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
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
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
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
Synthetic Lung Nodule 3D Image Generation Using Autoencoders
Colorado State University（科罗拉多州立大学）
将机器学习技术与医疗数据一起使用的挑战之一是经常缺乏用于训练的源图像数据。一个代表性的例子是自动肺癌诊断，其中结节图像需要被分类为可疑或良性。在这项工作中，我们提出了一个自动合成肺结节图像生成器。我们的3D形状生成器旨在增加3D图像的多样性。我们提出的系统扎根于自动编码器技术，我们提供了广泛的实验表征，证明了它的能力，以产生高质量的合成图像。
2019-09-09 cs.CV cs.LG stat.ML
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
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
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
Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning
RNS Institute of Technology（RNS理工学院）；Visvesvaraya Technological University（维夫斯瓦拉亚技术大学）
本文提出将SAM与迁移学习结合，利用边界框提示和视觉Transformer实现肺结节高精度分割与分类，在CT数据上取得DSC 97.08%、IoU 95.6%和分类准确率96.71%，验证了其在肺癌早期检测中的有效性。
2024-12-31 cs.CV cs.LG eess.IV
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
Extracting and Leveraging Nodule Features with Lung Inpainting for Local Feature Augmentation
Siemens Healthineers（西门子医疗）；Friedrich-Alexander-Universität Erlangen（埃尔朗根-纽伦堡大学）
胸部X线（CXR）是最常见的检查，用于快速检测肺部异常。最近，已经开发了自动算法来对CXR扫描中的多种疾病和异常进行分类。然而，由于包含结节的扫描的有限可用性以及CXR中结节的微妙性质，最先进的方法在结节分类上表现不佳。为了创建用于训练过程的附加数据，应用标准增强技术。然而，这些方法引入的方差是有限的，因为图像通常是全局修改的。在本文中，我们提出了一种局部特征增强的方法，通过使用生成修复网络提取局部结节特征。该网络被应用于生成逼真的，健康的组织和结构的补丁包含结节。在修复后的表示中，结节被完全移除。结节特征的提取是通过从结节块中减去修补块来处理的。通过在不同的CXR扫描中对肺区域中提取的结节进行任意位移以及在训练期间进行进一步的局部修改，我们显着提高了结节分类性能，并优于最先进的增强方法。
2020-08-05 cs.CV cs.LG eess.IV
Primary Tumor Origin Classification of Lung Nodules in Spectral CT using Transfer Learning
University of Oxford（牛津大学）；Eindhoven University of Technology（埃因霍温理工大学）；Utrecht Medical Center（乌得勒支医学中心）
肺癌的早期发现已被证明可以显着降低死亡率。计算机断层扫描（CT）的最新发展，光谱CT，可以潜在地提高诊断准确性，因为它产生更多的信息，每次扫描比常规CT。然而，分析大量扫描所涉及的剪切工作量推动了对自动诊断方法的需求。因此，我们提出了一个检测和分类系统的肺结节在CT扫描。此外，我们想观察光谱图像是否可以提高分类器的性能。为了检测结节，我们训练了一个类似VGG的3D卷积神经网络（CNN）。为了获得我们的数据集的主要肿瘤分类器，我们预先训练了一个3D CNN，该3D CNN具有与大型公开数据集LIDC-IDRI数据集的结节恶性肿瘤相似的架构。随后，我们使用这个预先训练的网络作为我们数据集中结节的特征提取器。使用支持向量机（SVM）将得到的特征向量分为两类（良性/恶性）和三类（良性/原发性肺癌/转移）。该分类在结节和扫描水平上进行。我们在LIDC-IDRI数据库上获得了检测和恶性肿瘤回归的最新性能。在我们自己的数据集上，扫描的分类性能高于结节级预测。对于三级扫描级分类，我们获得了78%的准确率。光谱特征确实提高了分类器的性能，但并不显着。我们的工作表明，预先训练的特征提取器可以用作肺结节的主要肿瘤来源分类器，无需对新网络和大型数据集进行精心微调。代码可在\url{https://github.com/tueimage/lung-nodule-msc-2018}上获得。
2020-06-30 cs.CV cs.LG eess.IV
AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach?
CaritasKlinikum Saarbruecken（萨尔布吕肯明爱医院）；Oxipit（Oxipit公司）；Vilnius University（维尔纽斯大学）
目的：比较人工智能（AI）作为第二阅片人在胸部X光片（CXR）上检测肺结节与两个两国机构的放射科医生，并评价使用两种不同模式时的AI性能：自动与辅助（额外的远程放射科医生审查）。研究方法：分析了日本放射技术学会的CXR公共数据库（n = 247）中各种类型和大小的肺结节。8名放射科医生评价了CXR图像中肺结节的存在和结节的明显性。在放射科医生审查后，AI软件处理并标记了具有最高漏诊概率的CXR。计算的准确性指标为曲线下面积（AUC）、灵敏度、特异性、F1评分、假阴性病例数（FN）以及不同AI模式（自动/辅助）对结节检测准确性的影响。结果如下：对于放射科医生，平均AUC值为0.77 $\pm$ 0.07，而平均FN为52.63 $\pm$ 17.53（所有研究）和32 $\pm$ 11.59（包含恶性病因结节的研究= 32%的恶性结节漏诊率）。两种人工智能模式-自动和辅助-产生了灵敏度（14%和12%）和F1评分（5%和6%）的平均增加和特异性（分别为10%和3%）的下降。结论：在大量病例中，两种AI模式都标记了放射科医生遗漏的肺结节。人工智能作为第二阅读器具有提高诊断准确性和放射学工作流程的巨大潜力。AI可能比放射科医生更早发现某些肺结节，对患者的预后有潜在的重大影响。
2022-06-22 cs.CV cs.LG eess.IV
How to Fool Radiologists with Generative Adversarial Networks? A Visual Turing Test for Lung Cancer Diagnosis
University of Central Florida（中佛罗里达大学）；Florida Hospital（佛罗里达医院）
区分肺结节是恶性还是良性仍然是一个潜在的挑战。为了应对这一挑战，放射科医生需要计算机辅助诊断（CAD）系统，其可以帮助学习对应于恶性和良性结节的区别性成像特征。然而，学习高度区分的成像特征是一个开放的问题。在本文中，我们的目标是通过使用对抗学习方法来学习与肺结节有关的最具鉴别力的特征。具体来说，我们建议使用深度卷积-生成对抗网络（DC-GAN）的无监督学习来真实地生成肺结节样本。我们假设肺结节的影像学特征将是有区别的，如果它是很难区分他们（假）从真正的（真）结节。为了验证这一假设，我们提出了视觉图灵测试，以两个放射科医生，以评估所产生的（假）结节的质量。在辨别真实的、生成的、良性的和恶性的结节方面进行了广泛的比较。该实验设置使我们能够验证生成的结节的整体质量，然后可以用于（1）通过挖掘高度区分的成像特征来改善诊断决策，（2）出于教育目的训练放射科医生，以及（3）生成逼真的样本以使用大数据训练深度网络。
2018-01-09 cs.AI cs.CV cs.LG
No Surprises: Training Robust Lung Nodule Detection for Low-Dose CT Scans by Augmenting with Adversarial Attacks
Siemens Healthineers（西门子医疗）
在早期阶段检测恶性肺结节可以允许医疗干预，这可能会增加肺癌患者的存活率。使用计算机视觉技术检测结节可以提高肺癌筛查胸部CT的灵敏度和解释速度。许多研究使用CNN来检测结节候选者。尽管已经显示出这样的方法在检测精度方面优于传统的基于图像处理的方法，但也已知CNN限于对训练集中的代表性不足的样本进行概括，并且易于受到不可感知的噪声扰动。这种局限性无法通过扩大数据集或模型来轻松解决。在这项工作中，我们建议将对抗性合成结节和对抗性攻击样本添加到训练数据中，以提高肺结节检测系统的泛化能力和鲁棒性。为了从可微结节合成器生成结节的硬示例，我们使用投影梯度下降（PGD）来搜索有界邻域内的潜在代码，该潜在代码将生成结节以降低检测器响应。为了使网络对意外的噪声扰动更加鲁棒，我们使用PGD来搜索可能触发网络产生过度自信错误的噪声模式。通过对两个不同的基准数据集进行评估，其中包含来自三位放射科医生的共识注释，我们表明所提出的技术可以提高对真实CT数据的检测性能。为了理解传统网络和所提出的增强网络的局限性，我们还通过馈送不同类型的人工生成的补丁来对假阳性减少网络进行压力测试。我们表明，增强的网络是更强大的代表性不足的结节，以及抗噪声扰动。
2020-10-28 cs.CV cs.LG eess.IV
ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification
Monash University Malaysia（马来西亚莫纳什大学）；The University of Oklahoma（俄克拉荷马大学）
在筛查计算机断层扫描（CT）扫描中进行肺癌分类是早期发现这种疾病的最关键任务之一。如果我们能够准确地对恶性/癌性肺结节进行分类，许多生命可以得到挽救。因此，最近提出了几种基于深度学习的模型来将肺结节分类为恶性或良性。然而，结核的大小变化很大，外观不均匀，使这项任务极具挑战性。我们提出了一种新的渐进增长通道注意非局部（ProCAN）网络用于肺结节分类。所提出的方法从三个不同的方面解决了这一挑战。首先，我们通过添加通道注意力功能来丰富非本地网络。其次，我们应用课程学习原则，即我们首先在简单的例子上训练我们的模型，然后再在困难的例子上训练。第三，随着课程学习过程中分类任务的难度增加，我们的模型逐渐成长，以提高其处理手头任务的能力。我们在两个不同的公共数据集上检查了我们提出的方法，并将其性能与文献中最先进的方法进行了比较。结果表明，ProCAN模型优于最先进的方法，在LIDC-IDRI数据集上实现了98.05%的AUC和95.28%的准确度。此外，我们进行了广泛的消融研究，以分析我们提出的方法的每个新组件的贡献和影响。
2021-09-17 cs.CV cs.LG eess.IV
Lung Segmentation and Nodule Detection in Computed Tomography Scan using a Convolutional Neural Network Trained Adversarially using Turing Test Loss
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Intel Technology India Pvt. Ltd.（英特尔技术印度私人有限公司）
肺癌是世界范围内最常见的癌症，死亡率很高。通过低剂量计算机断层扫描（CT）筛查早期发现肺结节对于其有效的临床管理至关重要。在患者的CT扫描中，具有恶性肿瘤症状的结节约占体积的0.0125 - 0.025%。手动筛选所有切片是一项繁琐的任务，并且存在人为错误的高风险。为了解决这个问题，我们提出了一个计算效率高的两阶段框架。在第一阶段中，使用图灵测试损失进行逆向训练的卷积神经网络（CNN）分割肺部区域。在第二阶段中，从分割区域采样的块然后被分类以检测结节的存在。所提出的方法在LUNA 16挑战数据集上进行了实验验证，骰子系数为$0.984\pm0.0007$，进行10倍交叉验证。
2020-06-16 cs.CV cs.LG eess.IV
Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis
University of Copenhagen（哥本哈根大学）；Rigshospitalet, Copenhagen University Hospital（哥本哈根大学医院 Rigshospitalet）；Hong Kong Baptist University（香港浸会大学）
基于语义的自解释方法根据人类可理解的特征解释其分类。在医学成像领域，这种临床知识的语义匹配大大增加了AI的可信度。然而，附加要素注释的成本仍然是一个紧迫的问题。我们通过提出cRedAnno来解决这个问题，cRedAnno是一种用于肺结节诊断的数据/注释高效的自我解释方法。cRedAnno通过引入自监督对比学习来减轻从注释中学习大多数参数的负担，用两阶段训练取代端到端训练，从而大大减少了注释需求。当使用数百个结节样本和仅1%的注释进行训练时，cRedAnno在预测恶性肿瘤方面达到了具有竞争力的准确性，同时在预测结节属性方面大大超过了大多数以前的工作。学习空间的可视化进一步表明恶性肿瘤的聚类和结节属性之间的相关性与临床知识一致。我们的完整代码是开源的：https://github.com/diku-dk/credanno。
2022-07-25 cs.CV cs.LG eess.IV
An Efficient Approach to Detecting Lung Nodules Using Swin Transformer
University of Science and Culture（科技文化大学）
针对肺结节检测效率不足的问题，提出基于2D CT切片与tiny版Swin Transformer结合Feature Pyramid Network和Transfer Learning的高效检测方法，实现94.7% mAP和94.9% mAR，在小结节检测上超越现有方法。
2025-03-03 cs.AI cs.CV cs.LG
End-to-end lung nodule detection framework with model-based feature projection block
Intellogic Limited Liability Company（Intellogic有限责任公司）
本文提出了一种新的端到端框架，用于检测胸部CT扫描中的可疑肺结节。该方法的核心思想是一种新的结节分割架构，具有基于模型的三维卷积特征投影块。该块充当二维U-Net类卷积网络的初步特征提取器。使用所提出的方法连同轴向、冠状和矢状投影分析使得可以放弃广泛使用的假阳性减少步骤。该方法在LUNA 2016上实现了SOTA，平均灵敏度为0.959，如果每次扫描的假阳性水平为0.25，则灵敏度为0.936。本文描述了所提出的方法，并代表了LUNA 2016上的实验结果以及消融研究。
2021-06-10 cs.CV cs.LG eess.IV
Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules
Shanghai Jiao Tong University（上海交通大学）；Shanghai Institute for Advanced Communication and Data Science（上海先进通信与数据科学研究院）；AI Institute Shanghai Jiao Tong University（上海交通大学人工智能研究院）；Shanghai Chest Hospital（上海市胸科医院）；Shanghai General Hospital（上海市第一人民医院）
随访在肺癌肺结节的管理中起着重要作用。影像学诊断指南已与专家共识，以帮助放射科医生作出临床决策，为每一个病人。然而，肿瘤生长是一个复杂的过程，很难根据形态学特征将高风险结节与低风险结节分层。另一方面，最近的深度学习研究使用卷积神经网络（CNN）来预测结节的恶性程度评分，仅为临床医生提供了黑箱预测。为此，我们提出了一个统一的框架，名为NoFoNet随访预测网络（NoFoNet），它预测肺结节的生长，具有高质量的视觉外观和准确的定量结果，给定基线观察的任何时间间隔。它是通过用WarpNet预测每个体素的未来位移场来实现的。进一步开发了一个纹理网络，以细化WarpNet输出的纹理细节。我们还引入了包括时间编码模块和Warp分割损失在内的技术，以鼓励时间感知和形状感知的表示学习。我们建立了一个内部的后续数据集，从两个医疗中心，以验证所提出的方法的有效性。NoFoNet在视觉质量方面明显优于U-Net的直接预测;更重要的是，它展示了高风险和低风险结节之间的准确区分性能。我们充满希望的结果表明计算机辅助干预用于肺结节管理的潜力。
2020-10-09 cs.CV cs.LG eess.IV
Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet
Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对CT肺结节检测中计算复杂与误诊率高的问题，提出融合CNN与视觉Transformer的Swin-Tempo模型，将3D CT视为视频序列，在Luna16数据集上以少参数实现97.84%灵敏度和96.0%CPM。
2023-10-14 cs.AI 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
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
Deep fusion of gray level co-occurrence matrices for lung nodule classification
University of Isfahan（伊斯法罕大学）；University of Thi-Qar（济加尔大学）
肺癌是一种严重威胁人类健康的疾病，数百万人因癌症晚期诊断而死亡;因此，尽早发现这种疾病至关重要。CT扫描被认为是检测和分类肺结节的有效解决方案之一。分析CT高准确度的必要性。肺的扫描图像被认为是检测和分类肺癌的关键挑战之一。介绍了一种新的基于长短期记忆（LSTM）的深度融合结构，其中，通过新的体积灰度共生矩阵（GLCM）计算从肺结节计算的纹理特征被应用于将结节分类为：良性、恶性和模糊。提出了一种改进的Otsu分割方法，并将其与水trider优化算法（WSA）相结合，用于肺结节的检测。Otsu-WSA阈值可以克服在以前的阈值方法中存在的限制。扩展实验通过考虑基于2D-GLCM计算的2D切片融合以及该3D-GLCM与基于体积2.5D-GLCM计算的LSTM融合结构的近似来评估该融合结构。所提出的方法通过LIDC-IDRI数据集进行训练和评估，其中2D-GLCM融合的准确度、灵敏度和特异性分别为94.4%、91.6%和95.8%，2.5D-GLCM融合的准确度、灵敏度和特异性分别为97.33%、96%和98%。对于3D-GLCM融合，相同的产率分别为98.7%、98%和99%。所得到的结果和分析表明，WSA-Otsu方法需要更少的执行时间，并产生一个更准确的阈值处理。研究发现，基于3D-GLCM的LSTM性能优于同类算法。
2022-11-05 cs.CV cs.LG eess.IV
Evaluating Utility of Memory Efficient Medical Image Generation: A Study on Lung Nodule Segmentation
提出一种内存高效的逐块DDPM生成带肺结节分割的合成CT图像，实验表明仅用合成数据训练或用于增强真实数据均能提升分割性能，有效缓解医学影像数据稀缺问题。
2024-10-16 cs.CV cs.LG eess.IV
Dual Skip Connections Minimize the False Positive Rate of Lung Nodule Detection in CT images
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
肺癌是最常见的诊断和致命的癌症之一，往往是由计算机断层扫描的偶然发现诊断。肺结节的自动检测是计算机辅助诊断的重要组成部分，快速准确地定位结节的位置仍然面临着巨大的挑战和困难。本文提出了一种基于双路径网络的U-Net结构的双跳跃连接上采样策略，以最小化假阳性率和最大化结节病变检测的灵敏度为目标，生成多尺度特征图。结果表明，我们的新上采样策略在每幅图像4 FROC时具有85.3%的灵敏度，而常规上采样策略为84.2%，基于VGG 16的Faster-R-CNN为81.2%，从而提高了性能。
2021-10-25 cs.CV cs.LG eess.IV
A Radiogenomics Pipeline for Lung Nodules Segmentation and Prediction of EGFR Mutation Status from CT Scans
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
肺癌是全球主要死亡原因。肺癌的早期检测对于更有利的预后至关重要。放射基因组学是一门新兴的学科，它结合了医学成像和基因组学特征，以非侵入性的方式对患者的预后进行建模。这项研究提出了一种放射基因组学管道，该管道具有：1）一种新的混合架构（RA-Seg），通过注意力和复发性阻滞来分割肺癌; 2）深度特征分类器，用于区分表皮生长因子受体（EGFR）突变状态。我们在多个公共数据集上对所提出的算法进行了评估，以评估其通用性和鲁棒性。我们演示了如何建议的分割和分类方法优于现有的基线和SOTA方法（73.54骰子和93 F1分数）。
2022-11-12 cs.CV cs.LG eess.IV
Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images
Faculty of Electronics and Electrical Engineering, University of Engineering and Technology, Taxila（塔克西拉工程技术大学电子与电气工程学院）；Center for Research in Computer Vision, University of Central Florida（中佛罗里达大学计算机视觉研究中心）；Sheikh Zayed Institute for Pediatric Surgical Innovation, Childrens National Hospital（儿童国家医院谢赫扎耶德儿科外科创新研究所）；School of Medicine and Health Sciences, George Washington University（乔治华盛顿大学医学与健康科学学院）
本文提出Lung-CADex框架，利用MedSAM和CLIP实现肺结节零样本检测（CADe），并通过放射组学特征对比学习实现良恶性分类（CADx），在LIDC和LUNGx数据集上灵敏度达0.86，优于全监督方法。
2024-07-02 cs.CV cs.LG eess.IV
Controllable Lung Nodule Synthesis via Histogram-Regularized Latent Diffusion Models
Johns Hopkins University（约翰霍普金斯大学）；Department of Radiology and Nuclear Medicine, University Medical Center Mannheim, Heidelberg University（放射学与核医学科，曼海姆大学医学中心，海德堡大学）
提出一种直方图正则化潜扩散模型，通过结合亚型、空间掩码和HU直方图条件以及可微特征空间直方图正则化项，在3D CT体积中合成肺结节，以准确建模结节特异性强度分布，提高视觉真实感和亚型一致性。
2026-05-28 cs.AI cs.CV cs.LG
Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Iowa（爱荷华大学）；Tulane University（杜兰大学）；Shanghai Jiao Tong University（上海交通大学）；Rice University（莱斯大学）
本文提出一种基于深度学习的通道挤压U型结构，通过浅层信息处理、通道残差结构和通道挤压整合模块，在LIDC数据集上提升了肺结节检测与分割的精度与鲁棒性，助力早期肺癌诊断。
2024-09-20 cs.CV cs.LG eess.IV
Using VGG16 Algorithms for classification of lung cancer in CT scans Image
Islamic Azad University of Ardabil（阿尔达比勒伊斯兰阿扎德大学）；Ardabil University of Medical Sciences（阿尔达比勒医科大学）；Tabarestan University of Chalus（查卢斯塔巴雷斯坦大学）
本文提出使用 VGG16 深度学习算法对 CT 扫描图像中的肺结节进行恶性、良性和健康分类，实现了 92.08% 的灵敏度、91% 的准确率和 93% 的 AUC。
2023-05-27 cs.CV cs.LG eess.IV
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
Full-resolution Lung Nodule Segmentation from Chest X-ray Images using Residual Encoder-Decoder Networks
University of Technology Sydney（悉尼科技大学）；IBM Australia Limited（IBM澳大利亚有限公司）；University of New England（新英格兰大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）；Charles Sturt University（查尔斯斯特大学）；Westmead Hospital（韦斯特米德医院）；Cogninet Australia（科尼尼特澳大利亚公司）；University of Southern Queensland（南昆士兰大学）；Data Science Institute, University of Technology Sydney（悉尼科技大学数据科学学院）
本文提出处理全分辨率 CXR 的残差编码器-解码器及三连续 epoch 自集成模型，用于肺结节定位，并在 JSRT 与外部数据集上验证了高精度、快速推理和良好泛化性。
2023-07-13 cs.CV cs.LG eess.IV
EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images
Faculty of Electrical and Electronics Engineering, University of Engineering（电气电子工程学院，工程大学）；Department of Engineering Sciences, University of Agder（工程科学系，阿格德大学）；Sheikh Zayed Institute for Pediatric Surgical Innovation, Children’s National Hospital（谢赫扎耶德小儿外科创新研究所，儿童医院）；School of Medicine and Health Sciences, George Washington University（医学与健康科学学院，乔治华盛顿大学）
本研究提出端到端CAD系统EMeRALDS，结合SAM2与CLIP文本提示进行零样本肺结节检测，并融合影像组学与合成电子病历进行恶性分类，在LIDC-IDRI数据集上分割与分类性能优异，超越现有全监督方法。
2025-09-15 cs.LG eess.IV
Semi-supervised multi-task learning for lung cancer diagnosis
肺结节的早期发现在肺癌筛查中具有重要意义。现有研究认识到CAD系统在肺结节的早期检测和诊断中发挥着关键作用。然而，许多用作癌症检测工具的CAD系统产生大量假阳性（FP），并且需要进一步的FP减少步骤。此外，肺癌的早期诊断和治疗指南由异常的不同形状和体积测量组成。分割是我们理解结节形态的核心，使其成为计算机辅助诊断系统领域内的一个主要研究领域。本研究旨在验证假阳性（FP）结节减少和结节分割的联合学习可以提高计算机辅助诊断（CAD）系统在这两项任务上的性能的假设。为了支持这一假设，我们提出了一个3D深度多任务CNN来联合解决这两个问题。我们在LUNA16数据集上测试了我们的系统，并实现了91%的平均骰子相似性系数（DSC）作为分割精度和近92%的分数FP减少。为了证明我们的假设，我们在两个基线上显示了分割和FP减少任务的改进。我们的研究结果支持通过多任务学习方法联合训练这两个任务可以提高系统性能。我们还表明，可以使用半监督方法来克服3D分割任务缺乏标记数据的限制。
2018-05-04 cs.CV cs.LG
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。
2021-02-22 cs.CV cs.LG eess.IV
A 3D Probabilistic Deep Learning System for Detection and Diagnosis of Lung Cancer Using Low-Dose CT Scans
Draper（德雷珀实验室）；Google（谷歌）
我们介绍了一种新的计算机辅助检测和诊断系统，肺癌筛查与低剂量CT扫描，产生有意义的概率评估。我们的系统完全基于3D卷积神经网络，并在公开的LUNA16和Kaggle Data Science Bowl挑战赛上实现了肺结节检测和恶性肿瘤分类任务的最新性能。虽然结节检测系统通常是自行设计和优化的，但我们发现，考虑检测和诊断组件之间的耦合是很重要的。利用这种耦合使我们能够开发一种端到端系统，该系统具有更高和更强大的性能，并消除了对结节检测假阳性减少阶段的需要。此外，我们在我们的深度学习系统中描述了模型的不确定性，这是肺部CT分析的第一个，并表明我们可以使用它来为结节检测和患者恶性肿瘤诊断提供校准良好的分类概率。这些由模型不确定性提供信息的校准概率可用于后续基于风险的诊断干预或疾病治疗决策，正如我们使用基于概率的患者转诊策略进一步改善我们的结果所证明的那样。
2020-01-21 cs.CV cs.LG
CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans
Concordia University（康考迪亚大学）；Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究所）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）；University of Toronto（多伦多大学）
肺癌是世界范围内癌症死亡的主要原因，并且具有多种组织学类型，其中肺腺癌（LUAC）是最近最常见的一种。目前确定LUAC侵袭性的方法是手术切除，这不是及时对抗肺癌的可行解决方案。另一种方法是分析胸部计算机断层扫描（CT）扫描。然而，放射科医师基于CT图像的分析是主观的，并且可能导致低准确性。在本文中，一个变压器为基础的框架，被称为“CAE变压器”，有效地分类LUAC使用整个CT图像，而不是精细注释结节。所提出的CAE转换器可以在小数据集上实现高精度，并且需要放射科医生的轻微监督。CAE Transformer利用编码器自动从CT切片中提取信息特征，然后将其馈送到修改后的Transformer以捕获全局切片间关系并提供分类标签。在我们内部的114个经病理证实的亚实性结节（SSN）数据集上的实验结果证明了CAE-Transformer优于其同行，使用10倍交叉验证实现了87.73%的准确性，88.67%的灵敏度，86.33%的特异性和0.913的AUC。
2022-01-25 cs.CV cs.LG eess.IV
Multi-level CNN for lung nodule classification with Gaussian Process assisted hyperparameter optimization
Beijing Institute of Technology（北京理工大学）；University of Technology Sydney (UTS)（悉尼科技大学）；Harbin Engineering University（哈尔滨工程大学）
本文研究了肺结节分类使用深神经网络（DNN）。DNN中的超参数优化是计算上昂贵的问题，其中评估超参数配置可能花费几个小时甚至几天。贝叶斯优化最近已经被引入用于自动搜索DNN的最佳超参数配置。该方法采用概率代理模型来逼近高斯过程等超参数结构的验证误差函数，在很大程度上降低了计算复杂性。然而，现有的代理模型大多采用平稳协方差函数来度量超参数点之间的差异，而不考虑其空间位置。这种基于距离的假设连同贯穿整个超参数搜索空间的恒定平滑的条件一起明显违反了远离最优点的点通常得到类似的差性能的性质，即使它们中的每两个之间具有巨大的空间距离。本文提出了一种非平稳核函数，使代理模型能够适应光滑度随输入空间位置变化的函数，并利用基于非平稳核函数的高斯代理模型优化超参数配置，构建了一个用于肺结节分类的多层卷积神经网络（ML-CNN）。该算法通过基于超参数重要性的进化策略搜索最优设置的替代物，实验表明，该算法优于人工调整和成熟的超参数优化方法，如随机搜索，高斯过程与固定核，最近提出的超参数优化通过RBF和动态坐标搜索。
2019-01-02 cs.LG eess.IV
End-to-end Lung Nodule Detection in Computed Tomography
Gordon Center for Medical Imaging, Massachusetts General Hospital（麻省总医院戈登医学成像中心）；Harvard Medical School（哈佛医学院）；Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心）
计算机辅助诊断（CAD）系统是现代医学影像学的重要组成部分。但几乎所有的CAD系统都是在重建图像上操作的，这些图像是为放射科医生优化的。计算机视觉可以捕捉人类观察者难以捕捉的特征，因此设计一个基于原始数据的CAD系统是非常必要的。在本文中，我们提出了一种基于深度神经网络的检测系统，用于计算机断层扫描（CT）中的肺结节检测。首先应用原始-对偶型深度重建网络将原始数据转换到图像空间，然后应用三维卷积神经网络（3D-CNN）进行结节检测。为了进行有效的网络训练，首先顺序训练深度重建网络和CNN检测器，然后进行一个时期的端到端微调。该方法进行了评估肺图像数据库联盟图像收集（LIDC-IDRI）与模拟前向投影。通过144个多切片扇束投影，所提出的端到端检测器可以实现与参考检测器相当的灵敏度，该参考检测器在完全采样的图像数据上进行训练和应用。与在重建图像上训练的检测器相比，它还表现出更好的检测性能。该方法具有通用性，可扩展到医学成像中的大多数检测任务。
2018-10-02 cs.CV cs.LG stat.ML
Effect of Input Size on the Classification of Lung Nodules Using Convolutional Neural Networks
Orta Doğu Teknik Üniversitesi（中东技术大学）
最近的研究表明，与传统的胸部X线摄影相比，每年使用低剂量计算机断层扫描（CT）进行肺癌筛查可将肺癌死亡率降低20%。因此，CT肺部筛查已开始在世界各地广泛使用。然而，分析这些图像对于放射科医生来说是一个严重的负担。CT扫描中的切片数最多可达600。因此，计算机辅助检测（CAD）系统对于更快、更准确地评估数据非常重要。在这项研究中，我们提出了一个框架，使用卷积神经网络（CNN）分析CT肺部筛查，以减少误报。我们用不同的体积大小训练我们的模型，并表明体积大小在系统性能中起着关键作用。我们还使用了不同的融合，以显示它们对整体准确性的影响。3D CNN优于2D CNN，因为应用于3D数据的2D卷积运算可能导致信息丢失。已在LUNA16 Challenge提供的数据集上测试了所提出的框架，每次扫描1个假阳性时的灵敏度为0.831。
2021-07-11 cs.CV cs.LG eess.IV
Nodule detection and generation on chest X-rays: NODE21 Challenge
本文总结了NODE21挑战赛，该挑战旨在通过检测和生成两个赛道，评估胸部X光片中的肺结节检测系统及利用结节生成算法增强数据来提升检测性能的方法，并验证了合成数据对检测算法的积极影响。
2024-01-04 cs.CV cs.LG eess.IV
Concept-based Explainable Malignancy Scoring on Pulmonary Nodules in CT Images
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
本文提出一种基于广义加性模型和概念学习的可解释模型，用于肺结节CT图像恶性程度评分，通过检测临床属性并解释其贡献，在LIDC-IDRI数据集上验证了与临床一致的诊断结果和竞争性能。
2024-05-24 cs.AI cs.LG eess.IV
DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification
University of California, Irvine（加州大学尔湾分校）；Baidu Research（百度研究院）
在这项工作中，我们提出了一个完全自动化的肺癌CT诊断系统，DeepLung。DeepLung包含两个部分，结节检测和分类。考虑到肺部CT数据的三维特性，设计了两个三维网络分别用于结节检测和分类。具体来说，3D Faster R-CNN被设计用于结节检测，具有类似U网的编码器-解码器结构，以有效地学习结节特征。对于结节分类，提出了具有3D双路径网络（DPN）特征的梯度提升机（GBM）。结节分类子网络在LIDC-IDRI的公共数据集上进行了验证，其性能优于最先进的方法，并超过了四位经验丰富的医生的平均性能。对于DeepLung系统，首先通过结节检测子网络检测候选结节，并通过分类子网络进行结节诊断。大量的实验结果表明，DeepLung在LIDC-IDRI数据集上的结节级别和患者级别诊断方面与经验丰富的医生相当。
2017-09-16 cs.CV cs.LG cs.NE
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。
2021-03-26 cs.CV cs.LG eess.IV
A new semi-supervised self-training method for lung cancer prediction
Monash University Malaysia（马来西亚莫纳什大学）；University of Malaya（马来亚大学）；The University of Oklahoma（俄克拉荷马大学）
背景和目的：早期发现肺癌是至关重要的，因为它的死亡率很高，患者通常在第3期或以上出现这种疾病。只有相对较少的方法，同时检测和分类结节从计算机断层扫描（CT）扫描。此外，很少有研究将半监督学习用于肺癌预测。这项研究提出了一个完整的端到端方案，在大约4,000次CT扫描的综合CT肺筛查数据集上使用最先进的自训练和噪声学生方法来检测和分类肺结节。方法：我们使用了三个数据集，即LUNA 16，LIDC和NLST。我们首先利用三维深度卷积神经网络模型在检测阶段检测肺结节。被称为Maxout局部-全局网络的分类模型使用非局部网络来检测包括形状特征在内的全局特征，使用残差块来检测包括结节纹理在内的局部特征，并使用Maxout层来检测结节变化。我们用Noisy Student模型训练了第一个Self-training来预测未标记的NLST数据集上的肺癌。然后，我们执行Mixup正则化来增强我们的方案，并提供对错误标签的鲁棒性。结果与结论：我们新的Mixup Maxout Local-Global网络在来自NLST数据集的2，005个完全独立的测试扫描上实现了0.87的AUC。我们的新方案在5%的显著性水平下使用DeLong检验（p = 0.0001）显着优于下一个最高性能的方法。这项研究提出了一种新的完整的端到端方案，使用自训练与Noisy Student结合Mixup正则化来预测肺癌。在一个完全…
2020-12-17 cs.CV cs.LG eess.IV
Semi-supervised lung nodule retrieval
Tel-Aviv University（特拉维夫大学）
基于内容的图像检索（CBIR）为临床医生提供了视觉信息，可以支持，并希望改善，他或她的决策过程。给定一个输入查询图像，CBIR系统提供一组图像作为其输出，这些图像根据与查询图像的相似性进行排名。检索的图像可能带有相关信息，例如基于活检的恶性肿瘤标记或分类。关于数据集元素之间（例如，结节之间）的相似性的基本事实并不容易获得，因此极大地挑战了机器学习方法。由于任务的主观性，此类注释特别难以获得，并且观察者之间的高度可变性需要多个专家注释者。因此，过去的方法集中于手动特征提取，而当前的方法使用辅助任务，诸如二进制分类任务（例如恶性肿瘤），对于该辅助任务，地面真实更容易获得。然而，在以前的研究中，我们已经表明，二进制辅助任务是劣于使用一个粗略的相似性估计，来自数据注释。目前的研究提出了一种半监督的方法，包括两个步骤：1）自动标注给定的部分标记的数据集; 2）学习语义相似性度量空间的基础上预测的注释。该系统在使用LIDC数据集的肺结节检索中得到了证明，并表明从预测评级中学习嵌入是可行的。半监督的方法已经证明了比完全无监督的参考显著更高的辨别能力。
2020-05-04 cs.CV cs.IR cs.LG
Self-DenseMobileNet: A Robust Framework for Lung Nodule Classification using Self-ONN and Stacking-based Meta-Classifier
University of Dhaka（达卡大学）；Qatar University（卡塔尔大学）；Charles Sturt University（查尔斯斯特大学）；Vellore Institute of Technology（韦洛尔理工学院）
本研究提出 Self-DenseMobileNet 框架，结合图像增强与 Stacking 元分类器，在胸部 X 光片肺结节分类中实现 99.28% 内部准确率和 89.40% 外部泛化准确率。
2024-10-16 cs.CV cs.LG eess.IV
AutoRad-Lung: A Radiomic-Guided Prompting Autoregressive Vision-Language Model for Lung Nodule Malignancy Prediction
Concordia University（康考迪亚大学）；Thomas Jefferson University Hospital（托马斯杰斐逊大学医院）；Sunnybrook Health Sciences Centre（桑尼布鲁克健康科学中心）
针对CLIP-Lung模型依赖主观注释、推理时无法用文本及忽略先验知识等局限，提出AutoRad-Lung，结合自回归预训练VLM与放射组学提示，捕捉像素级差异并动态优化提示，提升肺结节恶性预测性能。
2025-03-26 cs.CV cs.LG eess.IV
Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D CNNs
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
我们提出了一种混合算法来估计肺结节恶性肿瘤，该算法结合了来自放射科医生注释的成像生物标志物和CT扫描的图像分类。我们的算法采用了3D卷积神经网络（CNN）以及随机森林，以结合CT图像与生物标志物注释和体积放射组学特征。我们分析和比较了仅使用图像、仅使用生物标志物、组合图像+生物标志物、组合图像+体积放射组学特征以及最后图像+生物标志物+体积特征的组合的算法的性能，以便对结节恶性的可疑级别进行分类。国家癌症研究所（NCI）肺图像数据库联盟（LIDC）IDRI数据集用于训练和评估分类任务。我们表明，通过K最近邻（KNN）结合半监督学习可以增加LIDC-IDRI的可用训练样本量，从而进一步提高大多数测试模型的恶性肿瘤估计的准确性，尽管如果使用CNN和体积特征的图像分类与描述性生物标志物相结合，则使用KNN半监督学习没有显着改善。出乎意料的是，我们还表明，单独使用图像生物标志物的模型比将生物标志物与体积放射组学、3D CNN和半监督学习相结合的模型更准确。我们讨论了这一结果可能受到LIDC-IDRI中认知偏差的影响，因为恶性肿瘤的估计值是由同一个放射科医生小组记录的，作为生物标志物，以及未来的工作，将病理学信息纳入一个研究参与者的子集。
2020-10-19 cs.CV cs.LG eess.IV
Reproducible Benchmarking for Lung Nodule Detection and Malignancy Classification Across Multiple Low-Dose CT Datasets
Duke University School of Medicine（杜克大学医学院）；Pratt School of Engineering, Duke University（杜克大学普拉特工程学院）；University of Colorado（科罗拉多大学）；Duke University（杜克大学）
本文提出多数据集基准测试，评估不同数据集上肺结节检测和恶性分类模型的性能，发现数据集特性显著影响AI性能。
2026-02-09 cs.AI cs.CV cs.LG
