基于多视角深度信念网络的肺结节识别方法

针对传统肺癌计算机辅助诊断系统中肺结节检出过程烦琐,且存在假阳性高的问题,提出一种基于多视角深度信念网络的肺结节识别方法。该方法首先将肺结节进行三维重建并将重建后不同大小的肺结节归一到不同尺度的立方体中,然后将不同视角的2.5D切片作为深度信念网络的输入数据,最后通过不同的融合策略完成对肺结节的识别。在肺部图像数据库联盟(LIDC)数据集上大量实验表明:相比于传统肺癌识别系统本文方法敏感性为(92.8±0.25)%,平均每组病例假阳性个数为2.4±0.3,该方法能有效降低肺结节自动检测过程中的假阳性率。

一种基于形态学可变元的肺实质分割方法

能极大提高肺癌患者生存率的诊断方式是肺癌的早期诊断,基于当前肺癌的早期诊断都依赖于恶性肺结节的检测,而肺结节检测算法数据准备环节最重要的一步是肺实质分割的现状,本文提出一种基于形态学可变元的肺实质分割方法。传统的形态学肺实质分割方法在分割大多数正常肺部CT时,能够达到优良的效果,但是在面对肺部情况复杂,CT层位于肺部顶端或底端时,传统的形态学肺实质分割方法便会失效,此时便需要人工分割。本文提出的这一新方法,能极大提高肺实质分割准确率,摆脱需要人工分割的局面。