基于移动窗口注意力机制和编码解码器的肺结节分类方法

针对肺结节分类方法仍存在缺乏推理过程的可解释性和判别性特征表示等问题,提出了一个基于移动窗口注意力机制和编码解码器肺结节分类方法(SWAC)来对图像进行特征提取。该模型结合了卷积神经网络(CNN)和移动窗口注意力机制的优势,通过关注结节分类所必需的区域进行结节分类,有效地提取了结节的浅层特征和深层特征。该卷积神经网络引入了Focal损失函数,对网络主干进行特征约束来关注难分类样本,以此提升网络的判别表征能力。在LIDC-IDRI数据集上通过消融实验分析了该方法中各部分的贡献和影响,结果表明,SWAC分类方法具有优异的性能。

基于多尺度特征互补和聚合约束的肺结节分类方法

肺结节分类问题是早期肺癌检测与诊断的重要问题之一,针对现有的肺结节分类方法存在多尺度特征融合的信息冗余和缺乏判别性特征表示等问题,提出了一个基于多尺度特征互补与聚合约束(Multi-scale Feature Complementation and Aggregate Constraint, MFCAC)的肺结节分类方法,并提出了多尺度特征互补模块用于学习相邻尺度特征的差异信息,从而避免特征融合过程中的信息冗余;同时在网络特征层引入了聚合约束损失,实现对同类特征的聚集,提高网络判别性特征表示能力;将两个模块融入在编码器-解码器架构中形成MFCAC,共同作用实现高效分类。本文在LIDC-IDRI数据集上进行了对比实验,并通过消融实验分析了该方法中各组成部分的贡献和影响,结果表明,相较于对比算法,MFCAC在肺结节分类上具有更优的性能。

CT影像下的肺结节分类方法研究综述

近年来,深度学习因其具有自动提取特征的能力以及更好的分类性能而被广泛应用于各种分类任务之中。肺结节的分类研究也逐渐从手工提取特征的传统方法向基于深度学习的分类方法转变。为了更好地对CT影像下的肺结节进行良恶性分类研究,对以卷积神经网络(CNN)为主的深度学习方法在肺结节良恶性分类研究的现状进行梳理和归纳总结。首先介绍了目前常用的肺结节公开数据集,包括其内容、局限性以及下载地址。其次总结了常用的性能评价指标。然后重点介绍了近年来深度学习方法在肺结节分类中的研究工作:分别从网络结构层面和数据层面将当前肺结节分类方法归类为仅使用卷积神经网络、在卷积神经网络中引入注意力机制、多视图学习、多模态学习以及使用迁移学习、对抗神经网络这些方法;同时总结了这些分类方法的网络结构以及优缺点,并且对比了近三年的基于这些内容的肺结节分类方法在肺结节公开数据上的良恶性分类表现。最后讨论了目前肺结节分类中存在的问题并探索进一步的研究方向。

三维多尺度交叉融合网络肺结节分类研究

计算机断层扫描影像中良、恶性肺结节的准确分类对肺癌的预防和治疗至关重要。然而,由于计算机断层扫描影像中肺结节背景的复杂性,以及良、恶性肺结节判定之间存在的不确定性,使得良恶性肺结节的准确分类成为了一项极具挑战性的工作。提出了一种深度三维多尺度交叉融合卷积神经网络实现了良恶性肺结节的精确分类。使用密集连接结构自动提取肺结节多尺度特征,为了减少特征提取过程中肺结节相关信息的丢失,对多尺度特征引入了交叉融合策略得到多尺度特征组,增强了高、低层次语义信息的表达能力,同时增强特征在网络中的传递和转移。将提取的特征组分别连接至多个softmax分类器,模拟多位经验不同医生共同决策,实现了良、恶性肺结节的精确识别。使用肺图像联合会数据集进行验证,分类准确率达到了90.96%,AUC为94.95%。

融合多维度卷积神经网络的肺结节分类方法

针对CT图像肺结节分类任务中分类精度低,假阳性高的问题,提出了一种加权融合多维度卷积神经网络的肺结节分类模型,该模型包含两个子模型:基于二维图像的多尺度密集卷积网络模型,以捕获更宽泛的结节变化特征并促进特征重用;基于三维图像的三维卷积神经网络模型,以充分利用结节空间上下文信息。使用二维和三维CT图像训练子模型,根据子模型分类误差计算其权重,对子模型分类结果进行加权融合,得到最终分类结果。该模型在公共数据集LIDC-IDRI上分类准确率达到94.25%,AUC值达到98%。实验结果表明,加权融合多维度模型可以有效地提升肺结节分类性能。

DenseNet-centercrop:一个用于肺结节分类的卷积网络

为解决由肺部CT图像对肺结节进行良恶性分类的问题,提出了一个新颖的端到端深度学习网络DenseNet-centercrop。通过在原有的DenseNet结构中的稠密块间增加新的分支,引入了中心剪裁操作。该网络结构具有2个优势:(1)不仅最大程度保留了DenseNet的结构,而且将其稠密连接机制扩展到了稠密块水平,大大丰富了肺结节的多尺度特征。(2)参数量较少,是一种轻量化的网络结构。将基于该网络的肺结节良恶性分类方法在LIDC-IDRI数据集上进行评估,实验结果表明,DenseNet-centercrop极大地提高了DenseNet的性能,较现有的其他肺结节良恶性分类方法具有更高的AUC分值和分类精度。

基于改进ReliefF与k-means算法的良恶性肺结节分类模型

肺结节是肺癌的症状.在CT图像中,肺结节的形状和大小常被用来进行肺癌的诊断,然而良性和恶性结节的鉴别对于疾病的治疗具有重要意义.由于良恶性结节的边缘纹理特征区别大,因此本文首先利用基于改进的边缘检测算子的灰度-梯度共生矩阵(GGCM)提取小梯度优势、灰度分布不均匀性、能量、灰度熵、梯度熵、混合熵、逆差距、相关性等肺部CT图像的14种纹理特征.然后利用改进的ReliefF算法去除作用小的特征,保留重要特征的特征权重值.最后将重要特征的权重值应用于改进距离度量准则的k-means算法中进行良恶性结节的分类.应用本文算法在LIDC数据集上实验,实验分析结果表明,14种纹理特征对于结节良恶性的分类能力并不相同,而灰度差、梯度差、能量、小梯度优势、相关性、灰度熵、混合熵、逆差矩的组合得到的良恶性肺结节分类效果最好,最终实现了良性结节83.46%,恶性结节95.02%的识别率,可在临床应用中辅助医生进行肺结节的良恶性诊断.

基于分布先验的半监督FCM的肺结节分类

肺结节的良恶性分类对于肺癌的早期发现及诊断具有重要意义。然而实际应用中,标记的图像数量较少,且获取标记将耗费大量的人力,在这种情况下,使用半监督学习算法是有效提高分类性能的一个思路。作为一种经典的半监督学习算法,传统的半监督FCM在未标记样本与标记样本分布不平衡情况下不能充分利用标记信息。针对此问题,本文提出了一种基于分布先验的半监督FCM算法。首先计算样本的先验分布概率,基于获得的先验概率,给样本赋予权重,并将其融入到半监督FCM聚类中,从而强化少量的标记样本在聚类过程中的指导作用。文中在LIDC数据库上进行了相应的实验,实验结果证明,相比较传统的半监督FCM算法,提出的算法能够取得更好的肺结节分类性能。

基于多尺度多模式图像的肺结节分类对比研究

基于深度卷积神经网络模型,讨论了不同尺度及不同模式肺结节图像对模型分类表现的影响,并提出了一种2D多视图融合的肺图像处理方法,该方法比传统的2D方式能获取更多的肺结节信息,同时又能比3D的方式引入更少的干扰组织。为了验证模型,对LIDC-IDRI和LUNA16数据集进行了预处理,得到了16、25、36三种尺度下2D、3D、2D全视图融合以及2D多视图融合四种不同模式的肺结节图像,然后构建了2D CNN、3D CNN、2D全视图融合卷积神经网络、2D多视图融合卷积神经网络四种模型。利用上述样本对模型进行训练和验证,最终结果表明,2D多视图融合模式下的肺结节图像相对于其他模式图像具有更佳的肺结节分类表现;对比多种尺度图像,小尺度下的分类表现相对更佳。

基于注意力机制的肺结节分类研究

为进一步提升肺结节分类的效果,引入一种基于注意力机制的分类算法。通过在神经网络中添加空间和通道注意力因子,使得肺结节分类网络生成更有效的特征映射,结合梯度提升树算法,进一步提升模型的性能。经过大量实验后,证明了该方法的有效性。

基于影像组学方法的肺结节分类研究

目的:精确分类肺结节的良恶性。方法:基于影像组学方法构建肺结节良恶性预测模型。结果:使用AUC值描述实验结果。最终本文方法的AUC=0.899,高斯核AUC=0.864,多项式核AUC=0.812。结论:较单一核方法,本文方法有效提高了肺结节的分类准确度。

基于神经网络架构搜索的肺结节分类算法

肺结节分类是早期肺癌诊断的重要任务。基于深度学习的肺结节分类方法虽然能够取得良好的分类精度,但存在模型复杂和可解释性差的问题。为此,提出了一种基于神经网络架构搜索的肺结节分类算法。首先,将注意力残差卷积cell作为搜索空间的基本单元,并使用偏序剪枝方法作为搜索策略来构建神经网络架构以搜索3D分类网络,从而达到网络性能和搜索速度的平衡。其次,在网络中构建了多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,采用堆叠法将搜索到的网络架构进行多模型的融合,从而获取精准的肺结节良恶性分类预测结果。实验结果表明,在肺结节分类常用数据集LIDC-IDRI上,所提算法与最新肺结节分类算法相比具有较好的分类性能和较快的收敛,且所提算法的特异性和精确率分别达到95.37%和93.42%,能够实现良恶性肺结节的准确分类。

基于CNN-L1/L2-ELM混合架构的肺结节分类研究

本文提出了一种卷积神经网络(CNN)和正则化极限学习机(L1/L2-ELM)的混合结构的分类算法,用来提高胸部CT影像中肺结节分类的准确性和分类效率.通过这两类算法的协同作用对肺结节良恶性进行有效分类.利用LIDC公开数据库进行实验验证,结果显示,本文算法所得肺结节分类正确率可达92.87%,且敏感性和特异性也分别达到87.15%和94.45%,表明本文算法对良恶性肺结节分类是有效的,且结果优于卷积神经网络和其他方法.

多分支卷积神经网络肺结节分类方法及其可解释性

肺结节CT图像表征复杂且多样,导致对肺结节进行分类较为困难。虽然越来越多的深度学习模型被应用到计算机辅助肺癌诊断系统的肺结节分类任务中,但这些模型的“黑盒”特性无法解释模型从数据中学习到了哪些知识,以及这些知识是如何影响决策的,导致诊断结果缺乏可信性。为此,文中提出了一种可解释的多分支卷积神经网络模型来判别肺结节的良恶性。该模型利用医生诊断时所用的肺结节语义特征信息来辅助诊断肺结节的良恶性,并将这些特征与肺结节良恶性判别网络融合成多分支网络,在完成肺结节良恶性诊断任务的同时,得到肺结节相关语义特征的预测结果,为医生提供可信的诊断依据。在LIDC-IDRI数据集上的实验结果表明,与现有方法相比,所提模型不仅可以得到可解释的诊断结果,而且实现了更好的肺结节良恶性分类效果,其准确率可达97.8%。

基于病理特征和改进随机森林的肺结节分类

针对基于小样本训练的机器学习模型对肺结节良恶性分类精确度不高的问题,本文提出了一种基于病理特征和改进随机森林的肺结节良恶性分类方法。首先利用灰度级转换、两次区域生长和一次腐蚀膨胀,将肺结节周围的CT图像数据完整地分割出来,保留了特征细节,然后提取了语义特征、形态学特征、图形学特征、临床特征组合而成的病理特征,接着选取不同的特征分别训练2种随机森林分类器,最后将2种分类器进行集成加权得到肺结节良恶性的分类结果。通过ROC曲线、AUC值和其他机器学习方法进行对比,表明本文的方法能有效提升肺结节良恶性的分类精确度。

基于改进EfficientNet网络的肺结节图像分类研究

针对目前计算机辅助诊断肺结节良恶性精度值较低、误诊率较高以及模型较复杂等问题,提出一种改进EfficientNet网络的肺结节良恶性分类模型。首先,在特征提取部分融合ECA模块,搭建出EMBConv结构,使网络模型关注更多特征信息;其次,使用跨域迁移学习,提高了网络模型的分类性能;然后采用Ranger优化器优化网络训练,有效防止模型陷入局部最优;最后,将从LIDC-IDRI数据集分割提取的肺结节图像输入到改进的分类模型中。实验结果表明,所提方法在网络参数量和计算量表现出较强竞争力,同时,分类准确率、精确率达到了91.83%和95.50%,较模型改进前分别提高了1.66%和4.41%。

从痰瘀毒虚分类辨病论治肺结节

本团队结合现代研究成果,认为肺结节的病机关键在于“痰、瘀、毒、虚”。就良性结节而言,初期痰气交阻而多为磨玻璃结节,能消易散;而后痰瘀互结形成混合性磨玻璃结节,或可消散;后期痰瘀凝结乃致纤维化而成实性结节,难以消散。结节日久不散,痰瘀结聚日久化热,或复因机体内部失调或感染外邪,“毒、虚”与“痰、瘀”交互作用,则可由良性结节演变为隐性肺癌乃至发展为显性肺癌,其中混合性磨玻璃结节因毒邪转胜,进展转快的机率较大,恶变风险高。治疗肺结节关键思想在于既病防变,“以益气扶正固其本,以化痰活血通络散结消其积,以清热解毒抗癌防其变”,结合现代药理学研究成果及CT影像,区分不同类型以辨别病邪之所偏,分别施治,经临床验证确有效果。

多模式特征融合网络肺结节良恶性分类方法

胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征融合网络肺结节良恶性分类方法。具体地,以MobileNet V3为骨干网络,以原始肺结节CT图像及提取出的结节图像为输入,设计了一种双路径特征提取网络,不仅能够有效提取原CT图像的全局信息,还能有效挖掘肺结节区域的判别性特征,以弥补结节较小时网络过多关注其周围组织从而产生误判的问题。此外,在特征提取阶段引入convolutional block attention module(CBAM)和通道混洗机制,进一步增强了网络的特征表达能力。同时,对原MobileNet V3网络结构做出修改,删除最后四组基于倒残差结构的bottlenecks(bnecks)模块,使模型能够以较小的时间和空间复杂度精确诊断恶性结节。在LIDC-IDRI数据集上的实验表明,提出的方法能够在显著降低网络参数量和FLOPs的同时实现对肺结节良恶性的精确分类,分类准确率、敏感性、特异性、精确率、F1值和AUC值分别达到了93.71%、94.03%、93.48%、95.56%、92.65%和98.66%。

基于多尺度特征融合的肺结节良恶性分类方法

为解决肺结节分类问题中肺电子计算机断层扫描(computed tomography,CT)图像特征提取不全面和随着卷积网络深度的加深易导致的梯度消失问题,提出一种基于多尺度特征融合网络(multi-scale feature fusion network,MSFFNet)的肺结节良恶性自动分类模型.使用多尺度卷积操作对输入的肺结节CT图像分别进行不同范围的特征提取和特征的融合拼接,解决特征提取不全面的问题;引入SE-ResNeXt模块,充分利用通道注意力机制,有效解决特征信息丢失的问题;输出肺结节良恶性的分类结果.在大型公开可用的肺图像联合数据库(lung image database consortium,LIDC-IDRI)上进行实验,MSFFNet模型的分类准确率达97.2%,特异性和敏感性分别为96.14%和98.62%,优于SE-ResNeXt等方法的分类效果.

基于部分注释CT图像的自监督迁移学习肺结节分类

深度学习模型训练时需要大量的注释样本,但在医学领域注释数据难以获取。针对此问题,提出了一种结合部分注释数据的自监督学习算法,以提高3D肺结节的分类性能。在传统自监督训练的网络结构基础上,设计了一种多任务学习的网络结构,以同时利用医学图像处理任务中大量未注释数据和少量注释数据。通过先训练未注释数据然后加入注释数据继续训练的方式,实现了注释数据与未注释数据间部分网络结构和参数的共享。相较于传统自监督学习方法,所提算法在保证模型泛化能力的同时能够学习到更多与肺结节相关的鉴别特征,因此将模型迁移学习用于肺结节分类时也能表现出更佳的性能。所提算法在公开数据集LIDC-IDRI上的分类准确率达0.886,曲线下面积(AUC)值达0.929,实验结果表明,所提算法能够有效提升肺结节的分类性能。