基于改进的U-Net肺结节分割方法研究

由于肺部CT图像的特征信息复杂程度高,经典U型卷积网络对肺结节分割存在准确率较低和误分割等问题.针对这一问题,提出一种改进的U型卷积网络模型.该模型将U-Net网络和DenseNet网络融合,将解码器浅层特征连接至深层特征来增强特征的复用性.通过U-Net网络与卷积条件随机场(ConvCRF)的端到端结合训练来增强边缘特征,解决了边界模糊的问题.提出一种改进的focal loss损失函数,该函数提高了结节所占的权重,解决了正负样本不平衡的问题.在LUNA16数据集中作对比实验验证了模型的性能,分割精准度达到0.9374,敏感度为0.941,该结果证明了改进模型在肺结节分割中更优.     

基于混合损失联合调优与多尺度分类相结合的肺结节检测算法

针对CT图像的肺结节自动检测任务中检测灵敏度低及存在大量假阳性的问题,提出了一个基于混合损失的三维全卷积网络与基于注意力的多尺度三维残差网络相结合的肺结节检测方法。首先,基于相似度损失预训练三维全卷积网络,利用该网络筛选难例样本,并基于混合损失将难例与正样本进行联合调优得到候选结节检测网络,用于快速筛选疑似结节;然后,利用基于注意力的多尺度三维残差卷积网络对疑似结节进行分类,从候选结节中精确地分辨出真正结节。在LUN16数据集上,候选结节检测阶段的灵敏度在每个病例的假阳数目为59.1时达到97.18%,检测系统的平均灵敏度为0.880,表明本算法可以提高肺结节检测的灵敏度并有效控制假阳性,在LUNA16数据集上获得了更优的性能。     

基于密集残差连接的肺结节检测方法

针对目前基于深度学习的肺结节检测算法中不同深度与尺寸的特征信息间没有相互交流的问题,提出了一种基于密集残差连接的肺结节检测模型。本模型在3D U-Net网络的基础上引入密集连接,充分利用网络中肺结节特征图,实现不同层的特征信息的结合,提高结节特征的利用率;同时结合残差结构,避免了网络加深后出现的梯度消失问题;引入通道注意力机制,对不同通道的结节特征赋予权重,提高结节的识别率;在3D U-Net网络的编码解码部分间的跳跃连接中使用转置卷积,融合不同尺度与不同深度的特征。所提算法在肺结节公共数据集LUNA16上进行十折交叉验证,以无限制受试者操作特征为评价指标,实验结果表明,在假阳率为0.125、0.25、0.5、1、2、4、8这7个点上,平均敏感度为0.852,相较于基准模型提升5.5%。所提出的肺结节检测算法相比基准模型提高了检测敏感度,较好的实现对肺结节的检测。     

基于深度卷积神经网络的肺结节检测算法

在传统的肺结节检测算法中，存在检测敏感度低，假阳性数量大的问题。针对这一问题，提出了基于深度卷积神经网络（CNN）的肺结节检测算法。首先，有目的性地简化传统的全卷积分割网络；然后，创新地加入对部分CNN层的深监督并使用改进的加权损失函数，获得高质量的候选肺结节，保证高敏感度；其次，设计了基于多尺度上下文信息的三维深度CNN来增强对图像的特征提取；最后，将训练得到的融合分类模型用于候选结节分类，以达到降低假阳率的目的。所提算法使用了LUNA16数据集，并通过对比实验验证算法的性能。在检测阶段，当每个CT检测出的候选结节数为50.2时，获得的敏感度为94.3%，与传统的全卷积分割网络相比提升了4.2个百分点；在分类阶段，竞争性能指标达到0.874。实验结果表明，所提算法能够有效提高检测敏感度和降低假阳率。     

基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键。由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊。准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤。在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导致结果较差的问题。在此改进的基础上提出了一种U型噪声残差网络NRU（Noisy Residual U-Net）,通过利用跳跃层连接的特性和向卷积层添加噪声来增强神经网络对小结节的灵敏度。使用Lung Nodule Analysis 2016和阿里巴巴天池肺癌检测竞赛数据集训练神经网络。U-Net和NRU之间的比较实验表明,该算法对直径为3~5 mm（97.1％）的小结节的灵敏度大于U-Net值（90.5％）。     

基于卷积神经网络的胸片肺结节检测

针对目前胸片的肺结节检测方案的检出率较低,且存在大量的假阳性的问题,提出了一种新的基于卷积神经网络(CNN)的肺结节检测方案.增强肺结节区域的图像信号;选择正、负样本训练卷积神经网络模型,检测结节时用滑动窗口的方法对增强后的图片进行处理得到候选区域;根据候选区域的面积排除假阳性.方案中省略了传统方法中的肺区分割步骤,避免了因此可能丢失的肺结节图像.在日本放射技术学会(JSRT)数据库上测试结果显示,系统在平均每幅图5.0个假阳性水平下敏感度为86％,对不明显和非常不明显的结节检出率达到了84％,优于当前相关文献报道的方法.     

改进U型残差网络用于肺结节检测

针对计算机断层扫描（CT）影像中肺结节检测灵敏度较低,且存在大量假阳性的问题,提出一种改进的U型残差网络用于肺结节检测。采取U-net网络的U型结构并利用残差学习方式构建深层次网络,同时引入自校正卷积增加特征的信息提取能力,进行通道间与局部信息增强,有利于检测不同形态的结节;通过引入的通道注意力机制,对特征提取过程中的特征进行重标定,实现自适应学习特征权重,进一步提高检测的准确率;引入DR loss作为该算法的分类损失函数,用于解决数据正负样本失衡问题。在LUNA16数据集对所提算法进行了验证,CPM得分达到0.901,提高了肺结节检测的灵敏度,而且有效降低了检测结果的平均假阳性个数,可有效辅助放射科医师对肺结节进行检测。     

基于改进Faster R-CNN和3D DCNN的肺结节检测算法

针对传统肺结节检测准确率低,且存在假阳性高的问题,提出了一种改进Faster R-CNN网络检测候选结节,以及改进的3D DCNN网络去除假阳性的算法。考虑到结节的形状大小等因素,在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性,并在特征提取器的最后一层添加一个反卷积层,在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域,获取候选结节。为了去除假阳性结节,在2D DCNN网络基础上调整卷积核参数,引入时间维度生成3D DCNN,并利用Adam算法调整网络学习率更改网络权重参数,采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明,所提出的算法平均检测准确率达到97.71%,同时降低了误诊率和漏诊率。     

基于U-Net网络的医学图像分割研究综述

近年来随着深度学习技术的快速发展,卷积神经网络(CNN)成为语义分割的重要支撑框架,被广泛运用于多种目标检测与分割的任务当中。在医学图像分割任务中,U-Net网络以其优异的分割性能、可拓展性的网络结构等特点成为该领域研究的热点。如今有众多学者从网络的结构等方面对U-Net进行改进以优化网络性能、提升分割准确度。研究通过对相关文献的分析,首先介绍了基于U-Net的经典改进模型;然后阐述了六大U-Net改进机制：注意力机制、inception模块、残差结构、空洞机制、密集连接结构以及集成网络结构;随后介绍了医学图像分割常用评价指标和非结构化改进方案,这些非结构化改进方法包括数据增强、优化器、激活函数和损失函数四个方面;之后列举并分析了在肺结节、视网膜血管、皮肤病和颅内肿瘤新冠肺炎四大医学图像分割领域的改进模型;最后对U-Net网络的未来发展进行展望,为相关研究提供思路。     

基于深度卷积神经网络的两阶段肺结节检测

针对传统肺结节检测中存在灵敏度低、假阳性高、小结节难检测的问题,提出一种基于深度卷积神经网络的两阶段肺结节检测框架.第一阶段使用特征金字塔子网提取肺部影像的多层次特征,引入多尺度区域建议子网用于在高灵敏度下检测出所有的候选结节;第二阶段设计级联卷积神经网络模型减少假阳性,通过保留分类错误样本用于重新训练模型,将多个模型结果进行投票选出最终分类结果.LUNA16数据集上的实验结果表明,所提框架灵敏度达到95.9％,检测效果优于其它算法,能够有效实现肺结节的准确检测.