基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键。由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊。准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤。在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导致结果较差的问题。在此改进的基础上提出了一种U型噪声残差网络NRU(Noisy Residual U-Net),通过利用跳跃层连接的特性和向卷积层添加噪声来增强神经网络对小结节的灵敏度。使用Lung Nodule Analysis 2016和阿里巴巴天池肺癌检测竞赛数据集训练神经网络。U-Net和NRU之间的比较实验表明,该算法对直径为3~5 mm(97.1%)的小结节的灵敏度大于U-Net值(90.5%)。

改进双向LSTM的肺结节分割方法

基于深度学习网络在医学图像分割方面取得了很多成果。由于类圆形的肺结节不同于血管和大部分肺部结构呈扁平状,因此通过对U-Net进行扩展,提出一种带有多视图密集卷积的双向LSTM U-Net网络来消除血管和肺内组织结构以检测结节。与U-Net在跳跃连接中进行级联不同,改进双向LSTM网络将编码路径中提取特征图与解码卷积层进行非线性结合。为了加强特征传播和鼓励特征复用,在编码路径的最后一个卷积层采用密集卷积,最后使用批处理规范化(BN)来加速网络的收敛速度。实验结果表明该模型有效地提高了肺结节分割的准确率,对LUNA16和阿里巴巴天池竞赛数据集中每个候选样本提取轴位、冠状和矢状视图后训练的MIoU达到了90.1%。