肺结节可信诊断网络

可解释增强

面向不确定标注的肺结节诊断网络，通过分割约束与恶性度回归提升结节分类的可信性。

Zhang, Hanxiao · Chen, Liang · Xiao, Gu · Zhang, Minghui · Qin, Yulei · Yao, Feng · Wang, Zhexin · 顾运 · 杨广中

Medical Image Analysis 2023

技术优势

从不确定标注中学习

通过结节分割和恶性度回归整合不确定标注数据的知识，提升确定标注数据的分类性能。

可解释特征学习

通过分割图约束引入可解释性，使模型学习与结节区域一致的特征，提升预测稳定性。

支持相似病例检索

基于模型推断结果实现相似历史结节检索和可解释诊断，辅助医生决策。

应用场景

• 肺结节CT诊断：提供更可信的良恶性分类结果，辅助医生做出诊断决策。
• 低剂量CT筛查：提升低剂量CT筛查中肺结节自动检测和分类的可靠性。
• 医学影像诊断辅助：通过可解释诊断和相似病例检索辅助影像科医生。