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。

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。