结合深度卷积神经网络与影像学特征的肺结节良恶性鉴别方法

提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。

320排CT灌注成像在肺结节的良恶性鉴别诊断中的价值评价

目的:对肺结节的良恶性鉴别诊断中应用320排CT灌注成像的应用价值进行研究。方法:选择2016年11月—2017年11月间在我院进行治疗的肺结节患者共96例作为研究分析对象,对所有患者仅使用320排CT灌注扫描,将良性、恶性肺结节的灌注参数进行记录并对比,同时将诊断结果与病理诊断结果进行对比。结果:在肺动脉灌注值以及灌注指数方面,恶性肺结节明显低于良性肺结节(P <0.05);在支气管动脉灌注值方面,恶性肺结节明显高于良性肺结节(P<0.05),差异均有统计学意义,同时对良恶性肺结节诊断的敏感性为(35/38),准确性为,与病理诊断无明显差异(P> 0.05)。结论:在对肺结节良恶性诊断鉴别中应用320排CT灌注成像的具有较高的诊断正确率,在临床诊断中值得推广应用。