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。     

基于多时期蒸馏网络的随访数据知识提取方法

随着医学上对随访工作的不断重视,通过医学图像分析的方法获取随访指导的相关信息变得越来越重要;然而,在深度学习领域,大多数方法不适用于处理此类任务。为了解决这个问题,提出了一种多时期知识蒸馏（MKD）模型。首先,借助知识蒸馏在模型迁移方向上的优势,将带有长时期随访信息的分类任务转换为基于领域知识的模型迁移任务;然后,充分利用长时期医学图像中所包含的随访知识,来完成长时期的肺结节分类。同时,针对随访过程收集到的数据每一年相对不平衡的问题,提出了一种基于元学习思想的正则化方法,且该方法能够有效地在半监督模式下提高模型的训练精度。在NLST数据集上的实验结果表明,所提出的MKD模型在长时期肺结节分类任务下较GoogleNet等深度学习分类模型的分类精度更优越。在不平衡数据量达到800例时,利用元学习方法改进后的MKD模型相较于现有先进模型最高可以提升7个百分点的精度。