一种改进三维卷积模型的假阳性肺部结节筛除方法

针对在肺结节候选区域中假阳性率过高的问题,采用3D CNN对假阳性结节进行筛除,引入空洞卷积代替部分池化操作,在增大感受野的同时尽可能多地保留特征信息,解决了在传统卷积和池化层中对形状不规则且尺寸较小的肺结节无法高效能地收集到肺结节的像素点问题。在公开的LUNA16数据集中,AUC的值可以达到0.967,说明该模型对正负样本的分类能力较好;97%的特异值和88%的敏感度,表明了该模型可以有效地避免误检且漏检的可能性也较小。实验表明提出的三维卷积神经网络适用于降低肺结节检测中的假阳性率。

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。