基于多特征广义深度自编码的肺结节诊断方法

针对基于深度学习的肺结节良恶性分类诊断中由于学习到的肺结节特征不够全面引起的分类准确率不高问题,提出一种基于多特征广义深度自编码的肺结节诊断方法。通过预处理构建肺结节图像的3种数据集作为输入;将流形学习引入基于极限学习机的深度自编码中,形成无监督广义深度自编码,利用该网络逐层提取特征;通过不同的融合策略对肺结节,进行良恶性分类。实验结果表明,该方法可以有效提高分类性能,肺结节分类的准确率达到94.72%。

多尺度卷积神经网络用于肺结节假阳性降低

为解决检测系统中结节假阳性高的问题,提出一种基于多尺度三维卷积神经网络的肺结节假阳性降低方法。结合3个特定的结节检测算法以高敏感性筛选候选结节,将每个候选结节输入到不同尺度的三维卷积神经网络进行训练,融合网络的输出结果得到最终分类。在公开可用的LIDC数据集的888次扫描中,提出方法分别在每次扫描1次和4次假阳性时分别达到84.9%和90.9%的高检测敏感性。实验结果表明了提出的多尺度三维卷积神经网络对于体积式医学CT数据进行特征学习的有效性,其适用于降低肺结节检测系统中的假阳性。

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。

基于征象信息和深度哈希的肺结节图像检索

利用传统图像哈希方法对肺结节图像进行检索时,存在不能完整表达肺结节图像关键信息且检索效果欠佳的问题。针对这一情况,提出一种基于征象信息和深度哈希的肺结节CT图像检索方法。使用设计的深度网络对所研究肺结节图像进行深度特征的有效提取和征象类型的分类,将哈希函数嵌入到深度网络中实现哈希码的有效映射,使用特征关联的方式将分类概率值分布相似的待查询图像和训练集图像进行深度特征的关联表示,采用改进的距离度量计算方法衡量候选图像间的相似度,快速返回最匹配的肺结节图像。实验结果表明,所设计检索方法可以实现肺结节图像的高效检索。

血管粘连型肺结节图像的序列分割方法

为解决以往分割算法对血管粘连型结节分割不准确以及分割效率较低等问题,提出基于超像素和稀疏子空间聚类的序列肺结节图像分割方法。对CT图像进行序列肺实质分割,提取感兴趣图像序列,采用改进的超像素序列分割方法对感兴趣图像序列进行过分割,对所有的超像素样本提取新特征,包括对比度增强直方图特征、超像素样本邻域纹理特征以及基于先验知识的位置信息特征,采用距离约束稀疏子空间聚类算法对超像素样本进行聚类,得到序列肺结节掩膜,最终得到序列肺结节图像。实验结果表明,该方法能准确高效地分割序列血管粘连型结节图像。

基于三维尺度不变特征的肺结节良恶性诊断

传统肺结节良恶性诊断中,难以提取具有显著性和区分性的结节特征,会造成结节诊断准确率低、误诊率高等问题,为此提出一种基于三维尺度不变特征的肺结节良恶性诊断方法。综合考虑临床结节的三维特征和局部细节特征,选取结节序列图像的尺度不变特征点,联合3DSIFT描述子和灰度差累加直方图,统计获得每个特征点的尺度不变描述子,充分表征病灶的局部细节,利用DFCM聚类算法和BoW模型计算得到结节的特征表示,训练SVM完成结节的良恶性诊断。实验结果表明,该方法实现了优异的诊断效果,与不同文献中方法的对比中,有明显优势,且恶性度为3的结节更类似于良性结节。