数据集。然后,提出了一种新的网络与详细的表示转移和软掩模监督(DSNet)处理输入的低分辨率图像的肺结节到高质量的分割结果。我们的DSNet包含一个特殊的细节表示传输模块(DRTM),用于重建详细的表示,以减轻肺结节图像的小尺寸,和一个对抗性的训练框架与软掩模,以进一步提高分割的准确性。大量的实验验证,我们的DSNet优于其他国家的最先进的方法,准确的肺结节分割,并具有较强的泛化能力,在其他准确的医疗分割任务具有竞争力的结果。此外,我们提供了一个新的具有挑战性的肺结节分割数据集,为进一步的研究。
2022-04-14 cs.CV eess.IV
Identification of lung nodules CT scan using YOLOv5 based on convolution neural network
Jordan University of Science and Technology(约旦科技大学)
目的:由于肺结节的形状、大小和纹理的任意性,使得在CT扫描图像中定位肺结节成为最困难的任务。这是在开发不同的解决方案以改进检测系统时所面临的挑战。深度学习方法通过使用卷积神经网络(CNN)显示出有希望的结果,特别是对于图像识别,它是计算机视觉中最常用的算法之一。方法:我们使用(CNN)基于YOLOv 5(你只看一次)的构建块来学习结节检测标签的特征表示,在本文中,我们介绍了一种检测肺癌定位的方法。胸部X线和低剂量计算机断层扫描也是可能的筛查方法,当涉及到识别结节的放射摄影,计算机辅助诊断(CAD)系统(CNN)的基础上,已经证明了他们的价值。一期检测器YOLOv 5在基于分割的肺结节的公共数据集LIDC-IDRI的280个注释CT扫描上进行训练。结果:分析了肺结节位置的预测性能,并划分了相应的CT扫描区域。在肺结节定位中,准确度被测量为平均平均精度(mAP)。mAP考虑了边界框与标签的匹配程度以及这些边界框的预测类的准确性,我们得到的准确率为92.27%。结论:这项研究是为了确定参与者肺部正在发展的结节。在医学文献中很难找到有关肺结节的信息。
2022-12-31 cs.CV eess.IV
Lung Nodule-SSM: Self-Supervised Lung Nodule Detection and Classification in Thoracic CT Images
University of Engineering and Technology, Taxila(塔克西拉工程技术大学)
针对医学影像标注数据不足的问题,提出以DINOv2为主干的自监督方法LungNodule-SSM,分预训练与微调两阶段实现肺结节检测分类,在LUNA 16数据集上达98.37%准确率,优于现有SOTA方法。
2025-05-21 cs.CV cs.LG eess.IV
Improved Focus on Hard Samples for Lung Nodule Detection
University of Electronic Science and Technology of China(电子科技大学)
针对公开肺部数据集少、CT图像肺结节尤其是难样本检测瓶颈问题,提出引入可变形卷积和自步学习的改进检测网络,经LUNA16数据集实验验证有效且性能具竞争力。
2024-03-07 cs.CV eess.IV
LAND: Lung and Nodule Diffusion for 3D Chest CT Synthesis with Anatomical Guidance
Eurecat, Centre Tecnològic de Catalunya(埃鲁卡特技术中心,加泰罗尼亚技术中心);Dept. de Matemàtiques i Informàtica, Universitat de Barcelona(巴塞罗那大学数学与计算机系);Barcelona Supercomputing Center (BSC)(巴塞罗那超级计算中心)
本研究提出LAND潜在扩散模型,以3D解剖掩模为条件在单张中端GPU上生成高质量256x256x256分辨率1mm各向同性3D胸部CT,验证全局肺结构引导的重要性,可生成带/不带不同属性肺结节的多样CT体数据,为AI模型训练或医疗专业人员提供工具。
2025-10-21 cs.CV
NAMD: Virtual Follow-up Computed Tomography Synthesis via Nodule-Aligned Multimodal Diffusion Models for Early Lung Cancer Diagnosis
Department of EECS, University of Michigan(电子工程与计算机科学系,密歇根大学);University of Michigan Medical School(密歇根大学医学学院)
本文提出NAMD框架,通过生成1年随访CT图像预测肺结节进展,利用结节对齐潜在空间和LLM驱动控制机制,在NLST数据集上实现优于基线和现有方法的性能。
2026-07-08 cs.CV
Lung nodules segmentation from CT with DeepHealth toolkit
University of Turin(都灵大学);Fondazione Ricerca Molinette Onlus(莫利内特研究基金会(非营利组织))
在医学图像分割领域中,准确、一致的边界分割对肿瘤体积的估计和处理起着重要的作用。在全球范围内,肺癌是导致死亡的主要原因之一,肺结节的早期检测对于癌症的早期诊断和患者的生存率至关重要。本研究的目的是证明Deephealth工具包(包括PyECVL和PyEDDL库)精确分割肺结节的可行性。使用PyECVL和PyEDDL在UniToChest上进行了肺结节分割的实验,用于数据预处理以及神经网络训练。结果描绘了在宽直径范围内的肺结节的准确分割和比传统检测方法更好的准确性。本文中使用的数据集和代码可作为基线参考公开获取。
2022-08-01 cs.CV eess.IV
Gated-Dilated Networks for Lung Nodule Classification in CT scans
Monash University Malaysia(莫纳什大学马来西亚分校);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局);CNRS(法国国家科学研究中心);Singapore Eye Research Institute(新加坡眼科研究所);University of Oklahoma(俄克拉荷马大学)
不同类型的卷积神经网络(CNN)已被应用于从计算机断层摄影(CT)扫描中检测癌性肺结节。然而,结节的大小是非常多样化的,可以在3到30毫米之间的任何地方。结核大小差异很大,使其分类成为一项困难和具有挑战性的任务。在这项研究中,我们提出了一种新的CNN架构,称为门控扩张(GD)网络,将结节分类为恶性或良性。与以前的研究不同,GD网络使用多个扩张卷积而不是最大池来捕获尺度变化。此外,GD网络具有上下文感知子网络,其分析输入特征并将特征引导到合适的扩张卷积。我们在来自LIDC-LDRI数据集的1,000多个CT扫描上评估了所提出的网络。我们提出的网络优于最先进的基线模型,包括Multi-Crop,Resnet和Densenet,AUC>0.95。与基线模型相比,全球动力学网络提高了中等大小结核的分类准确度。此外,我们观察到结节的大小和上下文感知子网络产生的注意信号之间的关系,这验证了我们的新网络架构。
2019-12-14 cs.CV cs.LG stat.ML
Unsupervised Contrastive Learning based Transformer for Lung Nodule Detection
Rensselaer Polytechnic Institute(伦斯勒理工学院)
早期发现肺结节与计算机断层扫描(CT)是至关重要的肺癌患者的生存时间和更好的生活质量。在这种情况下,计算机辅助检测/诊断(CAD)被证明是有价值的第二或并发读者。然而,肺结节的准确检测对于这样的CAD系统甚至放射科医师来说仍然是一个挑战,这不仅是由于肺结节的大小、位置和外观的可变性,而且还由于肺结构的复杂性。这导致CAD的假阳性率很高,影响了其临床疗效。受最近的计算机视觉技术的启发,在这里,我们提出了一个自我监督的区域为基础的三维Transformer模型,以确定一组候选区域之间的肺结节。具体而言,开发了一种3D视觉Transformer(ViT),该变换器将CT图像体积划分为一系列非重叠立方体,利用嵌入层从每个立方体中提取嵌入特征,并利用自注意力机制分析所有嵌入特征以进行预测。为了在相对较小的数据集上有效地训练Transformer模型,使用基于区域的对比学习方法通过用公共CT图像预训练3D Transformer来提高性能。实验结果表明,与常用的三维卷积神经网络相比,该方法能显著提高肺结节的筛选性能。
2022-04-30 cs.AI cs.CV
AWEU-Net: An Attention-Aware Weight Excitation U-Net for Lung Nodule Segmentation
Universitat Rovira i Virgili(罗维拉-威尔吉利大学);Robert Gordon University(罗伯特戈登大学);Aswan University(阿斯旺大学)
肺癌是一种致命的癌症,每年在世界各地造成数百万人死亡。CT图像中肺结节的准确检测和分割是肺癌早期诊断的重要环节。大多数现有系统是半自动的,并且需要手动选择肺和结节区域来执行分割任务。为了应对这些挑战,我们提出了一种基于深度学习方法的全自动端到端肺结节检测和分割系统。在本文中,我们使用优化的更快的R-CNN;一种最先进的检测模型来检测CT扫描中的肺结节区域。此外,我们提出了一个注意力感知的权重激励U-网络,称为AWEU-Net,肺结节分割和边界检测。为了实现更准确的结节分割,在AWEU-Net中,我们提出了位置注意力感知权重激励(PAWE)和通道注意力感知权重激励(CAWE)块,以突出输入特征图中最佳对齐的空间和通道特征。实验结果表明,我们提出的模型在公开的LUNA 16和LIDC-IDRI数据集上分别产生89.79%和90.35%的Dice得分,以及82.34%和83.21%的交集(IoU)。
2021-10-11 cs.CV eess.IV
Computer-aided diagnosis of lung nodule using gradient tree boosting and Bayesian optimization
Kyoto University Graduate School of Medicine(京都大学医学院);Kyoto University Hospital(京都大学医院);Osaka Medical College(大阪医科大学)
我们旨在评估用于肺结节分类的计算机辅助诊断(CADx)系统,重点关注(i)梯度树提升(XGBoost)的有用性和(ii)使用贝叶斯优化(Tree Parzen Estimate,TPE)和随机搜索进行参数优化的有效性。从公共CT图像数据库中纳入99个肺结节(62个肺癌和37个良性肺结节)。局部二进制模式的变体用于计算特征向量。使用特征向量及其标签训练支持向量机(SVM)或XGBoost。使用TPE或随机搜索来优化SVM和XGBoost的参数。留一法交叉验证用于优化和评估我们的CADx系统的性能。使用受试者工作特征分析的曲线下面积(AUC)评价性能。计算AUC 10次,并获得其平均值。SVM和XGBoost的最佳平均AUC分别为0.850和0.896;两者均使用TPE获得。XGBoost总体上优于SVM。与随机搜索相比,使用TPE时,获得获得高AUC的最佳参数的试验次数较少。总之,XGBoost在肺结节分类方面优于SVM。TPE比随机搜索更有效地进行参数优化。
2017-08-28 cs.CV
Classification of lung nodules in CT images based on Wasserstein distance in differential geometry
Brigham and Women’s Hospital(布莱根妇女医院);Harvard Medical School(哈佛医学院);Stony Brook University(石溪大学);Cancer Hospital, Chinese Academy of Medical Science(中国医学科学院肿瘤医院);China-Japan Friendship Hospital(中日友好医院);First Affiliated Hospital of Guangzhou Medical University(广州医科大学附属第一医院)
肺结节通常在筛查有肺癌风险的患者时检测到。虽然大结节的状态可以很容易地通过细针活检或支气管镜检查诊断,但小结节通常很难在计算机断层扫描(CT)上分类。最近的工作表明,肺结节的形状分析可以用来区分良恶性病变,但现有的方法在其敏感性和特异性方面是有限的。在这项工作中,我们引入了一个新的三维形状分析的框架内的微分几何计算良性和恶性肺结节之间的Wasserstein距离,以获得一个准确的分类方案。该算法基于新的球形最优质量输运算法计算结节间的Wasserstein距离,该算法直接在球体上使用球形度量,比以往的方法更精确、更高效。在变形过程中,面积畸变因子给出了单位球面上的概率测度,形成了Wasserstein空间。从已知的良性和恶性肺结节的情况下,我们可以计算出一个独特的最佳质量传输映射之间的相应变形Wasserstein空间。该运输成本定义了它们之间的Wasserstein距离,并且可以用于将新的肺结节分类为良性或恶性类别。据我们所知,这是第一个利用Wasserstein距离进行肺结节分类的工作。Wasserstein距离的优点是它在刚性运动和缩放下是不变的,因此它本质上测量形状距离,即使底层形状具有高度复杂性,也非常适合对肺结节进行分类,因为它们具有不同的大小,方向和外观。
2018-06-30 cs.CV q-bio.QM
3D Axial-Attention for Lung Nodule Classification
Monash University Malaysia(马来西亚莫纳什大学);University of Malaya(马来亚大学);University of Oklahoma(俄克拉荷马大学)
目的:近年来,非局部方法被成功地应用于肺结节分类。然而,这些方法对低分辨率特征图提供2D关注或有限的3D关注。此外,它们仍然依赖于一个方便的局部滤波器,如卷积,因为完整的3D注意力计算成本很高,并且需要一个大的数据集,这可能是不可用的。方法:我们建议使用3D轴向注意力,这需要常规非本地网络的一小部分计算能力(即,自我关注)。与常规的Non-Local网络不同,3D Axial-Attention网络将注意力操作分别应用于每个轴。此外,我们通过建议将3D位置编码添加到共享嵌入来解决非局部网络的不变位置问题。结果如下:我们在442个良性结节和406个恶性结节上验证了所提出的方法,这些结节是从公共LIDC-IDRI数据集中提取的,通过严格的实验设置,仅使用至少三名放射科医生注释的结节。我们的研究结果表明,3D轴向注意力模型在所有评估指标上都达到了最先进的性能,包括AUC和准确性。结论:所提出的模型提供了完整的3D注意力,其中每个元素(即,像素)有效地关注结节中的每个其他元素。因此,3D轴向注意力网络可以在所有层中使用,而不需要局部滤波器。实验结果显示了全3D注意力对肺结节分类的重要性。
2021-06-01 cs.CV eess.IV stat.ML
Unsupervised Detection of Lung Nodules in Chest Radiography Using Generative Adversarial Networks
University of Waterloo(滑铁卢大学)
肺结节在胸片中常被漏诊。我们提出并评估P-AnoGAN,一种用于X光片中肺结节的无监督异常检测方法。P-Ano GAN通过利用渐进式GAN和卷积编码器-解码器-编码器流水线来修改快速异常检测生成对抗网络(f-Ano GAN)。模型训练仅使用从印第安纳大学胸部X射线收集中提取的未标记的健康肺部补丁。使用分别从ChestX-ray 14和日本放射技术学会数据集提取的健康和不健康补丁进行外部验证和测试。我们的模型在外部验证和测试数据中鲁棒地识别了包含肺结节的斑块,ROC-AUC分别为91.17%和87.89%。这些结果表明,无监督的方法可能是有用的,在具有挑战性的任务,如肺结节检测X光片。
2021-08-04 cs.CV cs.LG eess.IV
Joint Learning for Pulmonary Nodule Segmentation, Attributes and Malignancy Prediction
Peking University(北京大学);Deepwise Inc.(深睿医疗)
在肺结节分类的文献中,许多研究采用卷积神经网络(CNN)直接根据原始胸部CT图像和结节位置预测肺结节的恶性程度。然而,这些研究不能说明CNN在预测给定结节的恶性程度方面是如何工作的,例如,根据CNN的输出,很难得出结论,结节内的区域或上下文信息是否重要。本文提出了一种可解释的多任务学习CNN --联合学习\textbf{P}、\textbf{S}分段\textbf{A}属性和\textbf{M}对齐\textbf{P}预测(PN-SAMP)。它不仅能够准确地预测肺结节的恶性程度,而且还提供语义高级属性以及检测到的结节的面积。此外,结节分割,属性和恶性预测的组合有助于提高每个单一任务的性能。此外,受放射科医生经常改变窗口宽度和窗口中心以帮助对不确定的结节做出决策的事实的启发,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。为了验证所提出的方法的有效性,实施的评估上的公共LIDC-IDRI数据集,这是一个最大的数据集的肺结节恶性预测。实验结果表明,与现有方法相比,该方法在肺结节分类、肺结节分割和属性学习方面取得了显著的改进。
2018-02-10 cs.CV
Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung
在这项工作中,我们提出了一种方法,肺结节分割,其纹理分类和随后的后续建议,从CT图像的肺。我们的方法包括基于流行的U-Net架构家族的神经网络模型,但针对关节结节分割及其纹理分类任务进行了修改,以及用于后续推荐的基于集成的模型。该解决方案在LNDb医学成像挑战中进行了评估,并在最终排行榜上获得了最佳结节分割结果。
2020-06-26 cs.CV cs.LG eess.IV
Faithful learning with sure data for lung nodule diagnosis
Shanghai Jiao Tong University(上海交通大学);Shanghai Chest Hospital(上海市胸科医院);Imperial College London(帝国理工学院)
深度学习的最新进展已经证明了其对基于CT的肺结节分类的价值。目前大多数技术本质上是黑箱系统,在临床实践中存在两个普遍性问题。首先,良恶性鉴别通常由人类观察者评估,而无需结节水平的病理诊断。我们将这些数据称为“不确定数据”。第二,分类器不一定获得可靠的结节特征,以用于在学习期间使用块级标签进行稳定学习和鲁棒预测。在这项研究中,我们构建了一个确定的数据集与病理证实的标签,并提出了一个协作学习框架,以促进确定结节分类通过结节分割和恶性评分回归整合不确定的数据知识。损失函数的目的是学习可靠的功能,通过引入可解释性的限制规定与结节分割图。此外,基于模型推理结果,反映了从机器和专家的理解,我们探索了一种新的结节分析方法,类似的历史结节检索和可解释的诊断。详细的实验结果表明,我们的方法是有益的,以实现更好的性能,再加上忠实的模型推理肺癌预测。广泛的交叉评估结果进一步说明了不确定数据对基于深度学习的方法在肺结节分类中的影响。
2022-02-25 cs.CV eess.IV
SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching
University of Electronic Science and Technology of China(电子科技大学);SenseTime Research(商汤科技研究院);Tongji University(同济大学);Sichuan University West China Hospital(四川大学华西医院);Rutgers University(罗格斯大学)
从3D计算机断层扫描中检测肺结节在有效的肺癌筛查中起着至关重要的作用。尽管最近基于锚点的检测器使用CNN获得了SOTA性能,但它们需要预先确定的锚点参数,例如锚点的大小,数量和纵横比,并且在处理具有各种大小的肺结节时具有有限的鲁棒性。为了克服这些问题,我们提出了一种基于3D球体表示的中心点匹配检测网络,该网络是无锚的,可以自动预测结节的位置、半径和偏移量,而无需手动设计结节/锚参数。SCPM-Net由两个新的组件组成:球体表示和中心点匹配。首先,为了在临床实践中匹配结节注释,我们将常用的限界框替换为我们提出的边界球,以在3D空间中用质心、半径和局部偏移来表示结节。引入基于相容球的交叉融合损失函数,稳定高效地训练肺结节检测网络。其次,我们通过设计一个积极的中心点选择和匹配过程,自然地丢弃预先确定的锚框,使网络无锚。一个在线的硬例子挖掘和重新聚焦损失随后使CPM过程更加强大,从而导致更准确的点分配和缓解类不平衡。此外,为了更好地捕捉空间信息和3D上下文的检测,我们建议融合多层次的空间坐标地图与特征提取器,并将它们与3D挤压和激发注意力模块相结合。在LUNA 16数据集上的实验结果表明,与现有的基于锚点和无锚点的肺结节检测方法相比,我们提出的框架具有更好的性能。
2022-01-06 cs.CV
Two-Stage Convolutional Neural Network Architecture for Lung Nodule Detection
早期发现肺癌是提高患者生存率的有效途径。准确检测CT图像中的肺结节是肺癌诊断的关键步骤。然而,由于肺结节的异质性和周围环境的复杂性,稳健的结节检测一直是一个具有挑战性的任务。在这项研究中,我们提出了一个两阶段的卷积神经网络(TSCNN)架构的肺结节检测。第一阶段中的CNN架构基于改进的UNet分割网络来建立肺结节的初始检测。同时,为了在不引入过多假阳性结节的情况下获得较高的召回率,提出了一种新的采样策略,并根据所提出的级联预测方法,采用离线硬挖掘思想进行训练和预测。第二阶段中的CNN架构基于所提出的双池化结构,该双池化结构被内置到三个3D CNN分类网络中以减少误报。由于网络训练需要大量的训练数据,我们采用了一种基于随机掩码的数据增强方法。此外,我们还通过集成学习提高了假阳性约简模型的泛化能力。该方法已在LUNA数据集上得到实验验证。实验结果表明,提出的TSCNN结构可以获得有竞争力的检测性能。
2019-05-09 cs.CV eess.IV
MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan
Department of Computer Science and Engineering, Seoul National University(计算机科学与工程系,首尔国立大学);Center for Artificial Intelligence in Medicine and Imaging, HealthHub Co. Ltd.(医学与影像人工智能中心,HealthHub公司);Department of Electrical and Computer Engineering, The University of Alabama(电气与计算机工程系,阿拉巴马大学);Department of Electrical Engineering, COMSATS University Islamabad(电气工程系,COMSATS大学伊斯兰堡分校)
提出MESAHA-Net,一种多编码器自适应硬注意力网络,融合CT切片、最大强度投影和ROI掩膜,在LIDC-IDRI上实现高精度且高效的肺结节三维分割,优于现有方法。
2025-08-08 cs.CV cs.LG eess.IV
Deep Transfer Convolutional Neural Network and Extreme Learning Machine for Lung Nodule Diagnosis on CT images
文章的某些内容需要保密
2020-04-28 cs.CV cs.LG eess.IV
Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning
University College London(伦敦大学学院);MANAS AI(MANAS人工智能公司);University College London Hospitals NHS Foundation Trust(伦敦大学学院医院国民保健服务基金会信托);Royal Brompton and Harefield NHS Foundation Trust(皇家布朗普顿与哈菲尔德国民保健服务基金会信托);Imperial College(帝国理工学院)
肺癌是全球癌症相关死亡的主要原因。肺癌筛查(LCS)每年使用低剂量计算机断层扫描(CT)扫描已被证明可以显着降低肺癌死亡率,通过检测癌性肺结节在早期阶段。可以使用机器/深度学习算法来改善肺结节中恶性肿瘤风险的风险分层。然而,大多数现有算法:a)主要单独评估单个时间点CT数据,因此未能利用纵向成像数据集内包含的固有优势; b)未将可能告知风险预测的相关临床数据整合到计算机模型中; c)未评估结节频谱上的算法性能,这些结节频谱对放射科医生解释最具挑战性,并且分析工具的帮助将最有益。在这里,我们展示了我们的时间序列深度学习模型(DeepCAD-NLM-L)的性能,该模型集成了三个纵向数据域的多模型信息:结节特异性,肺特异性和临床人口统计数据。我们将我们的时间序列深度学习模型与a)放射科医生在国家肺筛查试验CT上的表现进行了比较,这些试验富含最具挑战性的结节诊断; b)来自北伦敦LCS研究(SUMMIT)的结节管理算法。我们的模型在解释具有挑战性的肺结节时表现出与放射科医生相当的和互补的性能,并且与仅利用单个时间点数据的模型相比表现出改进的性能(AUC=88\%)。结果强调了时间序列,多模态分析的重要性时,解释恶性肿瘤的风险在LCS。
2022-03-30 cs.CV eess.IV
Cascaded Neural Networks with Selective Classifiers and its evaluation using Lung X-ray CT Images
IBM Tokyo Laboratory(IBM东京实验室)
肺结节检测是一个类不平衡的问题,因为结节被发现的频率比非结节低得多。在类别不平衡问题中,传统的分类器往往被多数类别压倒而忽略少数类别。因此,我们提出了级联卷积神经网络,以应付类不平衡的问题。在所提出的方法中,级联的卷积神经网络作为选择性分类器过滤掉明显的非结节。随后,用平衡数据集训练的卷积神经网络计算结节概率。在FROC曲线上,该方法在每次扫描1个和4个假阳性时的检测灵敏度分别为85.3%和90.7%。
2016-11-22 cs.CV
Lung Nodule Classification by the Combination of Fusion Classifier and Cascaded Convolutional Neural Networks
IBM Tokyo Laboratory(IBM东京实验室);IBM Research - Tokyo(IBM东京研究院)
肺结节分类是一个类别不平衡的问题,因为结节被发现的频率比非结节低得多。在类别不平衡问题中,传统的分类器往往被多数类别压倒而忽略少数类别。在我们以前的研究中,我们发现级联卷积神经网络可以对一类不平衡的结节候选数据集精确地分类结节候选。在本文中,我们提出了融合分类器与级联卷积神经网络模型。为了融合模型,首先利用卷积神经网络模型计算结节概率。然后,利用结节概率对融合分类器进行训练和测试。所提出的方法实现了94.4%和95.9%的灵敏度在4和8假阳性每扫描的自由接收器操作特征(FROC)曲线分析,分别。
2017-12-18 cs.CV cs.LG
S4ND: Single-Shot Single-Scale Lung Nodule Detection
University of Central Florida(中佛罗里达大学)
现有技术的肺结节检测研究依赖于计算昂贵的多阶段框架来从CT扫描中检测结节。为了解决这一计算挑战并提供更好的性能,在本文中,我们提出了S4ND,一种新的基于深度学习的肺结节检测方法。我们的方法使用一个单一的前馈通过一个单一的网络进行检测,并提供更好的性能相比,目前的文献。整个检测管道被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优化检测结果。在实验中,我们将我们的网络与计算机视觉中当前最先进的目标检测网络(SSD)以及最先进的肺结节检测方法(3D DCNN)进行了比较。我们使用了来自LUNA挑战数据集的临床可用的$888$ CT扫描,并通过实现$0.897$的平均FROC分数,表明所提出的方法在效率和准确性方面优于当前文献。我们还提供了一个深入的分析,我们提出的网络,以阐明微小目标检测的不明确的范例。
2018-06-03 cs.AI cs.CV cs.LG
Weakly-Supervised Lung Nodule Segmentation via Training-Free Guidance of 3D Rectified Flow
Chalmers University of Technology, Gothenburg, Sweden(楚德大学技术学院,哥德堡,瑞典)
本文提出一种无监督分割方法,结合预训练的校正流和预测器模型,通过无需训练的指导生成高质量肺结节分割结果,实验表明在LUNA16数据集上优于基线方法。
2026-04-20 cs.CV
A multiscale Laplacian of Gaussian (LoG) filtering approach to pulmonary nodule detection from whole-lung CT scans
候选生成是大多数计算机辅助检测(CAD)系统的第一阶段,快速扫描整个图像数据以寻找任何可能的异常位置,而CAD系统的后续阶段细化候选列表以确定这些候选中最可能或最重要的。候选生成器创建位置列表,并为每个候选提供大小估计。本文提出了一种多尺度尺度归一化的高斯拉普拉斯(LoG)滤波方法用于全肺CT扫描中肺结节的检测,该方法对实性和非实性肺结节均具有较高的灵敏度。肺结节LoG过滤方法在706个全肺低剂量CT扫描的尺寸富集数据库上进行了验证,该数据库包含499个实性(>= 4 mm)和107个非实性(>= 6 mm)肺结节。该方法对实性结节的灵敏度为0.998(498/499),对非实性结节的灵敏度为1.000(107/107)。此外,与放射科医生测量相比,该方法提供了较低的平均结节尺寸估计误差,对于实性结节为0.12 mm,对于非实性结节为1.27 mm。自动和手动确定的结节质心之间的平均距离分别为1.41 mm和1.43 mm。
2019-07-19 cs.CV eess.IV
Shape and Margin-Aware Lung Nodule Classification in Low-dose CT Images via Soft Activation Mapping
Fudan University(复旦大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
许多关于肺结节分类的研究缺乏对卷积神经网络(CNN)提取的特征的临床/生物学解释。类激活映射(CAM)和基于梯度的CAM(Grad-CAM)等方法是为解释本地化和分类任务而定制的,但它们忽略了细粒度的特征。因此,CAM和Grad-CAM不能为低剂量CT图像中的肺结节分类任务提供最佳解释,因为细粒度的病理线索(如结节的离散和不规则形状和边缘)能够增强关于CNN的结节分类的灵敏度和特异性。在本文中,我们首先开发了一个软激活映射(SAM),使细粒度的肺结节形状\&边缘(LNSM)的特征分析与CNN,使它可以访问丰富的离散功能。其次,通过将高级卷积特征与SAM相结合,我们进一步提出了一种高级特征增强方案(HESAM)来定位LNSM特征。在LIDC-IDRI数据集上的实验表明,1)SAM比现有方法捕获了更多细粒度和离散的注意区域,2)HESAM更准确地定位LNSM特征,并获得了最先进的预测性能,降低了假阳性率,和3)我们设计并进行了一个视觉匹配实验,该实验结合了放射科医生的研究,以增加将我们的方法应用于临床的置信度。诊断.
2019-12-17 cs.CV
Towards automatic pulmonary nodule management in lung cancer screening with deep learning
Radboud University Medical Center(拉德堡德大学医学中心);Gentofte Hospital(根措夫特医院);Fondazione IRCCS Istituto Nazionale dei Tumori(IRCCS国家肿瘤研究所基金会)
肺癌筛查项目的引入将在不久的将来产生前所未有的胸部CT扫描量,放射科医生必须阅读这些扫描数据,以决定患者的随访策略。根据目前的准则,对屏幕检测到的结核进行后处理在很大程度上取决于结核的大小和类型。在本文中,我们提出了一种基于多流多尺度卷积网络的深度学习系统,该系统自动分类与结节检查相关的所有结节类型。该系统处理包含结节的原始CT数据,而不需要任何额外的信息,如结节分割或结节大小,并通过分析给定结节的任意数量的2D视图来学习3D数据的表示。该深度学习系统使用来自意大利MILD筛选试验的数据进行训练,并在来自丹麦DLCST筛选试验的独立集数据上进行验证。我们分析了使用多流卷积网络架构在多个尺度下处理结节的优势,并且我们表明,所提出的深度学习系统在分类结节类型方面实现了性能,该性能超过了经典的机器学习方法,并且在四个经验丰富的人类观察者之间的观察者间差异范围内。
2017-05-23 cs.CV
Deep convolutional neural networks for multi-planar lung nodule detection: improvement in small nodule identification
University of Groningen(格罗宁根大学);University Medical Center Groningen(格罗宁根大学医学中心);University of Twente(特文特大学)
目的:在临床实践中,肺部小结节很容易被放射科医师忽视。本文旨在提供一种高效、准确的肺小结节检测系统,同时保持对大结节的良好性能。方法:我们提出了一个使用卷积神经网络的多平面检测系统。二维卷积神经网络模型U-net++通过轴向、冠状和矢状切片进行训练,以完成候选检测任务。来自三个不同平面的所有可能的结节候选者被组合。对于误报减少,我们应用3-D多尺度密集卷积神经网络来有效地去除误报候选。我们使用公共LIDC-IDRI数据集,其中包括888个CT扫描,由四名放射科医生注释1186个结节。结果如下:经过10倍交叉验证,我们提出的系统实现了94.2%的灵敏度与1.0假阳性/扫描和96.0%的灵敏度与2.0假阳性/扫描。虽然很难检测到小结节(即< 6 mm),但我们设计的CAD系统在1.0(2.0)假阳性/扫描的总体假阳性率下达到了93.4%(95.0%)的灵敏度。在结节候选检测阶段,结果表明,多平面方法能够检测到更多的结节相比,使用一个单一的平面。结论:我们的方法不仅对小结节,而且对该数据集上的大病变都具有良好的性能。这证明了我们开发的肺结节检测CAD系统的有效性和效率。意义:该系统可以为放射科医生提供肺癌早期诊断的支持。
2020-12-09 cs.CV cs.LG eess.IV
Level set image segmentation with velocity term learned from data with applications to lung nodule segmentation
Florida State University(佛罗里达州立大学)
目的:肺结节分割,即肺结节表面的算法描绘是计算结节分析流水线的基本组成部分。我们提出了一种新的分割方法,这是一个基于机器学习的扩展目前的方法,使用标记的图像的例子,以提高其准确性。方法:我们引入了标准水平集图像分割方法的扩展,其中速度函数通过机器学习回归方法从数据中学习,而不是先验设计。相反,该方法采用一组特征来学习引导水平集从初始化演化的速度函数。结果如下:我们将该方法应用于公开可用的LIDC数据集中的CT扫描的肺结节的图像体积,获得了0.7185($\pm$ 0.1114)的平均交集,这与其他方法相比具有竞争力。我们分析了分割性能的解剖和外观为基础的类别的结节,发现该方法执行更好的孤立结节与明确的利润。我们发现,在更复杂的环境中,并具有更复杂的CT外观结节的分割性能得到改善,增加了组合的全局-局部功能。结论:本文提出的水平集机器学习分割方法与现有方法相比具有竞争力。它在各种解剖学背景下提供准确的肺结节分割结果。
2021-01-19 cs.CV cs.LG eess.IV
Learning from Ambiguous Labels for Lung Nodule Malignancy Prediction
National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology(国家空天地海一体化大数据应用技术国家工程实验室);School of Computer Science and Engineering, Northwestern Polytechnical University(西北工业大学计算机科学与工程学院)
肺结节恶性预测是肺癌早期诊断的重要环节。除了通常讨论的困难之外,这项任务的挑战还来自注释者提供的模糊标签,因为深度学习模型可能会学习甚至放大其中嵌入的偏见。在本文中,我们提出了一个多视图的“分而治之”(MV-DAR)模型,从可靠和模糊的注释学习肺结节恶性预测。根据其注释的一致性和可靠性,我们将结节分为三个集合:一致和可靠的集合(CR-Set),不一致的集合(IC-Set)和低可靠的集合(LR-Set)。IC-Set中的结节由多名放射科医师不一致地注释,LR-Set中的结节仅由一名放射科医师注释。建议MV-DAR包含三个DAR子模型,从三个正交视图来表征肺结节。每个DAR由预测网络(Prd-Net)、反事实网络(CF-Net)和低可靠网络(LR-Net)组成,分别在CR集、IC集和LR集上学习。然后通过负注意模块(NA-Module)和一致注意模块(CA-Module)将CF-Net和LR-Net学习到的图像表示能力传递给Prd-Net,以提高Prd-Net的预测能力。MV-DAR模型已在LIDC-IDRI数据集和LUNGx数据集上进行了评价。我们的研究结果表明,不仅建议MV-DAR模型在学习模糊标签的有效性,但也优于目前的噪声标签学习模型在肺结节恶性预测。
2021-04-23 cs.CV eess.IV
Integration of Convolutional Neural Networks for Pulmonary Nodule Malignancy Assessment in a Lung Cancer Classification Pipeline
Eurecat, Centre Tecnològic de Catalunya(加泰罗尼亚技术中心 Eurecat);Universitat Pompeu Fabra(庞培法布拉大学);ICREA
恶性肺结节的早期识别对于更好的肺癌预后和微创化疗或放疗至关重要。放射科医生所做的恶性肿瘤评估对于计划预防性干预非常有用,但不幸的是,这是一项复杂,耗时且容易出错的任务。这解释了缺乏包含放射科医生结节恶性特征的大型数据集。在这篇文章中,我们建议通过3D卷积神经网络评估结节恶性程度,并将其整合到自动化的端到端肺癌检测现有管道中。出于训练和测试目的,我们使用了LIDC数据集的独立子集。在基线肺癌管道中添加结节恶性的概率将其F1加权评分提高了14.7%,而使用转移学习整合恶性模型本身的F1加权评分超过了基线预测的11.8%。尽管肺癌数据集的大小有限,但整合结节恶性肿瘤的预测模型可以提高肺癌的预测。
2019-12-18 cs.CV cs.LG eess.IV
Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation
Department of Mathematics, Applied Mathematics, and Statistics, Case Western Reserve University(数学、应用数学与统计学系,凯斯西储大学);Department of Biomedical Engineering, Lerner Research Institute, Cleveland Clinic(生物医学工程系,勒纳研究学院,克利夫兰诊所);Imaging Institute, Cleveland Clinic(影像研究所,克利夫兰诊所);Department of Biomedical Engineering, Case Western Reserve University(生物医学工程系,凯斯西储大学)
本研究提出一种结合分割与分类的深度学习模型,利用特征组合块和空间正则化,并采用冻结层的迁移学习,在CT图像肺结节分割中达到0.885灵敏度和0.814 Dice得分。
2024-10-26 cs.CV
Lung Nodule Classification using Deep Local-Global Networks
Monash University Malaysia(莫纳什大学马来西亚校区);University of Malaya(马来亚大学);University of Oklahoma(俄克拉荷马大学)
目的:肺结节具有非常不同的形状和大小,这使得将其分类为良性/恶性成为一个具有挑战性的问题。在本文中,我们提出了一种新的方法来预测结节的恶性程度,该方法能够使用全局特征提取器分析结节的形状和大小,以及使用局部特征提取器分析结节的密度和结构。方法:我们提出使用具有3 × 3核大小的残差块进行局部特征提取,使用非局部块来提取全局特征。非局部块能够在不使用大量参数的情况下提取全局特征。非局部块背后的关键思想是在相同特征图上的特征之间应用矩阵乘法。结果:我们在包含1,018个计算机断层扫描(CT)扫描的LIDC-IDRI数据集上训练和验证了所提出的方法。我们遵循严格的实验设置程序,即10倍交叉验证,忽略了由少于3名放射科医生注释的结节。所提出的方法实现了最先进的结果,AUC= 95.62%,同时显著优于其他基线方法。结论:我们提出的深度局部-全局网络能够准确提取局部和全局特征。我们的新方法优于最先进的架构,包括Densenet和Resnet与迁移学习。
2019-04-23 cs.AI cs.CV stat.ML
Risk Stratification of Lung Nodules Using 3D CNN-Based Multi-task Learning
Center for Research in Computer Vision (CRCV) at University of Central Florida(中佛罗里达大学计算机视觉研究中心);CuraCloud Corporation(CuraCloud 公司)
肺结节的危险分层是肺癌诊断的首要任务。任何稳健和准确的结节表征的改进都可以帮助确定癌症分期,预后和改善治疗计划。在这项研究中,我们提出了一种基于3D卷积神经网络(CNN)的结节表征策略。对于完全3D的方法,我们利用来自CT扫描的体积信息,否则这些信息将在传统的基于2D CNN的方法中丢失。为了解决CNN对大量训练数据的需求,我们采用迁移学习来获得高度区分的特征。此外,我们还获得了六个高级别结节属性的任务相关特征表示,并通过多任务学习(MTL)框架融合了这些互补信息。最后,我们建议将放射科医生之间的潜在分歧,同时在图正则化稀疏多任务学习中对不同的结节属性进行评分。我们在一个最大的公开可用的肺结节数据集上评估了我们提出的方法,该数据集包括1018次扫描,并在回归恶性评分方面获得了最先进的结果。
2017-04-28 cs.CV cs.LG
Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules
Fudan University(复旦大学);Shanghai Center for Brain Science and Brain-inspired Technology(上海脑科学与类脑研究中心)
基于深度学习的方法在肺结节的早期检测和分类方面取得了很好的性能,其中大多数方法丢弃了不确定的结节,并简单地处理了恶性与良性的二元分类。最近,一个不确定的数据模型(UDM)提出了将这些不确定的结节,制定这个问题作为一个有序回归,表现出更好的性能比传统的二进制分类。为了进一步探索肺结节分类的顺序关系,本文提出了一种Meta顺序回归森林(MORF),它改进了最先进的顺序回归方法,深顺序回归森林(DORF),在三个主要方面。首先,MORF可以通过充分利用深度特征来减轻预测的偏差,而DORF需要在训练之前固定决策树的组成。其次,MORF有一个新的分组特征选择(GFS)模块重新采样的分裂节点的决策树。最后,结合GFS,MORF配备了一个基于Meta学习的加权方案,映射的GFS选择的特征树的权重,而DORF分配相同的权重为所有的树。LIDC-IDRI数据集上的实验结果表明,与现有方法(包括最先进的DORF)相比,该方法具有更好的性能。
2020-12-07 cs.CV
Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning
HealthHub Co. Ltd.(健康中心有限公司);Kyonggi University(京畿大学)
肺结节的准确定量可以极大地帮助肺癌的早期诊断,这可以提高患者的生存可能性。已经提出了许多结节分割技术,然而,所有现有的技术都依赖于放射科医师的3-D感兴趣体积(VOI)输入或使用恒定的感兴趣区域(ROI),并且仅调查给定VOI内结节体素的存在。这样的方法限制了调查给定VOI之外的结节存在的解决方案,并且还将冗余结构包括到VOI中,这可能导致不准确的结节分割。在这项工作中,提出了一种新的半自动方法,用于体积计算机断层扫描(CT)肺扫描中的结节的3-D分割。所提出的技术可以分为两个阶段,在第一阶段,它需要一个2-D的ROI包含结节作为输入,它执行patch-wise调查沿轴向与一种新的自适应ROI策略。自适应ROI算法使该解决方案能够动态选择周围切片的ROI,以使用深残留U-Net架构调查结节的存在。第一阶段提供结节的初始估计,其进一步用于提取VOI。在第二阶段,提取的VOI进一步研究沿冠状和矢状轴与两个不同的网络,最后,所有估计的掩模被送入共识模块,以产生结节的最终体积分割。所提出的方法已经在LIDC数据集上进行了严格的评估,LIDC数据集是最大的公开数据集。结果表明,该方法是显着的鲁棒性和准确性相比,以前的最先进的技术。
2020-02-03 cs.CV cs.LG eess.IV
Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans
Harbin Institute of Technology(哈尔滨工业大学);CVTE Research(视源股份研究院);Southern University of Science and Technology(南方科技大学);Guangdong University of Technology(广东工业大学);CVTE(视源股份)
在肺结节的管理中,我们希望根据计算机断层扫描(CT)扫描的直径变化预测结节的演变,然后根据结节生长趋势的预测结果提供随访建议。为了提高肺结节生长趋势预测的性能,比较同一结节在连续CT扫描中的变化是至关重要的。受此启发,我们从国家肺筛查试验(NLST)数据集中筛选出4,666名连续两次以上CT扫描的受试者,以组织称为NLSTt的时间数据集。具体来说,我们首先检测和配对区域的兴趣(ROI)覆盖同一结节的基础上注册的CT扫描。在此基础上,我们通过模型预测结节的纹理类别和直径大小。最后,我们根据每个结节直径的变化来注释其演化类别。基于建立的NLSTt数据集,我们提出了一个连体编码器,同时利用从连续CT扫描检测到的3D ROI的判别特征。然后,我们新颖地设计了一个时空混合器(STM),利用时间间隔的变化,同一个结节在连续的3D ROI和捕获结节区域和当前的3D ROI的空间依赖性。根据临床诊断常规,我们采用分层损失,以更多地关注生长结节。在我们组织的数据集上进行的大量实验证明了我们所提出的方法的优势。我们还在内部数据集上进行实验,通过将其与熟练的临床医生进行比较来评估我们方法的临床实用性。
2022-06-07 cs.CV eess.IV