基于CNN多层面二阶特征融合的肺结节分类

肺部CT图像具有切片数量巨大,肺结节在图像中的位置和形状各异,且肺结节周围环境复杂等特点,传统肺结节检测方法通常只利用肺结节形状、灰度等特征,肺结节特征信息利用率低,且没有完全考虑肺结节细粒度特征信息。为此提出了基于卷积神经网络多层面二阶特征融合模型(CMSFF)。采用卷积神经网络对同一结节的多层切面分别进行特征提取,通过两个阶段的特征融合,充分考虑肺结节的细粒度特征,实现对肺结节特征信息的准确提取。实验表明,该方法提取到的肺结节特征信息在肺结节恶性程度分类中AUC值达到0.924,能有效提高肺结节恶性程度分类准确率。

基于图像分割的肺结节CT图像哈希检索

基于相似图像的肺结节CT图像检索辅助诊断对肺结节的发现有着重要的作用。肺结节的诊断难度较大,通常需要充分利用图像的边缘、分叶、毛刺、纹理等各类信息。文中针对目前基于哈希方法的肺结节检索中存在的不能充分利用图像分割信息从而导致部分信息丢失问题做出了改进,提出了一种基于图像分割的肺结节图像哈希检索方法。实验结果表明,在72位哈希码长度时,达到了85.3%的平均准确率。并且,将文中图像分割模块应用于其他哈希检索方法时,平均准确率皆有一定的提升。