基于改进U-net的肺癌识别方法

目前基于深度学习的肺癌辅助诊断方法存在无法准确定位病灶的缺陷。针对该问题,在现有U-net网络结构的基础上提出一种分两步走的基于改进U-net的肺癌识别方法。利用U-net获得病灶精确位置,通过CNN分类网络对病灶进行诊断,得到原始CT图像的检测结果。实验结果表明,该方法可以对肺部病灶进行较为精确的定位,分割效果的DSC相似度指数超过80%,对肺癌病灶进行分类诊断的准确率达到90.7%。

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。

基于粗糙集理论的肺癌细胞图像识别

肺癌细胞的早期诊断相当困难,肺癌细胞的特征选择依据难以把握.提出根据肺癌细胞的每个特征属性对粗糙集下、上近似集的影响程度作为属性约简的依据,根据约简的结果,再采用扩展的相近关系粗糙集对肺癌细胞进行识别诊断.利用下近似集中的结果进行判断可以提高识别的准确率,利用上近似集中的结果进行判断可以降低肺癌细胞识别的漏诊率.从识别的结果来看,方法行之有效.

联合成对学习和图像聚类的无监督肺癌亚型识别

基因诊断是近年来提高肺癌治愈率的一种新型且有效的方法,但这种方法存在基因检测时间长、费用高、侵入式取样损伤大的问题。文中提出了基于成对学习和图像聚类的无监督学习的肺癌亚型识别方法。首先,采用无监督卷积特征融合网络用于学习肺癌CT图像的深度表示,有效地捕捉被忽略的重要特征信息,并使用包含不同层次抽象信息的最终融合特征来表征肺癌亚型。然后,使用联合成对学习和图像聚类的分类学习框架进行建模,充分利用学习到的特征表示,确保有效的聚类学习,以取得更高的分类精度。最后,利用生存分析和基因分析对肺癌亚型进行多角度验证。在合作医院和TCGA-LUAD数据集上的实验结果表明,该方法通过可靠无创的影像分析和放射成像技术,发现了3种具有不同分子特征的肺癌影像亚型,在降低基因检测问题的同时可有效辅助医师进行精准诊断和个性化治疗,进而提高肺癌患者的治愈生存率。

人工智能肺结节筛查在肺癌高危人群中应用价值研究

目的探讨人工智能肺结节筛查在肺癌高危人群中的应用效果及价值。方法选择2018年12月—2020年2月肺癌高危人群583例作为研究对象,所有患者均经手术组织检查最终确诊(金标准),确诊前患者均给予拟行CT检查,分析人工智能肺结节筛查在肺癌高危人群中的诊断效能(敏感性、特异性)。结果583例肺癌高危人群均经手术最终确诊肺癌患者56例,确诊率为9.61%。所有患者均完成CT检查,最终确诊55例,诊断符合率为98.12%;人工读片和人工智能肺结节筛查肺结节<1 mm、1~5 mm及>5 mm检出率均差异无统计学意义(χ^(2)=1.291、1.042、0.793,P=0.743、0.891、0.598);人工智能检测方法对1 mm层厚肺结节CT片2次读片Kappa值为0.938,接近1,具有良好的一致性。ROC曲线结果表明,人工智能检测方法用于肺癌高危人群中AUC值为0.867,诊断敏感性为0.814,特异性为0.894。结论将人工智能肺结节筛查用于肺癌高危人群中能达到早期肺癌识别的敏感性、特异性,能辅助医生诊断,为临床诊疗提供影像学依据和参考,值得推广应用。