基于深度学习的候选结节检测算法

为提高候选结节检测性能,应用深度学习技术提出基于3DSCANet的候选结节检测算法。该算法提出增强坐标注意力机制模块(SCA),在坐标注意力机制的基础上做出改进,使之能提取三维(3D)特征,并引入自适应卷积提取跨通道特征,增加SCA注意力机制的特征提取能力;提出一种将3D长方体锚框转换为3D球体的方法,并进一步引入新的球体交并比损失函数SIoUX,以充分利用肺结节的球体形态特征。在实验阶段,该方法在LUNA16数据集上采用十折交叉验证的方法进行测试,平均召回率CPM达到0.94。

基于ELM特征加权的孤立性肺结节识别

针对肺部CT切片图像中血管横截面与肺结节成像特征类似导致无法有效剔除假阳性结节的问题,提出根据孤立性肺结节的特征对感兴趣的区域进行进一步提取候选结节来剔除干扰肺结节检测的假阳性结节。为提高肺结节特征提取的有效性和肺结节的分类准确性,通过Relief特征加权极限学习机(ELM-extreme learning machine)对候选结节特征数据进行预处理,减小训练样本中关联度较小的特征对分类结果的影响。对LIDC数据集中肺部CT影像进行实验,实验结果表明,所提Relief-ELM可有效降低误诊率和漏诊率,提高孤立性肺结节识别的准确率。

应用于CT图像肺结节检测的深度学习方法综述

肺癌是世界上死亡率最高的癌症,通过胸部CT影像检测肺结节对肺癌早期诊断和治疗意义重大。为了减轻放射科医生的工作量以及同时减少误诊率和漏诊率,研究人员提出了计算机辅助检测(CAD)系统辅助放射科医生检测和诊断肺结节。目前,研究人员正在尝试不同的深度学习技术,以提高计算机辅助诊断系统在基于CT图像的肺癌筛查中的性能。这项工作回顾了作为肺癌检测的CAD系统目前典型的深度学习的算法和框架,主要从数据集介绍、2D深度学习方法、3D深度学习方法、数据不平衡问题的处理、模型训练方法以及模型可解释性这六个方面进行介绍。最后,对各个方法的主要特点和算法性能进行了综合比较分析,并对如何提高结节检测性能进行了展望。

基于改进Faster R-CNN和3D DCNN的肺结节检测算法

针对传统肺结节检测准确率低,且存在假阳性高的问题,提出了一种改进Faster R-CNN检测候选结节,以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素,在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性,并在特征提取器的最后一层添加一个反卷积层,在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域,获取候选结节。为了去除假阳性结节,在2D DCNN基础上调整卷积核参数,引入时间维度生成3D DCNN,并利用Adam算法调整网络学习率更改网络权重参数,采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明,所提出的算法平均检测准确率达到97.71%,同时降低了误诊率和漏诊率。

多视图与注意力机制结合的肺结节检测算法

针对传统的计算机辅助诊断系统对低剂量肺部CT图像结节检出率低、假阳性高等问题,提出一种类U-Net网络和基于注意力机制的两阶段肺结节检测模型。为了提高肺结节的检测速度和检出率,首先构建了一个三维网络用于候选结节的检测,充分利用结节的三维信息提高候选结节的检出率的同时,优化了检出速度;然后采用多视图输入方式以保证对结节空间特征的获取,将结节在三维空间下的矢状面、冠状面、水平面等9个角度下的切片一起输入网络,利用ViT模型做特征提取器并结合特征金字塔网络实现对结节的分类,将所有切片结果融合以实现对假阳性结节的筛除。最终在LUNA16数据集上的实验结果表明,所提出的模型准确率达到94.7%,提高了准确率的同时降低了误诊率和漏诊率。

基于深度卷积神经网络的两阶段肺结节检测

针对传统肺结节检测中存在灵敏度低、假阳性高、小结节难检测的问题,提出一种基于深度卷积神经网络的两阶段肺结节检测框架。第一阶段使用特征金字塔子网提取肺部影像的多层次特征,引入多尺度区域建议子网用于在高灵敏度下检测出所有的候选结节;第二阶段设计级联卷积神经网络模型减少假阳性,通过保留分类错误样本用于重新训练模型,将多个模型结果进行投票选出最终分类结果。LUNA16数据集上的实验结果表明,所提框架灵敏度达到95.9%,检测效果优于其它算法,能够有效实现肺结节的准确检测。