面向放射科医师级精准深度学习系统的肺部筛查

基于自适应记忆增强递归网络的肺癌筛查

Lung Cancer Screening Using Adaptive Memory-Augmented Recurrent Networks

University of Houston（休斯顿大学）

在本文中，我们研究了深度学习技术在计算机断层扫描中用于肺结节分类的有效性。使用不到10，000个训练样本，我们的深度网络的性能比标准放射学软件高出两倍。网络神经元的可视化揭示了与临床知识和放射科医生的感知一致的语义上有意义的特征。我们的论文还提出了一种新的框架，用于快速调整深度网络以适应放射科医生的反馈，或者由于传感器分辨率或患者人群的变化而导致的数据变化。我们的方法的分类准确率保持在80%以上，而流行的深度网络的准确率是随机的。最后，我们通过要求放射科医生检查重要的网络特征并对网络错误进行盲重标记来深入分析我们的框架。

2018-09-07cs.CVcs.LG

深度神经网络提高放射科医生在乳腺癌筛查中的表现

Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening

我们提出了一个用于乳腺癌筛查检查分类的深度卷积神经网络，在超过200，000次检查（超过1，000，000张图像）上进行了训练和评估。当对筛查人群进行测试时，我们的网络在预测乳腺癌是否存在时达到了0.895的AUC。我们将模型的高准确性归因于两阶段训练过程，这使我们能够使用一个非常高容量的斑块级网络来学习像素级标签，同时使用一个从宏观乳房级标签学习的网络。为了验证我们的模型，我们对14名阅片者进行了一项阅片者研究，每人阅读了720次筛查性乳腺X线检查，发现我们的模型在提供相同数据时与经验丰富的放射科医生一样准确。最后，我们表明，一个混合模型，平均概率预测的恶性肿瘤的放射科医生与我们的神经网络的预测，是更准确的比任何两个单独的。为了更好地理解我们的结果，我们对我们的网络在筛选人群的不同子群体、模型设计、训练过程、错误及其内部表示的属性上的性能进行了彻底的分析。

2019-03-20cs.CVcs.LGstat.ML

用于集成肺部病灶检测和减少假阳性的端到端框架

An End-to-end Framework For Integrated Pulmonary Nodule Detection and False Positive Reduction

University of California, Irvine（加州大学欧文分校）；Deepvoxel Inc.（Deepvoxel公司）

使用低剂量计算机断层扫描（CT）检测肺结节通常是肺部疾病筛查和诊断的第一步。最近，基于深度卷积神经网络的算法在自动结节检测方面表现出了很大的潜力。大多数现有的深度学习结节检测系统都是通过两个步骤构建的：a）结节候选者筛选和b）假阳性减少，使用两个不同的模型分别训练。尽管两步方法被广泛采用，但它不仅对训练两个独立的深度学习模型造成了显着的资源开销，而且由于它防止了两者之间的串扰，因此也是次优的。在这项工作中，我们提出了一个端到端的结节检测框架，将结节候选筛选和假阳性减少集成到一个模型中，联合训练。我们证明了端到端系统的性能比两步方法提高了3.88%，同时将模型复杂度降低了三分之一，推理时间缩短了3.6倍。代码将公开提供。

2019-03-23cs.AIcs.CVcs.LG

基于深度学习的胸部X线肺结核筛查方法

Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest X-rays

结核病（TB）是一种传染性细菌性空气传播疾病，是全球十大死亡原因之一。根据世界卫生组织（WHO）的数据，2018年约有18亿人感染结核病，160万人死亡。更重要的是，95%的病例和死亡病例来自发展中国家。然而，结核病是一种通过早期诊断完全可以治愈的疾病。为实现这一目标，关键要求之一是有效利用现有的诊断技术，其中胸部X光是用于筛查活动性结核病的第一线诊断工具。所呈现的深度学习管道由三种不同的最先进的深度学习架构组成，用于生成、分割和分类肺部X射线。除了图像预处理，图像增强，基于遗传算法的超参数调整和模型集成被用来改善诊断过程。我们能够达到97.1%的分类准确率（约登指数-0.941，97.9%的敏感性和96.2%的特异性），这是一个相当大的进步，与现有的工作在文献中。在我们的工作中，我们提出了一个高度准确的，自动化的结核病筛查系统，使用胸部X光，这将是有帮助的，特别是对低收入国家，难以获得合格的医疗专业人员。

2020-12-25cs.CVcs.LGeess.IV

基于三维连体神经网络的无图像配准肺结节的再识别和生长检测

Re-Identification and Growth Detection of Pulmonary Nodules without Image Registration Using 3D Siamese Neural Networks

Eurecat Centre Tecnològic de Catalunya（加泰罗尼亚埃urecat技术中心）；Universitat Pompeu Fabra（庞培法布拉大学）；Vall d’Hebron University Hospital（瓦尔德希伯伦大学医院）；ICREA（加泰罗尼亚研究与高等研究院）

对于临床放射科医生来说，肺癌随访是一项复杂、易出错且耗时的任务。在不同时间点拍摄的几个肺部CT扫描图像需要单独检查，寻找可能的癌性结节。放射科医生主要关注结节的大小、密度和生长情况，以评估恶性肿瘤的存在。在这项研究中，我们提出了一种新的方法的基础上的三维连体神经网络，重新识别结节在一对CT扫描的同一个病人，而不需要图像配准。该网络被集成到一个两阶段的自动流水线中，以检测、匹配和预测给定成对CT扫描的结节生长。一个独立的测试集的结果报告结节检测灵敏度为94.7%，准确度为88.8%的时间结节匹配，和结节生长检测的灵敏度为92.0%，精确度为88.4%。

2019-12-22cs.CVeess.IV

在随访CT扫描中使用深度卷积网络进行肺结节的检测、生长量化和恶性预测

Detection, growth quantification and malignancy prediction of pulmonary nodules using deep convolutional networks in follow-up CT scans

Eurecat Centre Tecnològic de Catalunya（加泰罗尼亚技术中心）；Universitat Pompeu Fabra（庞培法布拉大学）；Vall d'Hebron University Hospital（瓦尔德希布伦大学医院）；ICREA（加泰罗尼亚高级研究院）

我们解决的问题，支持放射科医生在肺癌的纵向管理。因此，我们提出了一个深度学习管道，由四个阶段组成，通过检测结节中的生长，从结节的检测到癌症的分类完全自动化。此外，管道采用了一种新的结核生长检测方法，该方法依赖于最近的分层概率U-网络，该网络经过调整以报告不确定性估计。此外，还引入了第二种新方法用于肺癌结节分类，将来自预训练结节恶性网络的估计结节恶性概率集成到双流3D-CNN网络中。在纵向队列中对管道进行了评价，并报告了与最新技术水平相当的性能。

2021-03-26cs.CVcs.LGeess.IV

通过深度学习实现肺癌筛查中的自动肺结节管理

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。

2017-05-23cs.CV

使用深度学习在CT肺筛查中进行放射科医生水平的癌症风险评估

Towards radiologist-level cancer risk assessment in CT lung screening using deep learning

Philips Research（飞利浦研究院）；Human Longevity, Inc.（人类长寿公司）；University of Amsterdam（阿姆斯特丹大学）

重要性：肺癌是美国癌症死亡率的主要原因，死亡人数超过乳腺癌、前列腺癌、结肠癌和胰腺癌的总和，最近已经证明，胸部低剂量计算机断层扫描（CT）筛查可以显著降低死亡率。目的：比较深度学习模型与最先进的自动算法和放射科医生的性能，并评估算法在异构数据集中的稳健性。设计、设置和参与者：使用了三个来自不同来源的低剂量CT肺癌筛查数据集，包括国家肺筛查试验（NLST，n=3410），Lahey医院和医疗中心（LHMC，n=3174）数据、Kaggle竞争数据（来自两个阶段，n=1595+505）和芝加哥大学数据（UCM，NLST的子集，由放射科医师注释，n=197）。肺癌恶性程度估计的自动化方法的相关工作在大小和多样性方面使用了显著较少的数据。在第一阶段，我们的框架采用结节检测器;而在第二阶段，我们使用结节周围的图像区域和结节特征作为神经网络的输入，该网络估计整个CT扫描的恶性风险。我们在NLST数据集的一部分上训练了我们的两阶段算法，并在其他数据集上验证了它。结果、结论和相关性：所提出的深度学习模型：（a）在所有三个数据集上都有很好的泛化能力，AUC在86%到94%之间;（b）比广泛接受的PanCan风险模型有更好的性能，AUC得分高出11%;（c）与2017年Kaggle数据科学碗肺癌筛查竞赛的获奖者所代表的最先进水平相比，性能有所提高;（d）在评估病人患癌风险方面，与放射科医生的表现相若。

2019-04-11cs.CV

你错过了吗？结合凝视信息的自动肺结节检测提高了放射科医生的筛查性能

Did you miss it? Automatic lung nodule detection combined with gaze information improves radiologists' screening performance

Faculty of Engineering of University of Porto (FEUP)（波尔图大学工程学院）；Institute for Systems and Computer Engineering, Technology and Science (INESC TEC)（系统与计算机工程、技术与科学研究所）；Faculty of Medicine of University of Porto (FMUP)（波尔图大学医学院）；University of Trás-os-Montes e Alto Douro (UTAD)（山后上杜罗大学）

通过计算机断层扫描对肺癌进行早期诊断可以显著降低与病理相关的发病率和死亡率。然而，肺结节的搜索是一项高复杂度的任务，这影响了筛查方案的成功。虽然计算机辅助检测系统可以用作第二观察者，但它们可能会使放射科医生产生偏见，并引入显著的时间开销。考虑到这一点，本研究评估了在临床实践中使用凝视信息集成自动检测系统的潜力。为此，4名放射科医生被要求从一个公共数据集注释20扫描，同时由眼动仪设备和自动肺结节检测系统的开发。我们的研究结果表明，放射科医生遵循类似的搜索程序，往往有较低的固定时间在地区发现错误发生。专家的总体检测灵敏度为0.67 $\pm$ 0.07，而系统达到0.69。将一个放射科医师的注释与自动系统相结合，显著地将检测性能提高到两个注释器的类似水平。同样地，将放射科医师的发现与仅针对低注视区域的检测算法相结合仍然显著地提高了检测灵敏度，而不增加假阳性的数量。自动系统与凝视信息的组合允许减轻放射科医师的可能错误，而没有通常与自动检测系统相关联的一些问题。

2019-10-09cs.CVeess.IV

迈向基于CT的肺部疾病筛查的临床实践：一种高效且可靠的框架

Towards Clinical Practice in CT-Based Pulmonary Disease Screening: An Efficient and Reliable Framework

Zhejiang University（浙江大学）；Shaoxing Tangtang Technology Co., Ltd.（绍兴唐唐科技有限公司）；The Hong Kong University of Science and Technology（香港科学与技术大学）

本文提出一种高效可靠的框架，通过簇基于采样和模糊性感知不确定性量化方法，在减少计算成本的同时保持诊断性能，实现快速准确的肺部疾病筛查。

2026-03-18cs.CVeess.IV

深度学习系统生成定量CT报告用于诊断肺结核

A Deep Learning System That Generates Quantitative CT Reports for Diagnosing Pulmonary Tuberculosis

Zhejiang University（浙江大学）；China Telecom Co., Ltd.（中国电信股份有限公司）

我们开发了一个基于深度学习模型的系统，用于自动生成肺结核（PTB）病例的定量计算机断层扫描（CT）诊断报告。收集了223例活动性PTB患者的501个CT成像数据集，对2884个肺结核病灶进行标记，并由专业放射科医师手工分类，将肺结核病灶分为三种状态，在PTB CT图像的检查中训练和评估现有的3D卷积神经网络（CNN）模型。在此过程中还使用了迁移学习方法。选取最佳模型对病灶的空间位置进行标注，同时将病灶分为粟粒型、浸润型、干酪型、结核球型和空洞型，然后利用Noisy-Or贝叶斯函数生成总体感染概率，最后输出定量诊断报告。结果表明，从PTB单个病灶区域的角度来看，分别为85.9%和89.2%。从一个PTB病例的角度来看，总体召回率和准确率分别为98.7%和93.7%。肺结核病变类型分类准确率为90.9%，可为临床医生提供有效的决策参考。

2019-10-05cs.CVcs.LGeess.IV

语义-拓扑图推理用于语言引导的肺部筛查

Semantic-Topological Graph Reasoning for Language-Guided Pulmonary Screening

Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University College London（伦敦大学学院）；University of Liverpool（利物浦大学）

本文提出语义-拓扑图推理框架，结合大语言模型与视觉基础模型，解决临床报告语义模糊和低对比度扫描的解歧问题，实现高精度肺部筛查。

2026-04-07cs.AIcs.CV

解释性计算机辅助肺癌诊断：从放射学分析到影像学评价

Interpretative Computer-aided Lung Cancer Diagnosis: from Radiology Analysis to Malignancy Evaluation

College of Physics and Information Engineering, Fuzhou University（福州大学物理与信息工程学院）；Thoracic Department, Fujian Medical University Union Hospital（福建医科大学附属协和医院胸外科）

背景与目的：计算机辅助诊断（CAD）系统提高了诊断效率，减轻了放射科医生的压力。一种用于肺癌诊断的CAD系统包括结节候选检测和结节恶性评估。最近，基于深度学习的肺结节检测已经达到了令人满意的性能，可以用于临床应用。然而，基于深度学习的结节恶性评估依赖于从低剂量CT体积到恶性概率的启发式推断，缺乏临床认知。方法：本文提出了一个联合放射学分析和恶性肿瘤评估网络（R2 MNet），通过放射学特征分析来评估肺结节的恶性程度。提取放射学特征作为通道描述符，以突出对结节恶性评价至关重要的输入体积的特定区域。此外，对于模型解释，我们提出了通道依赖激活映射来可视化特征，并阐明了深度神经网络的决策过程。结果：在LIDC-IDRI数据集上的实验结果表明，该方法在结节放射学分析上的曲线下面积达到96.27%，在结节恶性评价上的AUC达到97.52%。此外，CDAM特征的解释证明结节区域的形状和密度是影响结节恶性推断的两个关键因素，这符合有经验的放射科医师的诊断认知。结论：将放射学分析与结节恶性评价相结合，网络推理过程符合放射科医师的诊断程序，提高了评价结果的可信度。此外，CDAM特征的模型解释揭示了DNN在估计结节恶性概率时关注的区域。

2021-02-22cs.CVcs.LGeess.IV

具有全自动非结节分类的单视图2D CNN用于减少肺部结节检测中的假阳性

Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for False Positive Reduction in Pulmonary Nodule Detection

Korea Advanced Institute of Science and Technology（韩国科学技术院）；Hanbat National University（韩巴国立大学）

背景与目的：在肺结节检测中，第一阶段是候选检测，目的是检测出可疑的肺结节。然而，检测到的候选包括许多假阳性，因此在下一阶段，假阳性减少，这样的假阳性被可靠地减少。请注意，由于1）结节和非结节数量之间的不平衡以及2）非结节的类内多样性，这项任务具有挑战性。尽管使用3D卷积神经网络（CNN）的技术已经显示出有前途的性能，但是它们遭受高计算复杂性，这阻碍了构建深度网络。为了有效地解决这些问题，我们提出了一种新的框架，使用单一视图的2D CNN集成，其性能优于现有的基于3D CNN的方法。研究方法：与以前利用3D CNN的技术相比，我们的2D CNN系综利用单视图2D补丁来提高计算和内存效率。我们首先根据自动编码器编码的特征对非结节进行分类。然后，所有2D CNN都使用相同的结节样本进行训练，但使用不同类型的非结节。通过扩展学习能力，该训练方案解决了从具有较大外观变化的非结节中提取代表性特征的困难。请注意，我们建议基于自动编码器和k均值聚类自动分类非结节，而不是需要放射科医生繁重工作量的手动分类。

2020-03-09cs.CV

用于胸片筛选的深度卷积神经网络结构的系统研究

A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs

Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Apollo Gleneagles Hospital（阿波罗格伦伊格尔斯医院）；Intel Technology India Pvt. Ltd.（英特尔技术印度私人有限公司）

胸片主要用于筛查肺部和心脏/胸部疾病。在初级卫生保健中心进行，它们需要现场报告放射科医生，这在低收入和中等收入国家是一个挑战。这激发了基于机器学习的筛选过程自动化的发展。虽然最近的努力证明了使用深度卷积神经网络（CNN）集成的性能基准，但我们在多个标准CNN架构上的系统搜索识别出了单个候选CNN模型，其分类性能与集成相当。在11：3 FP 32 TensorTFLOPS计算系统上执行的63个实验中，我们发现Xception和ResNet-18架构在识别共存疾病方面表现一致，9种病理的平均AUC为0.87。我们得出结论的模型的可靠性，通过评估其显着性地图使用随机输入抽样解释（RISE）方法和定性验证他们对手动注释本地来源于一个有经验的放射科医生。我们还对公开可用的CheXpert数据集的局限性进行了批判性的说明，主要是由于训练集与测试集的类别分布差异，以及少数类别无法获得足够的样本，这阻碍了由于样本不足而导致的定量报告。

2020-04-24cs.CVcs.LG

应用迁移学习和融合策略早期诊断慢性阻塞性肺疾病

Early Diagnosis of Chronic Obstructive Pulmonary Disease from Chest X-Rays using Transfer Learning and Fusion Strategies

National Tsing Hua University（国立清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Emory University（埃默里大学）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Emory University School of Medicine（埃默里大学医学院）

慢性阻塞性肺疾病（COPD）是世界上最常见的慢性疾病之一，也是全球第三大死亡原因。它经常被诊断不足或直到病程后期才被诊断出来。肺功能测定是诊断COPD的金标准，但很难获得，特别是在资源贫乏的国家。然而，胸部X光检查（CXR）很容易获得，可以作为一种筛查工具，以识别应接受进一步检查的COPD患者。目前，没有研究应用深度学习（DL）算法，使用大型多站点和多模式数据来检测COPD患者并评估人口统计学群体的公平性。我们在研究中使用了三个CXR数据集，CheXpert用于预训练模型，MIMIC-CXR用于开发，Emory-CXR用于验证模型。选择来自COPD早期且未接受机械通气的患者的CXR用于模型训练和验证。我们在MIMIC-CXR和Emory-CXR测试数据集的基础模型上可视化了真阳性病例的Grad-CAM热图。我们进一步提出了两种融合方案，（1）模型级融合，包括使用MIMIC-CXR的装袋和堆叠方法，（2）数据级融合，包括使用MIMIC-CXR和Emory-CXR的多站点数据，以及使用MIMIC-CXR和MIMIC-IV EHR的多模态数据，以提高整体模型性能。公平性分析进行评估，如果融合方案有不同的人口统计群体之间的性能差异。结果表明，DL模型可以使用CXR检测COPD，这可以促进早期筛查，特别是在CXR比肺活量测定更容易获得的低资源地区。多点数据融合方案可以提高模型在Emory-C…

2022-11-13cs.CVcs.LG

评估三维CT肺结节恶性程度评估中的多任务形态学概念学习

Evaluating Multi-Task Morphological Concept Learning for Pulmonary Nodule Malignancy Assessment in 3D CT

本研究评估多任务学习是否提升三维CT肺结节恶性风险评估，对比单任务与多任务模型，发现形态学特征未明显改善性能，强调类别平衡与标注结构的重要性。

2026-10-01cs.CV

用于成对胸部X射线数据增强的对抗性肺部病理学翻译

Adversarial Pulmonary Pathology Translation for Pairwise Chest X-ray Data Augmentation

Monash University（莫纳什大学）；IBM Research（IBM研究院）

最近的工作表明，生成对抗网络（GANs）可以成功地应用于肺部疾病识别的胸部X射线数据增强。然而，不太完美的发生器生成的不可信和扭曲的病理特征可能导致错误的临床决策。为什么不保留原来的病理区域？我们提出了一种新的方法，使我们的生成模型生成高质量的合理的图像，包含不失真的病理领域。其主要思想是设计一种基于图像到图像转换网络的训练方案，以在病理学基础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来生成。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评估生成的合成图像对真实和其他最先进的生成模型的质量，以及（ii）数据增强，以提高疾病定位的性能。

2020-01-22cs.CVeess.IV

性能与一致性：评估基础模型在Lung-RADS筛查中的表现

Performance vs Consistency: Evaluating a Foundation Model in Lung-RADS Screening

Median Technologies；The University of Osaka（大阪大学）；Université de Paris Cité（巴黎西岱大学）；AP-HP（巴黎公立医院集团）；Hôpital Universitaire Necker Enfants Malades（内克尔儿童医院）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Massachusetts General Hospital（马萨诸塞总医院）；Sorbonne Université（索邦大学）

本研究评估基础模型MedGemma在Lung-RADS筛查中的性能，发现微调后AUC达0.83，虽低于放射科医生平均0.90，但模型输出确定性高，可作为临床决策支持的互补工具。

2026-09-22cs.AIcs.CV

可解释的跨疾病推理：基于低剂量计算机断层扫描的心血管风险评估

Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from Low-Dose Computed Tomography

Department of Computer Science, Emory University（埃默里大学计算机科学系）；Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）；Department of Radiation Oncology（放射肿瘤学部）；Winship Cancer Institute, Emory University（埃默里大学Winship癌症研究所）

提出一种可解释的跨疾病推理框架，通过提取肺部发现、基于医学知识进行跨器官机制推理，并结合心脏子体积特征，从低剂量胸部CT中实现心血管风险评估，在NLST队列中AUC达0.919。

2026-05-25cs.AIcs.CVcs.LG

用于肺栓塞诊断的深度学习与传统CAD方案：综述

Deep learning and traditional-based CAD schemes for the pulmonary embolism diagnosis: A survey

Ferdowsi University of Mashhad（马什哈德费尔多西大学）；Rayan Center for Neuroscience and Behavior（拉扬神经科学与行为中心）

本文综述并比较了2002至2023年间23篇基于深度学习和传统CAD的肺栓塞自动诊断研究，从灵敏度、假阳性数和数据集规模等方面评估性能，为医生和研究者提供更全面的参考。

2023-12-03cs.CVeess.IV

具有眼动追踪、稀疏注意模型和深度学习的协作计算机辅助诊断（C-CAD）系统

A Collaborative Computer Aided Diagnosis (C-CAD) System with Eye-Tracking, Sparse Attentional Model, and Deep Learning

University of Central Florida（中佛罗里达大学）；National Institutes of Health（美国国立卫生研究院）

在放射学筛查中存在至少两类错误，其可导致次优诊断决策和干预：（i）人的易错性和（ii）视觉搜索的复杂性。计算机辅助诊断（CAD）工具的开发，以帮助放射科医生，以弥补这些错误中的一些。然而，尽管它们比传统的筛选策略有了显着的改进，但大多数CAD系统并没有超越它们作为第二意见工具的用途，因为它们会产生大量的误报，而人工翻译需要纠正这些误报。与放射学扫描的计算机化分析的努力平行，一些研究人员检查了放射科医生在筛选医学图像时的行为，以更好地了解他们如何以及为什么错过肿瘤，他们如何与图像中的信息相互作用，以及他们如何在图像中搜索未知的病理。眼动追踪工具一直在探索这些基本问题的答案。在本文中，我们的目标是开发一个范式转移的CAD系统，称为协同CAD（C-CAD），统一了上述两个研究线：CAD和眼动追踪。我们设计了一个眼动追踪界面，为放射科医生提供一个真正的放射学阅览室体验。然后，我们提出了一种新的算法，结合眼动追踪数据和CAD系统。具体来说，我们提出了一个新的基于图的聚类和稀疏化算法转换眼动追踪数据（凝视）到一个信号模型来解释凝视模式定量和定性。拟议的C-CAD通过眼动追踪技术与放射科医生合作，并帮助他们改善诊断决策。C-CAD通过处理放射科医生的凝视模式来学习他们的搜索效率。为此，C-CAD在新设计的多任务学习平台中使用深度学习算法，同时分割和诊断癌症。

2018-04-28cs.AIcs.CVcs.LG

Parse and Recall：像放射科医生一样实现准确的肺结节恶性程度预测

Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction like Radiologists

Hupan Lab（湖畔实验室）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；The First Affiliated Hospital of College of Medicine, Zhejiang University（浙江大学医学院附属第一医院）；Guangdong Provincial People’s Hospital（广东省人民医院）

本研究受放射科医生诊断思路启发，提出由上下文解析和原型召回模块组成的肺结节恶性预测方法，构建大规模低剂量与平扫CT结节数据集，在两类筛查场景下均实现先进性能。

2023-07-20cs.CVeess.IV

肺结节诊断从经典方法到深度学习辅助决策支持的演变：三十年发展历程与未来展望

Evolving the pulmonary nodules diagnosis from classical approaches to deep learning aided decision support: three decades development course and future prospect

Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；The First Affiliated Hospital of Guangzhou Medical University（广州医科大学附属第一医院）；State Key Laboratory of Respiratory Disease（呼吸疾病国家重点实验室）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Chinese Academy of Sciences（中国科学院大学）

肺癌是全球癌症死亡的最常见原因，通过早期诊断和筛查可以显著降低其死亡率。自20世纪60年代以来，由于迫切需要准确有效地解释每天产生的大量胸部图像，肺结节的计算机辅助诊断开辟了新的机会，以放松医生的主观性，经验和疲劳的限制。公平获得可靠和负担得起的计算机辅助诊断将消除人口之间发病率和死亡率的不平等。自20世纪80年代以来，已经取得了显著和显著的进展，并且一直在努力应对如何以低假阳性率以高灵敏度准确检测肺结节以及如何精确区分良性和恶性结节的巨大挑战。缺乏对肺结节诊断技术发展的全面审查，肺结节诊断从经典方法发展到机器学习辅助决策支持。本研究的主要目标是对30多年来开发的计算机辅助结节检测和良恶性分类技术进行全面的最新综述，这些技术已经从传统方法的复杂特设分析管道发展到简化的无缝集成深度学习技术。该综述还指出了未来在学习模型、学习算法和增强方案方面的挑战和机遇，以便将当前状态与未来前景联系起来，满足未来的需求。

2020-04-24cs.CVcs.LG

通过血管跟踪对低剂量CT肺动脉进行自动分割

Automated segmentation of the pulmonary arteries in low-dose CT by vessel tracking

Cornell University（康奈尔大学）

我们提出了一个全自动的方法，自上而下的肺动脉树的分割在低剂量胸部CT图像。通过搜索已知气道附近的候选血管来识别肺门附近的主要基底肺动脉，所述已知气道通过我们先前报告的气道分割方法来识别。将模型圆柱体迭代地拟合到血管以将它们跟踪到肺部中。通过测量血管半径的变化率来检测血管分叉，并且通过在分叉点处启动新的跟踪器来分割子血管。验证是使用我们的新稀疏表面（SS）的评价指标。SS度量旨在量化每个血管的分割误差幅度，同时显著降低人类用户的手动标记负担。在7个测试用例中，共手动标记了210条动脉和205条静脉。134/210的动脉被正确分割，动脉的特异性为90%，平均分割误差为0.15 mm。这种全自动分割是一种很有前途的方法，通过将血管与周围的等强度对象分离，可以提高低剂量CT筛查扫描中的肺结节检测。

2011-06-27cs.CV

基于联邦学习的脑MRI筛查工具

Brain MRI Screening Tool with Federated Learning

CERN（欧洲核子研究组织）；Masaryk University（马萨里克大学）；National & Kapodistrian University of Athens（雅典国立与卡波迪斯特里亚大学）；Democritus University of Thrace（德谟克利特色雷斯大学）；University Hospital Brno（布尔诺大学医院）

针对MRI扫描诊断延迟问题，提出一种支持Federated Learning的自动脑MRI筛查工具，能在保护隐私的前提下检测肿瘤样病理并提醒重症病例。

2023-11-23cs.CVcs.LGeess.IV

使用3D深卷积神经网络的自动肺结节检测

Automated pulmonary nodule detection using 3D deep convolutional neural networks

University of California, Irvine（加州大学欧文分校）；University of California, Irvine School of Medicine（加州大学欧文分校医学院）

在计算机断层扫描（CT）图像中早期发现肺结节对于肺癌患者的成功结局至关重要。人们对基于深度卷积神经网络（DCNN）的方法给予了很大的关注，但模型至少部分依赖于固有3D数据的2D或2.5D组件。在本文中，我们介绍了一种新的DCNN方法，包括两个阶段，即完全三维端到端，并利用最先进的目标检测。首先，使用U-Net启发的3D Faster R-CNN识别结节候选者，该3D Faster R-CNN使用在线硬否定挖掘进行训练。其次，通过在候选人筛选期间产生的困难示例上训练的3D DCNN分类器来执行假阳性减少。最后，我们介绍了一种方法，从两个阶段通过共识集成模型，给出最终的预测。通过使用这个框架，我们在阿里巴巴2017年天池医疗AI竞赛第一季的2887支队伍中排名第一。

2019-03-23cs.AIcs.CVcs.LG

人工智能（AI）能否用于从胸部X光片中准确检测结核病（TB）？在高TB负荷环境中评价5种AI产品用于TB筛查和分诊

Can artificial intelligence (AI) be used to accurately detect tuberculosis (TB) from chest X-rays? An evaluation of five AI products for TB screening and triaging in a high TB burden setting

Stop TB Partnership（遏制结核病伙伴关系）；International Centre for Diarrhoeal Disease Research, Bangladesh (icddr,b)（孟加拉国国际腹泻病研究中心）

人工智能（AI）产品可以被训练来识别胸部X光片上与结核病（TB）相关的异常。各种各样的人工智能产品都是商业化的，但缺乏证据表明它们的性能如何相互比较以及与放射科医生的比较。我们使用尚未用于训练任何商业AI产品的大型数据集评估了五种用于筛查和分诊TB的AI软件产品。在孟加拉国达卡的三个结核病筛查中心连续招募了个体（≥ 15岁）。所有CXR均由三名孟加拉国注册放射科医生和五种商业AI产品独立读取：CAD 4 TB（v7），InferReadDR（v2），Lunit INSIGHT CXR（v4.9.0），JF CXR-1（v2）和qXR（v3）。所有五种人工智能产品的表现都明显优于孟加拉国放射科医生。受试者工作特征曲线下面积为qXR：90.81%（95% CI：90.33-91.29%）、CAD 4 TB：90.34%（95% CI：89.81-90.87）、Lunit INSIGHT CXR：88.61%（95% CI：88.03%-89.20%）、InferReadDR：84.90%（95% CI：84.27-85.54%）和JF CXR-1：84.89%（95% CI：84.26-85.53%）。只有qXR符合TPP，特异性为74.3%，灵敏度为90%。5种AI算法可以将Xpert检测所需的数量减少50%，同时保持90%以上的灵敏度。所有人工智能算法在老年人和有结核病史的人中表现…

2021-05-28cs.CVcs.LGeess.IV

对抗性回归训练用于通过胸部X线片可视化慢性阻塞性肺疾病进展

Adversarial regression training for visualizing the progression of chronic obstructive pulmonary disease with chest x-rays

Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所）；Department of Radiology and Imaging Sciences, University of Utah（犹他大学放射学与影像科学系）

了解深度学习方法使用医学图像的哪些空间元素作为证据对于模型的可解释性，可信性和验证非常重要。在回归任务中，模型缺乏这样的技术。我们提出了一种称为生成对抗网络回归可视化（VR-GAN）的方法，用于制定专门针对包含表征疾病严重程度的回归目标值的数据集的对抗训练。我们使用了一个条件生成对抗网络，其中生成器试图通过创建添加到原始图像中的疾病效应图来学习转移回归量的输出。同时，训练回归量以预测修改图像的原始回归值。使用这种技术训练的模型学习提供图像在疾病不同阶段的可视化。我们在与肺功能测试相关的胸部X射线数据集中分析了我们的方法，用于诊断慢性阻塞性肺疾病（COPD）。为了验证，我们计算同一患者在不同时间点的两个配准x射线的差异，并将其与生成的疾病影响图相关联。所提出的方法优于基于分类的技术，并提供逼真的图像，根据放射科医生通常观察到的这种疾病对图像进行修改。实现代码可在https://github.com/ricbl/vrgan上获得。

2019-08-27cs.CVcs.GReess.IV

迈向临床可接受的胸部X光报告生成：CXRMate-2的定性回顾性试点研究

Toward Clinically Acceptable Chest X-ray Report Generation: A Qualitative Retrospective Pilot Study of CXRMate-2

organization= Australian e-Health Research Centre, CSIRO Health；organization= Princess Alexandra Hospital, Metro South Health , city= Brisbane , country= Australia；organization= Queensland Digital Health Centre, University of Queensland , city= Brisbane , country= Australia；Informatics Directorate, Metro South Hospital；organization= School of Electrical Engineering；Computer Science, University of Queensland , city= Brisbane , country= Australia

本文提出CXRMate-2模型，通过结构化多模态条件与强化学习实现胸部X光报告生成，经多数据集验证在性能和临床可接受性上均优于现有方法。

2026-04-21cs.CV

审计Sybil：通过生成干预性归因解释深度肺癌风险预测

Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions

National Lung Screening Trial Research Team（国家肺癌筛查试验研究组）

本文提出S(H)NAP框架，通过专家放射科医生验证的生成干预性归因，揭示Sybil模型在区分恶性肺结节与良性病变时的失效模式，包括对不合理伪影的敏感性和径向偏差。

2026-05-13cs.AIcs.CVcs.LG

DeepSEED：用于肺部病灶检测的三维压缩激励编码解码器卷积神经网络

DeepSEED: 3D Squeeze-and-Excitation Encoder-Decoder Convolutional Neural Networks for Pulmonary Nodule Detection

University of Pennsylvania（宾夕法尼亚大学）；Perelman School of Medicine（佩雷尔曼医学院）

肺结节检测在使用低剂量计算机断层扫描（CT）扫描的肺癌筛查中起着重要作用。由于正样本和负样本的不平衡，构建具有良好泛化性能的结节检测深度学习模型仍然具有挑战性。为了克服这个问题，并进一步改善国家的最先进的结节检测方法，我们开发了一种新的深度3D卷积神经网络与编码器-解码器结构结合区域建议网络。特别地，我们利用动态缩放的交叉熵损失来降低假阳性率并对抗与结节检测相关的样本不平衡问题。我们采用挤压和激励结构来学习有效的图像特征并利用不同特征图的相互依赖信息。我们已经验证了我们的方法的基础上公开可用的CT扫描与手动标记的地面实况从LIDC/IDRI数据集和它的子集LUNA 16与更薄的切片。消融研究和实验结果表明，我们的方法可以优于国家的最先进的结节检测方法的大幅度。

2020-02-06cs.CV

模型效应还是标注效应？用于肺栓塞分割的优化标注及人类参照基准

Unified-protocol voxel-level pulmonary embolism annotations for three public CT angiography datasets

Technical University of Munich (TUM)（慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；The Affiliated Hospital of Xuzhou Medical University（徐州医科大学附属医院）；The Third Affiliated Hospital of Soochow University（苏州大学附属第三医院）；The Affiliated Taizhou People’s Hospital of Nanjing Medical University（南京医科大学附属泰州人民医院）

该研究量化了肺栓塞分割中评估标注与模型训练对性能的影响，发现标注效应至少与模型效应相当，建立了人类参照的nnPE基准模型及公开框架。

2026-09-30cs.CVeess.IV

基于深度学习的乳腺癌筛查交互式解释系统

An Interactive Interpretability System for Breast Cancer Screening with Deep Learning

Vanderbilt University（范德堡大学）；Carnegie Mellon University（卡内基梅隆大学）

深度学习方法，特别是卷积神经网络，已经成为医学图像计算任务中的强大工具。虽然这些复杂的模型提供了出色的性能，但它们的黑盒性质可能会阻碍高风险决策的实际应用。在本文中，我们提出了一个互动系统，利用国家的最先进的可解释性技术，以协助放射科医生与乳腺癌筛查。我们的系统将深度学习模型集成到放射科医生的工作流程中，并提供新颖的交互，以促进对模型决策过程的理解。此外，我们证明了我们的系统可以利用用户交互逐步提供更细粒度的可解释性报告，标签开销很小。由于所采用的可解释性技术的通用性，我们的系统是领域不可知的，可用于许多不同的医学图像计算任务，为我们如何利用视觉分析来转换最初的静态可解释性技术以增强人类决策并促进医学AI的采用提供了一个新的视角。

2022-09-30cs.AIcs.CVcs.HC

使用深度神经网络减少假阳性活检，该网络在筛查乳房X线照片时利用局部和全局信息

Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms

Center for Data Science, New York University（纽约大学数据科学中心）；Department of Radiology, New York University School of Medicine（纽约大学医学院放射科）；Perlmutter Cancer Center, NYU Langone Health（纽约大学朗格尼医学中心珀尔马特癌症中心）；Center for Advanced Imaging Innovation and Research, NYU Langone Health（纽约大学朗格尼医学中心先进成像创新与研究中心）；Department of Computer Science, Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所计算机科学系）

乳腺癌是女性最常见的癌症，全世界有数十万不必要的活检，花费巨大。关键是要降低活检结果为良性组织的比率。在这项研究中，我们构建了深度神经网络（DNN）来将活检病变分类为恶性或良性，目的是使用这些网络作为第二读者，为放射科医生服务，以进一步减少假阳性结果的数量。我们通过将以从整个图像中学习的显着性图形式提供的全局上下文集成到其推理中来增强DNN的性能，这类似于放射科医生在评估感兴趣区域时如何考虑全局上下文。我们的实验是在来自141，473名患者的229，426次筛查乳腺X射线摄影检查的数据集上进行的。我们在由464个良性病变和136个恶性病变组成的测试集上实现了0.8的AUC。

2020-09-19cs.CVcs.LGeess.IV

TextRay：挖掘临床报告以获得对胸部X射线的广泛理解

TextRay: Mining Clinical Reports to Gain a Broad Understanding of Chest X-rays

Zebra Medical Vision LTD；Sheba Medical Center and Tel Aviv University（舍巴医疗中心和特拉维夫大学）；Rabin Medical Center（拉宾医疗中心）；Technion, Israel Institute of Technology（以色列理工学院）；Ben Gurion University（本古里安大学）

胸部X光检查（CXR）是迄今为止最常用的放射学检查，用于筛查和诊断许多心脏和肺部疾病。全世界都缺乏能够对这项研究提供快速准确解释的医生。放射科医生对200多万份CXR报告进行了分析，生成了一个本体，其中包括CXR上40种最常见的病理。通过手动标记一组相对较小的句子，我们能够构建一个959k研究的训练集。训练深度学习模型来预测患者正面和侧面扫描的结果。对于其中的12项研究结果，我们将模型性能与放射科医生团队进行了比较，结果表明，在大多数情况下，放射科医生对算法的平均认同度高于彼此。

2018-06-06cs.CVstat.ML

快速分阶段CNN模型用于准确的肺部疾病和肺癌检测

Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection

University of Limoges（利摩日大学）；University of Gabes（加贝斯大学）；EITA Consulting（EITA咨询公司）

本研究提出一种两阶段CNN模型，利用超过13.5万张胸部X线照片检测肺癌及八种肺部病变，外部验证准确率达77%，AUC为0.888，展现出良好的泛化潜力。

2024-12-16cs.AIcs.CVeess.IV

基于图神经网络的学习决策支持系统在胸部影像诊断中的应用

Learning Decision Ensemble using a Graph Neural Network for Comorbidity Aware Chest Radiograph Screening

Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）；Apollo Gleneagles Hospital（阿波罗格伦伊格尔斯医院）；Intel Technology India Pvt. Ltd.（英特尔技术印度私人有限公司）

胸片主要用于筛查心脏、胸部和肺部疾病。正在开发基于机器学习的自动化解决方案，以减轻放射科医生的常规筛查负担，使他们能够专注于关键病例。虽然最近的努力证明了深度卷积神经网络（CNN）的集成的使用，但它们没有考虑疾病合并症，从而降低了它们的筛选性能。为了解决这个问题，我们提出了一个基于图神经网络（GNN）的解决方案，以获得集成预测模型之间的依赖性不同的疾病。所提出的方法的综合评价表明其潜力，通过提高性能超过标准集成技术在广泛的集成建设。使用DenseNet121的GNN集合实现了最佳性能，在13种疾病合并症中的平均AUC为0.821。

2020-04-24cs.CVcs.LGeess.IV

TB-Net：一种用于从胸部X射线图像中检测结核病例的定制自关注深度卷积神经网络设计

TB-Net: A Tailored, Self-Attention Deep Convolutional Neural Network Design for Detection of Tuberculosis Cases from Chest X-ray Images

University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；DarwinAI Corp.（DarwinAI公司）；Niagara Health（尼亚加拉健康中心）；McMaster University（麦克马斯特大学）；Thunder Bay Regional Health Sciences Centre（桑德贝地区健康科学中心）；Northern Ontario School of Medicine（北安大略医学院）

结核病（TB）仍然是一个全球性的健康问题，并且是传染病导致死亡的主要原因。结核病治疗的关键步骤是筛查高危人群和早期发现疾病，胸部X射线（CXR）成像是最广泛使用的成像方式。因此，最近人们对基于人工智能的结核病筛查解决方案产生了极大的兴趣，这些解决方案用于资源有限的场景，在这些场景中缺乏训练有素的具有CXR解释专业知识的医疗保健工作者。出于这一迫切需求以及世界卫生组织（WHO）最近建议使用计算机辅助诊断结核病的动机，我们引入了TB-Net，这是一种专为结核病病例筛查而设计的自注意深度卷积神经网络。更具体地说，我们利用机器驱动的设计探索来构建一个高度定制的深度神经网络架构，并使用注意力冷凝器。我们进行了一个可解释性驱动的性能验证过程，以验证TB-Net的决策行为。对来自多国患者队列的CXR数据的实验表明，所提出的TB-Net能够实现99.86%/100.0%/99.71%的准确性/灵敏度/特异性。由两名分别拥有10年和19年以上经验的经委员会认证的放射科医生对选定病例进行放射科医生验证，结果显示放射科医生的解释与TB-Net用于TB病例检测的关键因素之间具有一致性，其中放射科医生识别出异常。虽然不是一个生产就绪的解决方案，但我们希望作为COVID-Net计划的一部分，TB-Net的开源版本将支持研究人员，临床医生和公民数据科学家在应对这场全球公共卫生危机的斗争中推进这一领域。

2021-04-14cs.CVcs.LGeess.IV

MAMMO：促进乳腺癌诊断中放射科医师与机器协作的深度学习解决方案

MAMMO: A Deep Learning Solution for Facilitating Radiologist-Machine Collaboration in Breast Cancer Diagnosis

University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Cambridge（剑桥大学）

随着人口老龄化和不断增长，需要筛查或症状性乳房X光检查的妇女人数正在增加。为了减少需要由放射科医生阅读的乳房X线照片的数量，同时保持诊断准确性与当前的临床实践相同或更好，我们开发了人机乳房X线检查Oracle（MAMMO）-一种临床决策支持系统，能够将乳房X线照片分类为可以由机器自信地分类的乳房X线照片和不能由机器自信地分类的乳房X线照片，因此需要放射科医生阅读。MAMMO的第一个组成部分是一个新的多视图卷积神经网络（CNN）与多任务学习（MTL）。MTL使CNN能够学习已知与癌症相关的放射学评估，例如乳腺密度、显著性、可疑性等，除了学习癌症诊断的主要任务之外。我们证明了MTL有两个优点：1）学习与癌症相关的精细特征表示提高了诊断任务的分类性能，2）发布放射学评估提供了一个额外的模型可解释性层，放射科医生可以使用它来调试和仔细检查CNN提供的诊断。MAMMO的第二组件是分类网络，其将第一网络的MTL输出的放射学评估和诊断预测作为输入，并确定哪些乳房X线照片可以由CNN正确和自信地诊断，哪些乳房X线照片不能，因此需要由放射科医师阅读。在8，162名患者的私人数据集上获得的结果显示，与单独由放射科医生完成的读数相比，MAMMO将放射科医生的读数数量减少了42.8%，同时提高了整体诊断准确性。我们分析了由MAMMO决定的患者分类，以更好地了解哪些独特的乳房X线摄影特征需要放射科医生的专业…

2018-10-30cs.CVcs.LGstat.ML

MammoDG：可泛化深度学习打破跨域多中心乳腺癌筛查的局限

MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening

University of Cambridge（剑桥大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong Polytechnic University（香港理工大学）；Barts Health NHS Trust（巴茨健康国民保健服务信托）；The Royal London Hospital（皇家伦敦医院）

提出新型深度学习框架MammoDG，利用多视角乳腺X光片与对比机制增强跨域多中心乳腺癌筛查的泛化能力与可靠性，广泛验证证明其优于现有方法。

2023-08-02cs.CV

一种用于减少筛查乳腺X射线摄影中假阳性的深度学习算法

A deep learning algorithm for reducing false positives in screening mammography

ONsite Women’s Health（ONsite女性健康）；SSM Health（SSM健康）；Mallinckrodt Institute of Radiology, Washington University in St. Louis（圣路易斯华盛顿大学马林克罗特放射学研究所）

筛查性乳房X光检查通过早期发现和治疗来改善乳腺癌的预后。然而，筛选检查的额外成像的假阳性回调会导致不必要的程序、患者焦虑和经济负担。这项工作展示了一种人工智能算法，通过识别不可疑的乳腺癌乳房X线照片来减少误报。我们使用123，248张2D数字乳腺X线照片（6，161种癌症）训练算法以确定是否存在癌症，并对来自15个美国和3个英国站点的14，831次筛查检查（1，026种癌症）进行了回顾性研究。对美国最大临床试验机构的算法进行回顾性评价（11，592张乳房X光照片，101种癌症）a）癌症检出率未受影响（p=0.02，非劣效性界值为0.25例癌症/1000次检查），b）与标准临床读数相比，诊断检查的回调减少了31.1%，c）良性穿刺活检减少了7.4%，以及d）在模拟临床工作流程中，需要放射科医师解释的筛查检查减少了41.6%。这项工作为半自主乳腺癌筛查系统奠定了基础，该系统可以通过减少假阳性，不必要的程序，患者焦虑和费用来使患者和医疗保健系统受益。

2022-04-13cs.CVcs.LG

DeepFAN，一种基于transformer的深度学习模型，用于人类-人工智能协作评估CT扫描中的偶发性肺结节：多读者、多病例试验

DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial

Department of Radiology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院北京协和医院放射科，疑难重症及罕见病国家重点实验室）；Theranostics and Translational Research Center, National Infrastructures for Translational Medicine, Institute of Clinical Medicine, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院北京协和医院临床医学研究所，国家转化医学基础设施，诊疗与转化研究中心，疑难重症及罕见病国家重点实验室）；Artificial Intelligence Lab, Deepwise Healthcare（深睿医疗人工智能实验室）；Department of Epidemiology and Health Statistics, Institute of Basic Medicine Sciences, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院基础医学研究所流行病学与卫生统计学系）；Department of Biostatistics, Peking University First Hospital（北京大学第一医院生物统计室）；Department of Radiology, Huangshi Central Hospital, Affiliated Hospital of Hubei Polytechnic University（湖北理工学院附属医院黄石市中心医院放射科）；Department of Radiology, Wuhan Third Hospital, Tongren Hospital of Wuhan University（武汉大学同仁医院武汉市第三医院放射科）；+4 Medical Doctor Program, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院北京协和医学院4+4医学博士项目）；Department of Medicine Imaging, School of Clinical Medicine, Southwest Medical University（西南医科大学临床医学院医学影像系）；School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）

本文提出DeepFAN模型，通过多读者多病例试验验证其在辅助初级放射科医生评估肺结节方面的有效性，提升了诊断准确率和一致性。

2026-03-26cs.AIcs.CV

多任务学习V-Net在CT肺叶分割中的应用

Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs

Imperial College London（伦敦帝国理工学院）；Imperial College NHS Trust（帝国理工学院国民医疗服务信托）

自动肺叶分割允许对肺部疾病进行区域评估，对于诊断和治疗计划非常重要。先进的统计工作流程允许这样的评价是一个必要的领域内的呼吸医学;他们的采用仍然缓慢，工作流程的准确性差。肺内区域通常在CT图像上产生高密度区，限制了算法的执行，以指定由于倾斜或缺乏裂缝而受损的肺叶。这种影响促使开发一种改进的机器学习方法来分割肺叶，该方法利用气管支气管树信息，通过算法的空间熟悉度来提高分割准确性，从而更准确地定义肺叶范围。该方法通过采用多任务学习（MTL）结合V-Net-attention（成像领域中流行的卷积神经网络）来同时进行肺叶和辅助组织的并行分割。为了与模型更好的泛化能力保持一致，在患有四种不同疾病的患者的外部数据集中保持了高性能：严重肺癌，COVID-19肺炎，肺萎陷和慢性阻塞性肺病（COPD），即使训练数据不包括这些病例。我们的外部验证测试的益处是特别相关的，因为我们的选择包括那些诊断为肺部疾病伴相关放射学异常的患者。为了确保在主要任务中对所有分割给予相同的排名，我们报告了基于每个分割的以下性能（Dice评分）：正常肺0.97、COPD 0.94、肺癌0.94、COVID-19肺炎0.94和肺萎陷0.92，均为p<0.05。即使在CT图像上分割出变形较大的肺叶，该模型也能保持较高的精度。该方法可以很容易地在临床环境中作为一个强大的工具，放射科医生。

2021-05-11cs.CVeess.IV

一种用于实性肺结节容积计算的机器学习方法

A Machine Learning Approach to Volumetric Computations of Solid Pulmonary Nodules

Shanghai World Foreign Language Academy（上海世界外语学院）；Shanghai Jiao Tong University（上海交通大学）

针对实性肺结节体积评估，本文提出结合多尺度3D CNN与亚型特异性偏差校正的框架，在364例数据上将误差降至8.0%并提速至三倍。

2025-08-26cs.CVeess.IV

利用深度迁移学习识别无病胸部X射线图像

Identifying disease-free chest X-ray images with deep transfer learning

IBM Research – Almaden Research Center（IBM研究院阿尔马登研究中心）

胸部X射线（CXR）是最常用的医学图像模式之一。它们主要用于筛查，疾病的迹象通常会导致随后的测试。由于这主要是一种用于排除胸部异常的筛查测试，因此提出请求的临床医生通常对CXR是否正常感兴趣。一种能够从所有请求的CXR中准确筛选出即使是一小部分“真正正常”检查的机器学习算法将非常有利于减少放射科医生的工作量。在这项工作中，我们报告了一个经过训练的深度神经网络，用于对CXR进行分类，其目标是识别大量正常（无疾病）图像，而不会有患者出院的风险。我们使用ImageNet预训练的Inception-ResNet-v2模型来提供图像特征，这些特征进一步用于训练由放射科专家标记的CXR模型。分类的概率阈值针对正常类的100%精度进行了优化，确保没有生病的患者被释放。在这个阈值下，我们报告的平均召回率为50%。这意味着所提出的解决方案有可能将放射科医生检查的无病CXR数量减少一半，而不会有病人出院的风险。

2019-04-02cs.CV

使用具有面向细节的胶囊网络的CT扫描的放射科医师级COVID-19检测

Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks

University of Houston（休斯顿大学）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）

放射影像为快速筛查和监测2019冠状病毒病（COVID-19）患者提供了另一种方法。这种方法受到放射学专家短缺的限制，他们可以及时解释这些图像。基于这一挑战，我们的论文提出了一种新的学习架构，称为面向细节的胶囊网络（DECAPS），用于从计算机断层扫描（CT）扫描中自动诊断COVID-19。我们的网络结合了Capsule Networks的优势和几项旨在提高分类准确性的架构改进。首先，DECAPS使用反向动态路由机制，通过防止来自非描述性区域的信息通过来增加模型稳定性。其次，DECAPS采用了一个躲猫猫训练程序，该程序使用两阶段补丁裁剪和丢弃策略来鼓励网络为每个目标概念生成激活图。然后，网络使用激活图来关注感兴趣的区域，并结合数据的粗粒度和细粒度表示。最后，我们使用一种基于条件生成对抗网络的数据增强方法来处理数据稀缺问题。我们的模型实现了84.3%的准确率，91.5%的召回率和96.1%的ROC曲线下面积，显著优于最先进的方法。我们比较了DECAPS模型的性能与三个经验丰富，训练有素的胸部放射科医生，并表明该架构显着优于他们。虽然需要对更大数据集进行进一步研究以证实这一发现，但我们的结果表明，DECAPS等架构可用于协助放射科医生进行CT扫描介导的COVID-19诊断。

2020-04-16cs.CVcs.LGeess.IV

一种可解释的深层语义卷积神经网络用于肺部病变分类

An Interpretable Deep Hierarchical Semantic Convolutional Neural Network for Lung Nodule Malignancy Classification

University of California, Los Angeles（加利福尼亚大学洛杉矶分校）

虽然深度学习方法越来越多地应用于计算机辅助诊断等任务，但这些模型难以解释，不包含先前的领域知识，并且通常被认为是“黑盒”。“缺乏模型可解释性阻碍了目标用户（如放射科医生）对它们的充分理解。在本文中，我们提出了一种新的可解释的深层语义卷积神经网络（HSCNN），以预测是否一个给定的肺结节上观察到的计算机断层扫描（CT）扫描是恶性的。我们的网络提供了两个级别的输出：1）低级别的放射科医生语义特征，以及2）高级别的恶性肿瘤预测评分。低级语义输出量化了放射科医生使用的诊断特征，并用于解释模型如何以专家驱动的方式解释图像。来自这些低级任务的信息，以及卷积层学习的表示，然后被组合并用于推断预测结节恶性的高级任务。通过优化包括低级和高级任务的全局损失函数来训练该统一架构，从而学习联合框架内的所有参数。我们使用肺部图像数据库联盟（LIDC）的实验结果表明，所提出的方法不仅产生可解释的肺癌预测，但也取得了显着更好的结果相比，常见的3D CNN方法。

2018-06-02cs.AIcs.CV

BeyondCT：一种基于胸部CT扫描预测肺功能的深度学习模型

BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans

University of Pittsburgh（匹兹堡大学）

本文提出融合3D CNN与ViT的BeyondCT模型，并纳入人口统计学信息，从非对比吸气相胸部CT预测FVC和FEV1，在两个队列中验证且性能优于单纯3D CNN。

2024-08-10cs.CVcs.LGeess.IV

DeepVox 和 SAVE-CT：一种使用计算机断层扫描的独立于对比剂和剂量的 3D 深度学习方法，用于胸主动脉分割和动脉瘤预测

DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans

Albert Einstein Israeli Institute of Education and Research（阿尔伯特·爱因斯坦以色列教育与研究学院）；Health Innovation Techcenter（健康创新技术中心）；Department of Radiology（放射科）；Department of Vascular and Endovascular Surgery（血管与血管外科）

本研究提出 DeepVox 分割模型和 SAVE-CT 分类模型，在独立于对比剂和剂量的 3D CT 扫描上实现全自动胸主动脉瘤筛查，分割和分类测试集表现优异，有望降低死亡率并优化放射科评估队列。

2023-10-23cs.CVcs.LGeess.IV

生成式AI：基于Pix2pix-GAN的机器学习方法用于稳健且高效的肺部分割

Generative AI: A Pix2pix-GAN-Based Machine Learning Approach for Robust and Efficient Lung Segmentation

本研究提出基于Pix2pix-GAN的深度学习框架，利用U-Net生成器和判别器从胸部X光图像中自动分割肺部异常，在Montgomery和Shenzhen数据集上验证了其有效性和稳健性。

2024-12-14cs.AIcs.CVeess.IV

分层稀疏查询Transformer辅助早期肝细胞癌超声筛查的回顾性系统研究

A Retrospective Systematic Study on Hierarchical Sparse Query Transformer-assisted Ultrasound Screening for Early Hepatocellular Carcinoma

Northwestern Polytechnical University（西北工业大学）；The First Affiliated Hospital of Sun Yat-Sen University（中山大学附属第一医院）；The Seventh Affiliated Hospital of Sun Yat-Sen University（中山大学附属第七医院）；The First Affiliated Hospital of Guangxi Medical University（广西医科大学附属第一医院）；Xi’an Jiaotong University（西安交通大学）

针对超声筛查早期肝细胞癌灵敏度依赖医生经验的问题，提出融合CNN与Vision Transformer、结合MoE框架的HSQformer模型，在多临床场景中性能优异，可助力规范筛查并提升早期诊断率。

2025-03-20cs.AIcs.CV

用于 Covid-19 CXR 筛查的 AI 辅助诊断：从数据收集到临床验证

AI-Assisted Diagnosis for Covid-19 CXR Screening: From Data Collection to Clinical Validation

University of Turin（都灵大学）；Télécom Paris（巴黎电信学院）；IP Paris（巴黎理工学院）；Azienda Sanitaria Locale TO3（TO3地方卫生局）

本文介绍意大利 Co.R.S.A. 项目，构建基于 CXR 的 Covid-19 肺炎 AI 诊断流程，发布 CORDA 数据集，并通过放射科医生实际使用验证其准确率与时间效率。

2024-05-19cs.AIcs.CVeess.IV

自动水平集方法在乳腺钙化点检测中的应用

Automatic Application Level Set Approach in Detection Calcifications in Mammographic Image

National School of Medicine of Sfax（斯法克斯医学院）；CES-Computer, Electronic And Smart engineering systems design Laboratory（计算机、电子与智能工程系统设计实验室）；National School of Engineers of Sfax（斯法克斯工程师学院）

乳腺癌被认为是一个主要的健康问题，是世界上妇女死亡的最大原因。因此，在这十年中，乳腺癌是第二种最常见的癌症，就出现频率而言，也是第五种最常见的癌症相关死亡原因。为了减少放射科医师的工作量，已经提出了各种CAD系统;计算机辅助诊断（CADi）和计算机辅助检测（CADe）。在本文中，我们感兴趣的CADe工具，以帮助放射科医生检测癌症。建议的CADe是基于一个三步的工作流程，即检测，分析和分类。研究了基于边缘和区域准则的水平集方法的感兴趣区域自动检测问题。这种方法从放射科医生那里得到了良好的视觉信息。在此基础上，采用基于纹理特征的图像特征提取和基于多层感知（MLP）和k-近邻（KNN）的图像矢量分类方法，对图像进行了ACR（American College of Radiology）分类。此外，我们使用数字数据库筛选乳腺X射线摄影（DDSM）的实验和这些结果的准确性在60%和70%之间变化是可以接受的，必须加以改进，以帮助放射科医生。

2011-09-01cs.CV