.png){kind=icon}
返回
Lung Cancer Screening Classification by Sequential Multi-Instance Learning (SMILE) Framework With Multiple CT Scans
.png){kind=icon}
PRE
AI
DOI：10.1109/TMI.2025.3559143.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
使用计算机断层扫描（CT）进行肺癌筛查可通过早期检测肺癌有效提高生存率，肺癌通常以肺结节的形式被识别。连续的多张CT图像有助于确定结节的恶性程度，并在肺癌检测中发挥重要作用。开发有效的肺癌分类算法以从多张图像中实现准确结果（无需结节位置标注）至关重要，这能让放射科医生在预测恶性程度前无需承担标注结节位置的负担。本研究提出了序列多实例学习（SMILE）框架，用于基于多张CT扫描预测高风险肺癌患者。SMILE包含两个步骤：第一步是结节实例生成。我们采用了结合图像类别转换的结节检测算法，以在全肺图像中识别结节实例的位置。第二步是结节恶性程度预测。模型依据患者级别的标注进行监督，无需结节的精确位置。我们将多实例学习与时间特征提取嵌入融合框架中，有效提升了分类性能。SMILE通过在925例患者的数据集（182例恶性，743例良性）上进行五折交叉验证进行评估，每位患者有三张CT扫描图像，间隔期约为一年。实验结果表明，SMILE有潜力让放射科医生无需标注结节位置。源代码将可在https://github.com/wyzhao27/SMILE获取。
Keyword:
Lung cancer screening
pulmonary nodule malignancy prediction
multi-instance learning
multiple CT scans
期刊
IF:
9.8
论文数:
6.2K
被引数:
3.7W
机构
引用论文
分享收藏Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge计算机断层扫描图像中自动检测肺结节的算法的验证，比较和组合: LUNA16挑战.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Lung cancer subtype classification using histopathological images based on weakly supervised multi-instance learning基于弱监督多示例学习的组织病理学图像肺癌亚型分类
PREAI
分享收藏
分享收藏
查看更多内容