基于深度迁移学习的肺结节辅助诊断方法

在肺癌早期筛查过程中,人工诊断胸部CT扫描图像费时费力,而深度学习网络缺乏足够的医学数据进行训练。为此,提出一种渐进式微调(PFT)策略,将其应用于深度迁移学习网络以辅助诊断肺结节良恶性。利用神经网络在粗粒度的自然图像大数据集中学习特征知识,经重构网络分类层将所学到的特征信息迁移至肺结节的细粒度小数据集。采用PFT策略从全连接分类层开始,逐层释放、微调训练卷积层直至所有网络层,并通过定量分析各层微调后肺结节良恶性分类的AUC值,确定最佳微调深度。此外,采用梯度加权类激活映射图和t-SNE算法为网络预测结果提供相应的视觉支持与解释。在LIDC数据集中的实验结果表明,该方法对肺结节良恶性诊断的准确率可达91.44%,其AUC值为0.962 1。     

基于混合受限玻尔兹曼机的肺结节良恶性诊断

针对传统计算机辅助诊断中肺结节的特征提取方法依靠人工设计、操作复杂、识别率低等问题,提出了一种基于混合受限玻尔兹曼机的肺结节良恶性诊断方法。首先采用多层无监督卷积受限玻尔兹曼机自动对肺结节图像进行特征学习,然后利用分类受限玻尔兹曼机对获得的特征进行良恶性分类。为避免分类受限玻尔兹曼机在训练中出现的特征同质化问题,引入了交叉熵稀疏惩罚对其进行优化。实验结果表明,该方法有效避免了手动特征提取的复杂性,在肺结节良恶性分类的准确率、敏感性、特异性、ROC曲线下面积值上均优于传统诊断方法。     

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。     

三维多尺度交叉融合网络肺结节分类研究

计算机断层扫描影像中良、恶性肺结节的准确分类对肺癌的预防和治疗至关重要。然而,由于计算机断层扫描影像中肺结节背景的复杂性,以及良、恶性肺结节判定之间存在的不确定性,使得良恶性肺结节的准确分类成为了一项极具挑战性的工作。提出了一种深度三维多尺度交叉融合卷积神经网络实现了良恶性肺结节的精确分类。使用密集连接结构自动提取肺结节多尺度特征,为了减少特征提取过程中肺结节相关信息的丢失,对多尺度特征引入了交叉融合策略得到多尺度特征组,增强了高、低层次语义信息的表达能力,同时增强特征在网络中的传递和转移。将提取的特征组分别连接至多个softmax分类器,模拟多位经验不同医生共同决策,实现了良、恶性肺结节的精确识别。使用肺图像联合会数据集进行验证,分类准确率达到了90.96%,AUC为94.95%。     

CT影像识别的卷积神经网络模型

针对传统分类方法分割精度低、特征提取耗时等问题,构建一个适用于CT肺结节良恶性分类的卷积神经网络模型.首先确定网络深度、卷积核数目和卷积核大小等参数,构建卷积神经网络初始模型;然后选择激活函数类型、学习率和学习率衰减策略等训练参数;最后提出对感兴趣区域划分局部子区域的方式增强样本进行训练.在LIDC-IDRI数据集上进行实验的结果表明,准确率、特异性、敏感性及AUC值分别达到92.50%,0.91,0.94和0.93;对恶性结节的识别能力明显优于其他网络模型.     

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

目的 在甲状腺结节图像中对甲状腺结节进行良恶性分析,对于甲状腺癌的早期诊断有着重要的意义。随着医疗影像学的发展,大部分的早期甲状腺结节可以在超声图像中准确地检测出来,但对于结节的性质仍然缺乏准确的判断。因此,为实现更为准确的早期甲状腺结节良恶性超声图像诊断,避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用,提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。方法 本文提出的甲状腺结节分类算法由4步组成。首先对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。然后,对增强的图像进行数据扩展,并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。同时,提取图像的旋转不变性局部二值模式（LBP）特征作为图像的纹理特征。最后,将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。结果 本文方法在标准的甲状腺结节癌变数据集上对甲状腺结节图像取得了正确率99.15%,敏感性99.73%,特异性95.85%以及ROC曲线下面积0.997 0的的好成绩,优于现有的甲状腺结节图像分类方法。结论 实验结果表明,图像的深度特征可以描述医疗超声图像中病灶的整体感官特征,而浅层次纹理特征则可以描述超声图像的边缘、灰度分布等特征,将二者统一的融合特征则可以更为全面地描述图像中病灶区域与非病灶区域之间的差异以及不同病灶性质之间的差异。因此,本文方法可以准确地对甲状腺结节进行分类从而避免不必要手术、减轻病患痛苦和压力。     

基于集成随机森林模型的肺结节良恶性分类*

针对目前计算机辅助肺结节良恶性分类模型精度较低的问题,提出了一种基于CT图像的集成随机森林模型肺结节良恶性鉴别方法。首先,分割肺结节区域,提取其影像学特征向量输入多个基分类器;然后,利用每个基分类器的置信度构建集成模型的分类损失函数,求出每个基分类器的权重;最后,根据每个基分类器输出的类别概率值进行加权求和,求得其中概率最大值的类作为分类类别。为验证提出的分类模型性能,本文设计3种实验方案进行测试,准确率分别达到：96.41%,91.36%,95.82%;并与已有的肺结节良恶性分类模型进行对比,结果表明,集成随机森林分类模型能够有效提高肺结节鉴别良恶性的准确度。     

肺结节智能检测和三维可视化系统设计与实现

为了提高肺部疾病识别效率,减少肺结节漏诊率,设计了一套肺结节智能检测和三维可视化系统。方法：构建了一个基于RESNET的深度多通道三维卷积神经网络,根据LUNA16公开数据集的888例患者图像,选择权重参数为α=0.5,γ=2的Focal loss损失函数进行训练,在CT图像上对可疑的肺结节进行检测,采用光线投射算法对检测出的结节区域进行体绘制三维重建。结果：经实验测试,该网络与单通道网络和特征金字塔网络（Feature Pyramid network, FPN）相比,准确度最高,为84.8%,系统能够在230s内自动检测肺结节并完成三维重建,对于分辨率1mm/pixel的CT图像灵敏度在98%以上,用户可在浏览器上查看结节检测结果和三维重建模型。结论：该系统突破了终端设备和地域限制,能够为肺部疾病提供辅助诊断,提高诊断效率。     

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。     

基于特征金字塔网络和密集网络的肺部CT图像超分辨率重建

针对肺部计算机断层扫描（CT）图像的超分辨率（SR）重建中需要加大对肺结节的关注度、满足重建后的特征具有客观存在性等问题,提出一种基于特征金字塔网络（FPN）和密集网络的肺部图像SR重建方法。首先,在特征提取层利用FPN提取特征;其次,在特征映射层设计基于残差网络的局部结构,再用特殊的密集网络连接此类局部结构;再次,在特征重建层利用卷积神经网络（CNN）将不同深度的卷积层逐渐降为图像大小;最后,利用残差网络融合初始低分辨率（LR）特征与重建的高分辨率（HR）特征,形成最终的SR图像。对比实验显示,FPN中2次特征融合和特征映射中5个局部结构连接的深度学习网络效果更佳。所提出的网络相较于超分辨率卷积神经网络（SRCNN）等经典网络重建SR图像的峰值信噪比（PSNR）更高,并且可以获得更好的视觉质量。     

基于U-Net的高分辨率遥感图像语义分割方法

图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,传统分割方法应用受到极大限制,以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问题,提出一种基于U-Net改进的深度卷积神经网络,实现了端到端的像素级语义分割。对原始数据集做了扩充,对每一类地物目标训练一个二分类模型,随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高分割精度,在“CCF卫星影像的AI分类与识别竞赛”数据集上取得了94%的训练准确率和90%的测试准确率。实验结果表明,该网络在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。     

Hessian based approaches for 3D lung nodule segmentation

In the design of computer-aided diagnosis systems for lung cancer diagnosis, an appropriate and accurate segmentation of the pulmonary nodules in computerized tomography (CT) is one of the most relevant and difficult tasks. An accurate segmentation is crucial for the posterior measurement of nodule characteristics and for lung cancer diagnosis.This paper proposes different approaches that use Hessian-based strategies for lung nodule segmentation in chest CT scans. We propose a multiscale segmentation process that uses the central medialness adaptive principle, a Hessian-based strategy that was originally formulated for tubular extraction but it also provides good segmentation results in blob-like structures as is the case of lung nodules. We compared this proposal with a well established Hessian-based strategy that calculates the Shape Index (SI) and Curvedness (CV). We adapted the SI and CV approach for multiscale nodule segmentation. Moreover, we propose the combination of both strategies by combining the results, in order to take benefit of the advantages of both strategies.Different cases with pulmonary nodules from the Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) database were taken and used to analyze and validate the approaches. The chest CT images present a large variability in nodule characteristics and image conditions. Our proposals provide an accurate lung nodule segmentation, similar to radiologists performance. Our Hessian-based approaches were validated with 569 solid and mostly solid nodules demonstrating that these novel strategies have good results when compared with the radiologists segmentations, providing accurate pulmonary nodule volumes for posterior characterization and appropriate diagnosis.     

Intensity-based statistical features for classification of lungs CT scan nodules using artificial intelligence techniques

A computer-aided diagnostic (CAD) system for effective and accurate pulmonary nodule detection is required to detect the nodules at early stage. This paper proposed a novel technique to detect and classify pulmonary nodules based on statistical features for intensity values using support vector machine (SVM). The significance of the proposed technique is, it uses the nodules features in 2D & 3D and also SVM for the classification that is good to classify the nodules extracted from the image. The lung volume is extracted from Lung CT using thresholding, background removal, hole-filling and contour correction of lung lobe. The candidate nodules are extracted and pruned using the rules based on ground truth of nodules. The statistical features for intensity values are extracted from candidate nodules. The nodule data are up-samples to reduce the biasness. The classifier SVM is trained using data samples. The efficiency of proposed CAD system is tested and evaluated using Lung Image Consortium Database (LIDC) that is standard data-set used in CAD Systems for Lungs Nodule classification. The results obtained from proposed CAD system are good as compare to previous CAD systems. The sensitivity of 96.31% is achieved in the proposed CAD system.     

多输入卷积神经网络肺结节检测方法研究

针对传统计算机辅助诊断系统中肺部结节检出过程复杂,检出结果依赖于分类前期每个步骤的性能,以及存在假阳性率高的问题,提出了一种基于卷积神经网络的端到端的肺结节检测方法。该方法首先使用大量带标签的肺结节数据对构建的多输入卷积神经网络进行训练,实现从原始数据到语义标签的有监督学习。然后采用快速边缘检测方法和二维高斯概率密度函数构建候选区域模板,从待检测CT序列中获取候选区域并将其作为多输入卷积神经网络的输入数据。最后采用判定阈值实现疑似肺结节区域标注,同时在相邻的CT影像中进行重点检测。在LIDC-IDRI数据集上的大量实验结果表明,所提方法在肺部CT影像中对微、小结节的检出率较高;同时,重点检测模板能够小幅降低微、小结节检测的假阳率。     

基于改进型C3D神经网络的动作识别技术

Facebook提出的C3D三维卷积神经网络虽然能达到良好的视频动作识别准确率,但是在速度方面还有很大的改进余地,而且训练得到的模型过大,不便于移动设备使用。本文利用小型卷积核能够减少参数的特点,对已有网络结构进行优化,提出一种新的动作识别方案,将原C3D神经网络常用的3×3×3卷积核分解成深度卷积和点卷积（1×1×1卷积核）,并且在UCF101数据集和ActivityNet数据集训练测试。结果表明,与原C3D网络进行对比：改进后的C3D网络准确率比C3D提升了2.4%,在速度方面比C3D提升了12.9%,模型大小压缩到原来的25.8%。     

地物提取的多尺度特征遥感应用分析

通过空间尺度效应分析,阐述不同属性景观地物在同一分辨率或同一尺度影像中提取的不合理性。为获得精确的地表信息,提出多尺度遥感影像分析方法,解决不同地物在不同空间尺度影像数据中提取的难题。通过多种分辨率影像的多尺度影像信息提取的应用实践,分析地物提取中的多尺度特性、尺度与分辨率关系等。     

SRAD-CNN for adaptive synthetic aperture radar image classification

The performance of synthetic aperture radar (SAR) image classification based on a conventional convolutional neural network (CNN) is limited by a trade-off between immunity to speckle noise and the ability to locate boundaries accurately. Difficulties regarding the accurate location of boundaries are a result of the smoothing effect of the pooling layer. To address this issue, we propose a novel framework called SRAD-CNN for SAR image classification. In this framework, we apply a filtering layer constructed according to prior knowledge of the speckle reducing anisotropic diffusion (SRAD) filter. The filtering layer can not only reduce speckle but also enhance the boundaries. The main parameter that controls the degree of filtering can be optimized adaptively by a backpropagation algorithm. Image patches adaptively filtered by the filtering layer are then put into the CNN layers to assign a label. Due to the effect of the filtering layer, for our proposed SRAD-CNN, both the speckle noise immunity and the sensitivity to boundaries are superior to those of conventional CNN.To confirm the performance of the proposed SRAD-CNN, we conducted experiments using both simulated and real SAR images. The experimental results demonstrated that the parameter of the filtering layer could be optimized adaptively for different scenes, different noise levels, and different image resolutions. The SRAD-CNN outperformed the conventional CNN in both overall classification accuracy and maintenance of boundary accuracy on images with different resolutions and noise levels with limited training samples.     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。