{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,5,29]]，“日期-时间”：“2024-05-29T00:54:44Z”，“时间戳”：1716944084946}，“引用-计数”：53，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{-date-parts“：[[2018,11,1]]，”日期-时间“：”2018-11-01T00:00:00 Z“，”timestamp“：1541030400000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}]，“内容域”：{“域”：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”Neurocomputing“]，”published-print“：{”date-parts“：[2018,11]]}，”DOI“：”10.1016\/j.n eucom.2018.08.022“，”type“：”journal-article“，”created“：{“date-parts”：[[2018,8,20]]，“date-time”：“2018-08-20T12:44:33Z”，“timestamp”：1534769073000}，“page”：“159-167”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：47，“title”：[“NODULe:将约束多尺度LoG滤波器与密集扩张三维深卷积神经网络相结合用于肺结节检测”]，“前缀”：“10.1016”，“卷”：“317”，“作者”：[{“给定”：“Junjie”，“家族”：“张”，“序列”：“第一”，“从属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0001-9273-2847”：“勇”，“家族”：“夏”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“皓月”，“家庭”：“曾”，“顺序”：“额外”，“隶属关系”：[]}“，”doi-asserted-by“：”crossref“，”首页“：“E359”，“DOI”：“10.1002\/ijc.29210”，“article-title”：“全球癌症发病率和死亡率：GLOBOCAN 2012的来源、方法和主要模式。”，“volume”：“136”，“author”：“Ferlay”，“year”：“2015”，“journal-title“：”Int.J.Cancer“}，{“issue”：“1”，“key”：”10.1016\/J.neucom.2018.022_bib0002“，”DOI-asserted-by“：”crossref“，“首页”：“0”，“内政部”：“10.1016\/j.lungcan.2015.05.004”，“文章标题”：“预测人群和肺结节中的肺癌风险：推动范式变化的重大进展。”，“卷”：“89”，“作者”：“Baldwin”，“年份”：“2015”，“期刊标题”：《肺癌》}，{“问题”：“11”，“关键”：“10.116\/j.neucom.2018.022_bib0003”，“doi-asserted-by”：“crossref”，“首页”：“3161”，“DOI”：“10.1007\/s00330-013-2914-y”，“article-title”：“使用三段模型衰减校正算法对肺癌患者进行pet\/mri N分期：初步经验”，“体积”：“23”，“作者”：“Kohan”，“年份”：“2013”，“期刊标题”：“Eur.Radiol.”}，{“问题”：“2”，“关键”：“10116\/j.neucom.2018.022_b0004”，“doi-asserted-by”：“crossref”，“first page”：“374”，“doi”：“10.1016\/j.media.2013.12.001”，“article-title”：“胸部CT图像中下睑肺结节的自动检测”，“volume”：”18“，“author”：“Jacobs”，“year”：“2014”，“journal-title“：”Med.Image Anal.“}，{“key”：参考“，“首页”：“2”，“DOI”：“10.1016\/j.neucom.2017.01126”，“文章标题”：“医学数据分类的计算智能方法：最新技术、未来挑战和研究方向”，“卷”：“276”，“作者”：“Kalantari”，“年份”：“2018年”，“期刊标题”：”Neurocomputing“}，{“关键”：“1016\/j.neucom.2018.022_bib0006”，“doi-asserted-by”：“crossref”，“first page”：“111”，“doi”：“10.1016\/j.ins.2015.02.015”，“article-title”：“自然计算框架中癌症管理的医学图像分析”，“volume”：”306“，“author”：“Mitra”，”year“：”2015“，”journal-title“：”Inf.Sci.“}，{”key“：”10.1016\/j.neucom.2018.022_bib0007“，”doi-assert-by“：”crossref.“，”first第“：”48页，“DOI”：“10.1016\/j.lungcan.2015.10.018”，“文章标题”：“如何优化肺结节的调查和管理？”，“卷”：“91”，“作者”：“Callister”，“年份”：“2016年”，“期刊标题”：《肺癌》}，{“key”：“101016\/j.neucom.2018.022_bib0008”，“DOI-asserted-by”：“crossref”，“首页”：“281”，“DOI:”10.1016\/j.neucomm.20016 5.03.005英寸，“article-title”：“候选结节分类的支持向量机”，“volume”：“68”，“author”：“Campadelli”，“year”：“2005”，“journal-title“：”Neurocomputing“}，{”issue“：”C“，”key“：”10.1016\/j.neucom.2018.022_bib0009“，”doi-asserted-by“：”crossref“，”first-page:“91”，“doi”：“10.1016\/j.cmpb.2015.10.006”，“artice-title：“CT图像中的自动三维肺结节检测：一项调查。”，“卷”：“124”，“作者”：“瓦伦特”，“年份”：“2016”，“期刊标题”：“生物识别计算方法程序”}，{“键”：“10.1016\/j.neucom.2018.022_bib0010”，“series-title”：“IEEE国际图像处理会议论文集”，“首页”：“1158”，“文章标题”：“在三维医学图像中使用多尺度方法自动检测小球形病变”，“author”：“Fazlollahi”，“year”：“2014”}，{“issue”：“12”，“key”：“10.1016\/j.neucom.2018.022_bib0011”，“doi-asserted-by”：“crossref”，《first page》：“5659”，“doi”：“101109\/TIP.2015.2487860”，“article-title”：“用于人体姿势恢复的多模深层自动编码器”，“volume”：“24”，“author”：“Tao”，“year”：“2015”，“journal-title”：“IEEE Trans.Image Process.”}，{“key”：”10.1016\/j.neucom.2018.022_bib0012“，”doi-asserted-by“：”crossref“，”first page“：”195“，“doi”：“10.1016\/j.nucom.2017.06.007”，“article-title“：”基于卷积神经网络的欧几里德嵌入学习用于立体匹配“，”volume“267”，“author”：“Yang”，“year”：“2017”，“journal-title”：“Neurocomputing”}，{“issue”：“12”，“key”：“10.1016\/j.neucom.2018.022_bib0013”，“doi-asserted-by”：“crossref”，“first-page:”4014“，”doi“：”10.1109\/TCYB.2016.2591583“”：“2016”，“journal-title”：“IEEE Trans.Cybern.”}，{“key”：“10.1016\/j.neucom.2018.022_bib0014”，“doi-asserted-by”：“crossref”，“first page”：”204“，“doi”：“101016\/j.neucomm.2017.06.070”，“article-title“卷积神经网络中的自适应激活函数”，“volume”:“272”，“author”：“Qian”，”“year”：“2017”，“日记标题”：“Neurocomuting”}{“问题”：“99”，“key”：“10.1016\/j.neucom.2018.08.022_bib0015”，“doi-asserted-by”：“crossref”，“首页”：“1”，“doi”：“101109\/TNLS.2016.2636185”，“artic-title”：“Beyond bilinear:Generalized multimal factorized high order pool for visual question answering”，“volume”：《PP》，“author”：“Yu”，“year”：“2017”，“journal title”：《IEEE Trans.Neural Netw.Learn.Syst.》}，{“key”：“10.1016\/j.neucom.2018.08.022_bib0016”，“series-title”：“IEEE计算机视觉会议论文集”，“首页”：“1839”，“文章-标题”：“多模态因式分解双线性池与共同注意学习用于可视问答”，“author”：“Yu”，“year”：“2017”}，{”issue“：”5“key“10.1016”，“doi-asserted-by”：“crossref”，“first page”：“1521”，“doi”：“10.1109\/JBHI.2017.2775662”，“article-title”：“联合使用深度和手工视觉特征对生物医学文献中的医学图像进行分类”，“volume”：”22“，“author”：“Zhang”，“year”：“2018”，“journal-title“IEEE J.Biomed.Health Inf.”}，{“key”：“10.1016\/j.neucom.2018.08.022_bib0018”，“doi断言者”：“crossref”，“首页”：“1358”，“doi”：“10.1016\/j.neucom.2017.09084”，“文章标题”：“使用磁共振成像的Atlas配准和集成深度卷积神经网络前列腺分割”，“卷”：“275”，“作者”：“Jia”，“年份”：“2017”，“期刊标题”：“神经计算”}，{“issue”：“9”，“key”：“10.1016\/j.neucom.2018.08.022_bib0019”，”doi-asserted-by“：”crossref“，”first page“：”60“，”doi“：”10.1016\/j.media.2017.07.005“，”article-title“：”医学图像分析深度学习调查“，”volume“：“42”，“author”：“Litjens”，“year”：“2017”，“journal-title”：“Med.image Anal.”}，{”key“：“10.1016\/j.neucom.2018.08.022_bib0020”，“非结构化”：“P.Rajpurkar，J.Irvin，K.Zhu，B.Yang，H.Mehta，T.Duan，D.Ding，A.Bagul，C.Langlotz，K.Shpanskaya，Chexnet：通过深度学习对胸部x光片进行放射科医生级肺炎检测，Arxiv:1711.05225.”}，{“issue”：“22”，“key”：“10.1016\/J.neucom.2018.022_bb0021”，“doi-asserted-by”：“crossref”，“首页”：“2402”，“doi”：“10.1001\/jama.2016.17216”，“文章标题”：“在视网膜眼底照片中检测糖尿病视网膜病变的深度学习算法的开发和验证”，“卷”：“316”，“作者”：“古尔善”，“年份”：“2016”，“期刊标题”：”jama“}，{“问题”：“7639”，“关键”：“10.1016\/j.neucom.2018.022_bib0022”，“doi-asserted-by”：“crossref”，”第一页“：“115”，“DOI”：“10.1038”，“nature21056”，“article-title”：“勘误表：皮肤癌与深部神经网络的皮肤科水平分类。”，“volume”：“542”，“author”：“Esteva”，“year”：“2017”，“journal-title“：“Nature”}，{“key”：”10.1016\/j.neucom.2018.022_b0023“，“unstructured”：“M.Grewal，M.M.Srivastava，P.Kumar，S。Varadarajan，Radnet：使用深度学习在ct扫描中检测出血的放射学家级准确性，Arxiv:1710.04934“}，{“问题”：“5”，“关键”：“10.1016\/j.neucom.2018.022_b0024”，“doi-asserted-by”：“crossref”，“首页”：“1285”，”doi“10.1109\/TMI.2016.2528162”，”文章标题“：”用于计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和传输学习”，“卷”：“35”，“作者”：“胡昌”，“年份”：“2016年”，“期刊标题”：“IEEE Trans。Med.Imaging“}，{“key”：“10.1016\/j.neucom.2018.022_bib0025”，“doi-asserted-by”：“crossref”，“first page”：”102“，“doi”：“101016\/j.inffus.2017.10.005”，”article-title“：”融合纹理、形状和深度模型识别信息，用于胸部CT肺结节自动分类“，”volume“：”42“，”author“：”Xie“，”“年份：”2018“，”journal-title“：”信息融合。“}，{”key“：”10.1016\/j.neucom.2018.08.022_bib0026“，”doi-asserted-by“：”crossref“，”first page“：“138”，“doi”：“10.1016\/j.bspc.2018.0111”，“article-title”：“医学图像中的肺结节检测：调查”，“volume”：“43”，“author”：“Zhang”，“year”：“2018”，“journal-title“：”Biomed.Signal Process.Control“}”，{“issue”：“3”，“key”“：”10.1016\/j.neucom.2018.022_bib0027“，”doi-asserted-by“：”crossref“，”first page“：”283“，”doi“：”10.1007\/BF01469346“，”article-title“：”使用尺度空间原始草图检测显著的团状图像结构及其尺度：关注焦点的方法“，”volume“：“11”，”author“：”Lindeberg“，”year“：”1993“，”journal-title”：“Int.j.Compute。视觉。“｝，｛”key“：”10.1016\/j.neucom.2018.08.022_bib00028“，”非结构化“：”F.Yu，V.Koltun，扩展卷积的多尺度上下文聚合，arXiv:11511.07122（2016）。“｝，｛”key“：”10.1016\/j.neucom.2018.08.022_bib00029“，”系列标题“：”IEEE计算机视觉与模式识别会议论文集“，”文章标题“：”密集连接卷积网络”，“作者”：“Huang”，“年份”：“2017”}，{“key”：“10.1016\/j.neucom.2018.022_bib0030”，“doi-asserted-by”：“crossref”，”首页“：”1“，”doi“：”10.1016\/j.media.2017.06.015“，”文章标题“：”计算机断层扫描图像中肺结节自动检测算法的验证、比较和组合：LUNA16挑战”，“容量”：“42”，“作者”：“Setio”，“年份”：“2017年”，“期刊标题”：“医学图像分析”。“}，{”issue“：”3“，”key“：”10.1016\/j.neucom.2018.022_bib0031“，”首页“：”1374“，”article-title“：”在ct图像上使用群体智能优化神经网络自动检测孤立性肺结节“，”volume“：“20”，”author“：”Nithila“，”year“：”2016“，”journal-title”：“Eng.Sci.Technol.Int.j.”}，”{“key”：“”10.1016\/j.neucom.2018.022_bib0032“，”doi-asserted-by“：”crossref“，”first page“：”97“，”doi“：”10.1016\/j.cmpb.2016.08.009“，”article-title“：”基于相关系数的监督局部线性嵌入用于肺结节识别“，”volume“：“136”，”author“：”Wu“，”year“：”2016“，”journal-title”：“Compute”。方法生物识别程序。“｝，｛”issue“：”9“，”key“：”10.1016\/j.neucom.2018.08.022_bib00033“，”doi断言“：”crossref“，”首页“：”5042“，”doi“：”10.1118\/1.4927573“，”文章标题“：”ct扫描图像上肺结节的混合检测“，”卷“：”42“，”作者“：”Lu“，”年份“：”2015“，”期刊标题“：”Med.Phys.“｝，｛”key“：”10.1016\/j.neucom.2018.08.022_bib00033 4”，“系列标题”：“《光学仪器工程师学会学报》，“首页”：“101343N”，“文章标题”：“CT图像中胸膜旁肺结节的检测”，“作者”：“Aresta”，“年份”：“2017年”}，{“问题”：“C”，“关键”：“10.1016\/j.neucom.2018.022_bib0035”，“doi-asserted-by”：“crossref”，“首版”：“125”，“doi”：“10.1016\/j.cmpb.2016.07.031“，“article-title”：“CT图像中肺结节检测cad系统的新方法”，“volume”：“135”，“author”：“Javaid”，“year”：“2016”，“journal-title“：“Compute”。方法生物识别程序。“}，{”key“：”10.1016\/j.neucom.2018.08.022_bib0036“，”series-title“：”计算机辅助诊断医学成像“，”首页“：”97850H“，”article-title“：“使用合成少数过采样的ct图像自动肺结节检测系统”，“author”：“Mehre”，“year”：“2016”}，“issue”：“C”，“key”：“”10.1016\/j.neucom.2018.022_bib0037“，“doi-asserted-by”：“crossref”，“first page”：“27”，“doi”：“10.1016\/j.engappai.2014.07.007”，“article-title”：“使用高斯混合模型、tsallis熵和SVM自动检测三维CT数据中的肺部小结节”，“volume”：”36“author”：“Santos”，“year”：“2014”，“journal-title“：”Eng.Appl。Artif公司。智力。“}，{”issue“：”3“，”key“：”10.1016\/j.neucom.2018.022_bib0038“，”doi-asserted-by“：”crossref“，”first page“：“165”，”doi“：”101016\/j.artmed.2013.11.002“，”article-title“：”使用质量阈值聚类、遗传算法和多样性指数自动检测孤立性肺结节“，”volume“：Artif公司。智力。Med.“}，{”issue“：”1“，”key“：”10.1016\/j.neucom.2018.022_bib0039“，”doi-asserted-by“：”crossref“，”first page“：“37”，”doi“：”101016\/j.cmpb.2013.08.015“，”article-title“：”基于三维形状特征描述符的肺结节自动检测“，”volume“：计算。方法生物识别程序。“}，{”key“：”10.1016\/j.neucom.2018.08.022_bib0040“，”unstructured“：”P.P.Ypsilantis，G.Montana，ct成像中肺结节检测的递归卷积网络，arXiv:1609.09143（2016）“}肺结节的自动检测：使用卷积神经网络和手工特征进行假阳性还原”，“卷”：“134”，“作者”：“傅”，《年份》：“2017年”，“期刊标题”：“Proc。SPIE“}，{“key”：“10.1016\/j.neucom.2018.08.022_bib0042”，“series-title”：“SPIE医学影像学论文集”，“首页”：“1013409”，“article-title”：《胸部CT肺结节自动检测三维卷积神经网络》，“作者”：“哈密顿”，“年份”：“2017”}，}“key”：《医学图像计算与计算机辅助干预学报》，“首页”：“630”，“文章标题”：“通过在线样本过滤和无杂交残差学习的三维转换网络自动检测肺结节”，“作者”：“窦”，“年份”：“2017”}，{“问题”：“2”，“关键”：“10.1016\/j.neucom.2018.08.022_bib0044”，“doi-asserted-by”：“crossref”，“第一页“：”915“，”DOI“：”10.1118\/1.3528204“，”文章标题“：”肺图像数据库联盟（LIDC）和图像数据库资源倡议（IDRI）：一个完整的ct扫描肺结节参考数据库。“，”卷“：”38“，”作者“：”阿玛托“，”年份“：”2012“，”新闻标题“：”医学物理学“。“}，{”issue“：”61“，”key“：”10.1016\/j.neucom.2018.08.022_bib0045“，”doi-asserted-by“：”crossref“，”first page“：“663”，”doi“：”101016\/j.patcog.2016.05.029“，”article-title“：”Multi-crop卷积神经网络用于肺结节恶性肿瘤可疑性分类“，”volume“：‘61’，”author“：”Shen“，”year“：”2017“，”journal title“：“Pattern Recognit”}，{“key“：”10.1016\/j.neucom.2018.022_bib0046“，”doi-asserted-by“：”crossref“，”首页“：”57“，”doi“：”101016\/j.ins.2012.05.008“，”article-title“：”基于遗传编程的特征变换和分类用于计算机断层扫描图像上肺结节的自动检测“，”volume“：信息科学。“}，{”issue“：”1“，”key“：”10.1016\/j.neucom.2018.022_bib0047“，”doi-asserted-by“：”crossref“，”first page“：“62”，“doi”：“10.1109\/TSMC.1979.4310076”，“article-title”：“灰度直方图阈值选择方法”，“volume”：“9”，“author”：“Otsu”，“year”：“1979”，“journal-title“：”IEEE Trans.Syst.Man Cybernet.“}”，{“issue”：“7”，“键”：10.1016\/j.neucom.2018.022_bib0048“，”doi-asserted-by“：”crossref“，”first page“：”1810“，”doi“：”10.1109\/TBME.2009.2017027“，”article-title“：”基于形状的计算机辅助检测胸部ct图像中的肺结节“，”volume“：“56”，”author“：”Ye“，“year”：“2009”，“journal-title”：“IEEE Trans。生物识别。工程“}，{“问题”：“2”，“关键”：“10.1016\/j.neucom.2018.022_bib0049”，“doi-asserted-by”：“crossref”，“首页”：“215”，“doi”：“101109\/TMI.201072789”，“文章标题”：“关于计算机辅助检测系统的组合”，“卷”：“30”，“作者”：“Niemeijer”，“年份”：“2011”，“日志标题”：《IEEE Trans.Med.Imag.》：“2”，“键”：“10.1016\/j.neucom.2018.022_bib0050“，“doi-asserted-by”：“crossref”，“first page”：“648”，“doi”：“10.1109\/JBHI.2014.2328870”，“article-title”：“使用分层矢量量化方案快速自适应检测胸部ct图像中的肺结节。“，”卷“：”19“，”作者“：”韩“，”年份“：”2015“，”新闻标题“：”IEEE J.Biomed。Health Inf.“}，{”issue“：”5“，”key“：”10.1016\/j.neucom.2018.022_bib0051“，”doi-asserted-by“：”crossref“，”first-pages“：”1160“，”doi“：”101109\/TMI.2016.2536809“，”article-title“：”ct图像中的肺结节检测：使用多视角卷积网络进行假阳性还原“，”volume“：“35”，“author”：“Setio”，“year”：“2016”，“journal-title”：“”IEEE传输。医学成像“}，{“key”：“10.1016\/j.neucom.2018.08.022_bib0052”，“unstructured”：“M.Benten，X.Yong，Autonomous deep learning:a genetic DCNN designer for image classification，arXiv:1807.00284（2018）。”}，“key“：”10.1016\/j.nucom.2018.022_bb0053“，“series-title”：“医学图像计算与计算机辅助干预论文集\u2013 MICCAI”，“首页”：“234”，“文章标题”：“U-net:用于生物医学图像分割的卷积网络”，“作者”：“Ronneberger”，“年份”：“2015”}]，“容器标题”：[“神经计算”]，“原标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0925231218309378？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0925231218309378？httpAccept=text\/plain“，”内容类型“：”文本\/plaine“，”content-version”：“vor”，“intended-application”：“text-mining”}]，”存放“：{“date-parts”：[2019,10,22]]，“date-time“：”2019-10-22T12:39:26Z“，”timestamp“：1571747966000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S0925231218309378”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“date-parts”：[[2018,11]]}，‘references-count’：53，‘alternative-id’：[”S0952312183378 09378“]，”URL“：”http:\/\/dx.doi.org\/10.1016\/j.neucom.2018.08.022“，”关系“：{}，”ISSN“：[”0925-2312“]，”ISSN-type“：[{”value“：”0925-2312“，”type“:”print“}]，”主题“：[]，”published“：{”date-parts“：[2018,11]]}，“断言”:[{“value”：“Elsevier”，“name”：“publisher”，“label”：“此文章由”}维护，{“值”：“诺都乐：将约束多尺度LoG滤波器与密集扩张的三维深卷积神经网络相结合，用于肺结节检测“，”name“：”articletite“，”label“：”Article Title“}，”{“value”：“Neurocomputing”，“name”：“journaltitle”，“label”：“Journal Title”}，{“value”：“https:\/\/doi.org\/101016\/j.neucom.2018.022”，“name”：“articlelink”label“：”CrossRef DOI link to publisher maintained version“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2018由Elsevier B.V.出版”，“name”：“copyright”，“table”：“copyright“}]}”