肺结节良恶性鉴别特征及恶性磨玻璃结节浸润程度的鉴别诊断指标分析

目的探讨鉴别肺结节良恶性的临床特征、CT影像特征以及诊断恶性磨玻璃结节(GGN)浸润程度的指标。方法选取行胸腔镜手术治疗的205例肺结节患者作为研究对象,根据术后病理结果分为良性结节组、恶性结节组,分析2组患者的临床特征、影像学特征。根据术后病理结果(浸润程度),将恶性GGN患者进一步分为侵袭前病变(PL)组、微浸润性腺癌(MIA)组、浸润性腺癌(IAC)组,进行定量分析和定性分析,筛选恶性GGN浸润程度的独立影响因素并评估其诊断价值。结果良性结节组与恶性结节组的结节位置、结节类型、胸膜凹陷征、血管集束征比较,差异有统计学意义(P<0.05);多因素Logistic回归分析结果显示,结节类型、胸膜凹陷征、血管集束征均为肺结节良恶性的独立影响因素(P<0.05)。PL组与MIA组年龄、血管集束征、结节长径、平均CT值、结节类型比较,差异有统计学意义(P<0.05);MIA组与IAC组结节长径、平均CT值、实性成分长径、血管集束征、胸膜凹陷征比较,差异有统计学意义(P<0.05);多因素Logistic回归分析结果显示,结节长径、平均CT值为恶性GGN浸润程度的独立影响因素(P<0.05)。受试者工作特征曲线分析结果显示,结节长径、平均CT值单独鉴别诊断PL与MIA的曲线下面积(AUC)分别为0.805、0.857,截断值分别为7.2 mm、-612.3 HU,两者联合鉴别诊断的AUC为0.923;结节长径、平均CT值单独鉴别诊断MIA与IAC的AUC分别为0.860、0.703,截断值分别为16.2 mm、-338.1 HU,两者联合鉴别诊断的AUC为0.893。结论对于GGN,特别是存在胸膜凹陷征、血管集束征者,应高度怀疑恶性肺结节的可能。肺结节长径、平均CT值均对恶性GGN浸润程度具有一定鉴别诊断价值,且两者联合应用的价值更高。

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%。

基于空间转换网络的肺结节分类方法

为了降低肺结节分类问题中因样本的形变、扭曲、偏移等对分类结果的影响,提出一种基于空间转换网络的特征提取网络模型。在该模型中,利用空间转换网络的自适应仿射变换能力,赋予分类网络以自主矫正样本的能力,提升分类模型的鲁棒性。经过实验证明,该方法能够有效提高分类任务的准确率。

基于深度信念网络的肺结节良恶性分类

肺结节的良恶性分类是计算机辅助诊断系统中最重要的部分,目前常用的分类方法有分类精度低、假阳性高等问题。针对上述问题,把深度信念网络(DBN)引入肺结节的良恶性诊断过程中,提出自定义的DBN分类算法。首先从不同的角度提取肺结节特征,并形成特征向量。然后根据提取的特征对三个隐藏层的节点数进行分析;并构建了一个5层深度信念网络。最终使用训练样本对DBN进行训练;并输出网络的测试结果。对175个病例进行试验,结果表明:算法的分类精度、敏感性和特异性分别为95.3%,92.5%和93.2%,ROC曲线下面积为0.921。与传统算法相比有更好的分类效果,可以给医生提供客观的辅助诊断。

联合生成对抗网络的肺结节良恶性分类模型

针对传统的肺癌诊断方法存在误诊、错诊的情况,提出一种新的方法对肺结节CT图像进行良恶性分类,该方法联合了无监督学习的生成对抗网络与有监督学习的卷积神经网络。首先,利用生成对抗网络特性,提出融合DCGAN与WGAN-GP的生成对抗网络,并使用渐进式的训练模式生成了清晰的图像作为扩充样本(1 000幅)。接着,与真实样本(1 400幅)输入至卷积神经网络中进行训练,使用真实样本(600幅)对模型进行测试。最终,该联合模型对肺部CT图像结节良恶性分类的准确率、敏感性、特异性与AUC值分别达到了96.5%、96.67%、96.33%与0.953,并设计相关的参照实验,验证了利用生成对抗网络的生成样本对提高肺结节良恶性分类模型能力的可行性与有效性。

基于放射影像组学和随机森林算法的肺结节良恶性分类

针对现有的肺结节良恶性分类算法存在分类准确率不高的问题,文中提出了一种基于放射影像组学和随机森林算法的肺结节良恶性分类算法.首先,提出了一种新的多尺度圆形滤波,用于对肺结节进行增强;其次,采用阈值法、形状指数和纹理特征自动获取种子点,并将种子点注入到随机游走算法中,以实现对肺结节的准确分割;然后,对分割的肺结节进行灰度、纹理、形状、小波和临床表征特征的提取;最后,采用随机森林构造肺结节良恶性的预测模型,并使用数据库LIDC对预测模型进行训练.实验结果表明,文中提出的算法对肺结节良恶性具有较高的分类性能,准确率、敏感性和特异性分别为94%、92%和94%.

改进的深度信念网络肺结节良恶性分类

为解决传统的计算机辅助诊断系统中肺结节特征提取过程复杂的问题,提出一种基于深度信念网络的肺结节良恶性分类方法。通过阈值概率图对原始CT图像进行预处理,采用多隐层深度信念网络提取肺结节图像的深层特征,引入交叉熵稀疏惩罚因子机制解决受限玻尔兹曼机在训练过程中出现的特征同质化现象,将极限学习机作为分类器对提取到的特征进行良恶性分类。通过对比多种深度学习方法在肺结节诊断方面的优势与不足,验证了该方法的准确性、特异性、敏感性均优于其它算法。

基于残差网络深度学习的肺部CT图像结节良恶性分类模型

计算机辅助肺结节良恶性诊断对肺癌的及时治疗具有重要意义。针对计算机辅助诊断系统中肺结节良恶性诊断准确率较低,误诊率、错诊率相对较高的现状,提出一种基于残差网络的肺结节良恶性分类模型。首先选择部分LIDC-IDRI的肺部CT图像(共计10402幅)作为数据集,然后通过图像的水平翻转对数据进行扩增,再将图像转为单通道,并进行裁剪及归一化等处理,最后将数据分为训练集与测试集(7∶3),对所设计的残差网络(ResNet-26)进行训练与测试。完成训练后,测试得到肺结节良恶性分类准确率、敏感性及特异性分别为97.53%,97.91%及97.18%,计算得出AUC为0.958。通过对比,实验结果在各个指标均优于现存的其他多种方法,其分类结果可为医生的诊断提供较好的辅助参考。

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%。

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大地提高患者的生存率;肺癌的症状在早期表现为肺结节;以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法;首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化;使用多次聚类算法检测肺结节;使用基于改进的LVQ分类器进行肺结节的良恶性进行分类;利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%;实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。

深度学习在肺结节辅助诊断中的应用

肺癌位居癌症死亡率首位,对其进行早期诊断和治疗可降低肺癌患者的死亡率。深度学习能够自动提取结节特征,并完成肺结节的良恶性及恶性等级分类,因此深度学习方法成为肺癌早期诊断的重要手段。对常用数据集进行介绍,系统阐述了栈式去噪自编码器(SDAE)、深度置信网络(DBN)、生成对抗网络(GAN)、卷积神经网络(CNN)、循环神经网络(RNN)和迁移学习技术在肺结节良恶性分类中的应用,阐述了深度卷积生成对抗网络(DCGAN)、多尺度卷积神经网络(MCNN)、U型网络(U-Net)和集成学习技术在肺结节恶性等级分类中的应用,针对肺结节分类的深度学习方法进行了综合分析,并对未来研究方向进行展望。

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。

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。

正则化极限学习机的改进及其在肺结节良恶性分类中的应用

为了提高肺结节良恶性诊断中的分类准确度,提出了一种L1/L2范数约束的极限学习机(L1/L2-ELM)分类算法.将结节的方向梯度直方图(HOG)特征作为输入,通过调整后的结构自适应求解出最优权重参数,最后进行分类处理并得出分类结果.对456例肺部图像进行了实验,结果表明,其分类准确度达到94.12%,与其他分类算法相比,改进的ELM分类算法能得到更高的分类准确率.

基于双路径交叉融合网络的肺结节CT图像分类方法

针对肺结节计算机断层(CT)图像具有的细节多样性以及类间相似性的问题,构建了一种集卷积神经网络(Convolutional neural network, CNN)和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先,以窗口多头自注意力和滑动窗口多头自注意力为基础,构建全局特征块,用于捕获结节的形态特征;以大核注意力为基础构建局部特征块,用于提取结节的纹理、密度等内部特征。其次,设计特征融合块用于融合上一阶段的局部与全局特征,使每一条路径都能获得更综合的判别信息。然后,引入KL(Kullback-leibler)散度来增加不同尺度特征之间的分布差异性,优化网络性能。最后,采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验,网络的分类准确率、召回率、精确率、特异性、受试者操作特征(ROC)曲线下的面积(Area under curve, AUC)分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明,所提方法具有较好的肺结节良恶性分类能力。

肺结节性病变-肺腺癌病理新进展

肺结节性病变包括良性和恶性肺结节。肺腺癌是恶性肺结节中最常见的一种类型。肺腺癌包括前驱腺体病变、微浸润性腺癌、浸润性黏液腺癌和非黏液腺癌,病理学亚型不同,其手术方式及预后也不尽相同。目前认为肿瘤肺泡腔内播散及亚型中微乳头成分和实性成分的占比直接影响外科手术方式及预后。故本研究提出对于前驱腺体病变可以楔形肺切除;微浸润性腺癌可以亚肺叶切除;浸润性腺癌需肺叶切除加淋巴结清扫。即使是Ia期的肺腺癌患者,如果含有肺泡腔内播散、微乳头、胸膜侵犯成分亦推荐术后辅助治疗。

模糊支持向量机在肺结节良恶性分类中的应用

针对传统支持向量机(SVM)对图像中含有的噪声或野值样本的不敏感性问题,提出了一种基于双向隶属度的模糊支持向量机(FSVM)的方法。该方法通过计算样本类中样本与其所属类别和另一类别的中心点之间的距离,得出样本对每一类的隶属度,通过对样本隶属度的分析实现对样本点的分类。将该方法应用于对肺结节良恶性分类试验中,其参数反演结果表明,即使在噪声存在的情况下该方法也能得到较好的分类结果,而且克服了传统方法过拟合的缺点,从而也验证了该方法较强的抗噪能力和较好的分类能力。