基于神经网络架构搜索的肺结节分类算法

肺结节分类是早期肺癌诊断的重要任务。基于深度学习的肺结节分类方法虽然能够取得良好的分类精度,但存在模型复杂和可解释性差的问题。为此,提出了一种基于神经网络架构搜索的肺结节分类算法。首先,将注意力残差卷积cell作为搜索空间的基本单元,并使用偏序剪枝方法作为搜索策略来构建神经网络架构以搜索3D分类网络,从而达到网络性能和搜索速度的平衡。其次,在网络中构建了多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,采用堆叠法将搜索到的网络架构进行多模型的融合,从而获取精准的肺结节良恶性分类预测结果。实验结果表明,在肺结节分类常用数据集LIDC-IDRI上,所提算法与最新肺结节分类算法相比具有较好的分类性能和较快的收敛,且所提算法的特异性和精确率分别达到95.37%和93.42%,能够实现良恶性肺结节的准确分类。     

一种多尺度特征关联网络的遥感影像场景分类方法

针对遥感影像场景分类中提取特征信息不准确以及融合冗余信息的问题,提出一种多尺度特征关联网络的遥感影像场景分类方法。首先,利用ResNet18提取多尺度影像特征,并在特征金字塔结构中引入空洞卷积和多头自注意力模块关注各层有效信息,以增强语义信息和抑制周围噪声;其次,使用多特征关联模块来增强关键特征信息,对各层使用全局平均池化并加和,得到特征向量;最后,采用全连接层进行分类。该方法在NWPU数据集上的总体分类精度为90.51%,相比VGG＿VD16-MSCP、VGG＿VD16-SAFF以及DTDCNN等网络分别提升1.58%、2.65%和6.39%。结果表明,文章所用的多尺度融合方式能够更好地提取特征地物并抑制周围背景,从而取得更高的遥感影像场景分类精度。     

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。     

基于遗传算法和BP神经网络的孤立性肺结节分类算法

为了提高计算机辅助诊断系统中孤立性肺结节的良恶性诊断的准确性,提出了一种基于遗传算法和BP神经网的分类算法。该算法针对BP神经网络容易陷入局部最优的问题,综合考虑孤立性肺结节的医学诊断特性,采用遗传算法对基于BP神经网络的分类器进行优化,并通过对PET/CT图像进行处理,提取病灶的功能特征、结构特征以及临床信息作为神经网络分类器的输入样本,实现孤立性肺结节的良恶性分类。对医院以及网络公共数据库中的大量实验数据进行分类实验,结果表明优化后的算法在分类准确性上有较大的提高,说明该方法在肺结节临床分类方面是有效的。     

CT影像中毛玻璃型肺结节提取方法的研究

毛玻璃(GGO)型肺结节目前研究的比较少,但其恶性可能性也比较大。针对GGO型结节的对比度较血管和实体型结节的对比度低,直接使用阈值法不能很好地提取GGO型肺结节,直接使用多尺度圆点滤波器不能提取非球形形状的GGO型肺结节的问题,提出了一种基于形状特征和滤波器增强的阈值法相结合的方法来提取GGO型结节。首先使用形状指数方法提取具有全部或部分球形结构的GGO型结节,然后对剔除了血管、球形结构结节的图像应用滤波增强法来拉伸毛玻璃结节和肺实质的对比度,利用阈值方法提取不具有球形结构的毛玻璃结节。为了提高检测的准确率,对肺结节的特征进行提取与分类,并选择最佳特征组合,放入支持向量机分类器提取更精确的肺结节,并对算法进行评估和对比。实验结果表明,该方法能有效降低GGO型肺结节的漏检率,提高检测的敏感性、特异性,优于现有的两种方法。     

基于三维各向异性卷积的肺结节良恶性分类

计算机断层扫描（Computer Tomography,CT）图像中肺结节的良恶性诊断对治疗方案的选择有非常重要的作用。目前基于深度学习的CT图像肺结节良恶性分类算法的一个研究趋势是充分利用CT图像的三维信息来设计网络,但由于不同CT设备采集的图像参数不同,不同样本的CT图像其层内及层间分辨率也多不相同,进行特征提取前需要进行额外的预处理工作。大多数文献的做法是采用插值的方法统一分辨率,然而这种方法会造成图像分辨率降低或计算量增加等问题。针对这一问题,提出了一种基于三维各向异性卷积的肺结节良恶性分类网络,通过将标准三维卷积拆分为[k×k×1]和[1×1×k]的两种三维各向异性卷积,避免了直接将三维卷积作用到原始CT图像上,从而避免了图像分辨率不同的影响。还提出了裁剪-非局部池化模块,通过中心裁剪和非局部池化操作,强化网络对结节区域的特征提取,同时使浅层网络也可以获取全局信息。在Lung Image Database Consortium and Image Database Resource Initiative（LIDC-IDRI）数据集上的实验表明,提出的三维各向异性卷积结合裁剪-非局部池化操作的神经网络能显著减少网络参数量,提升网络提取特征的能力,实现对肺结节良恶性的准确分类,分类的准确率、敏感性、特异性分别为91.53%、88.89%和93.27%,取得了比较好的分类性能。     

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。     

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。     

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。     

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。     

基于改进ReliefF与k-means算法的良恶性肺结节分类模型

肺结节是肺癌的症状.在CT图像中,肺结节的形状和大小常被用来进行肺癌的诊断,然而良性和恶性结节的鉴别对于疾病的治疗具有重要意义.由于良恶性结节的边缘纹理特征区别大,因此本文首先利用基于改进的边缘检测算子的灰度-梯度共生矩阵(GGCM)提取小梯度优势、灰度分布不均匀性、能量、灰度熵、梯度熵、混合熵、逆差距、相关性等肺部CT图像的14种纹理特征.然后利用改进的ReliefF算法去除作用小的特征,保留重要特征的特征权重值.最后将重要特征的权重值应用于改进距离度量准则的k-means算法中进行良恶性结节的分类.应用本文算法在LIDC数据集上实验,实验分析结果表明,14种纹理特征对于结节良恶性的分类能力并不相同,而灰度差、梯度差、能量、小梯度优势、相关性、灰度熵、混合熵、逆差矩的组合得到的良恶性肺结节分类效果最好,最终实现了良性结节83.46%,恶性结节95.02%的识别率,可在临床应用中辅助医生进行肺结节的良恶性诊断.     

肺结节球表面网格向量化特征分类

目的 基于球谐函数与容斥映射算法向量化球面表面纹理与结节形状用以进行胸部CT图像肺结节良恶性判定。区别于基于深度学习解决肺结节良恶性筛查的方法,目前方法多集中于框架改进而忽略了数据预处理,文中所提方法旨在对球面纹理与结节形状进行向量表达,使其可以输入深度森林进行特征分类训练。方法 首先采用辽宁中医药大学附属医院数据,通过3维重构获得3维肺结节图像。其次使用球谐函数与容斥映射算法在保留空间信息的同时将纹理以网格方式映射到标准球面上。再次使用网格-LBP与映射形变能量分别完成对球面纹理与结节形状信息的构建。最后提出一种基于网格的多粒度扫描方法对深度森林训练框架进行改进,并将向量化后的纹理和形状特征加入到改进的深度森林训练框架中进行实验验证。结果 通过大量的实验结果验证,在准确率（ACC）、特异度（SPE）、敏感度（SEN）和受试者工作特征曲线下的面积（AUC）4个衡量指标下,本文方法具有优于现存先进方法的表现,其中ACC、SPE、SEN和AUC分别达到76.06%、69.46%、88.46%和0.84。结论 基于球谐函数与容斥映射算法可成功地对肺结节表面和形状两个特征进行向量化并训练,不仅考虑了数据预处理,而且通过两个特征对肺结节良恶性检测的准确率要高于传统1个特征检测的结果,同时也为3维模型中特征的提取及向量化提供了一个有效的方法。     

多模态融合下长时程肺部病灶良恶性预测方法

为了更精确、全面地表征各时期肺部医学影像中病灶特征的变化与发展规律，研究在时间纵向维度上预测肺结节的演变方式，构建了一种多模态特征融合下不同时期肺部病灶良恶性预测模型。根据病人不同时期的序列CT图像，提取肺部病灶的传统特征与深度特征，构造多模态特征；通过神经网络对多模态特征进行相关性快速融合；利用长短时记忆方法学习不同时期具有时间特征的肺部病灶特征向量，构建一个双向长短时记忆网络对病灶进行良恶性预测。实验表明，所提方法准确率为92.8%，比传统方法有所提高，可以实现有效预测。     

Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model

Perfusion computed tomography (CT) method has been used to differentiate malignant pulmonary nodules from benign nodules based on the assessment for the change of the CT attenuation value within the pulmonary nodules. Instead of using the change of the CT attenuation value, a set of fractal features based on fractional Brownian motion model is proposed in this paper to automatically distinguish malignant nodules from benign nodules. In a set of 107 CT images from 107 different patients with each image containing a solitary pulmonary nodule, our experimental results obtained from a support vector machine classifier show that the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve are 83.11%, 90.92%, 71.70%, 80.05%, 87.52%, and 0.8437, respectively, by using the proposed fractal-based feature set. Such a result outperforms the conventional method of using the change of the CT attenuation value as the feature for classification. When combining this conventional method with our proposed fractal-based method, the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve can be promoted to 88.82%, 93.92%, 82.90%, 87.30%, 90.20%, and 0.9019, respectively. In other words, a high performance of pulmonary nodule classification can be achieved with a single post-contrast CT scan.     

3D多尺度深度卷积神经网络肺结节检测

目的 肺结节是肺癌的早期存在形式。低剂量CT（computed tomogragphy）扫描作为肺癌筛查的重要检查手段,已经大规模应用于健康体检,但巨大的CT数据带来了大量工作,随着人工智能技术的快速发展,基于深度学习的计算机辅助肺结节检测引起了关注。由于肺结节尺寸差别较大,在多个尺度上表示特征对结节检测任务至关重要。针对结节尺寸差别较大导致的结节检测困难问题,提出一种基于深度卷积神经网络的胸部CT序列图像3D多尺度肺结节检测方法。方法 包括两阶段：1）尽可能提高敏感度的结节初检网络;2）尽可能减少假阳性结节数量的假阳性降低网络。在结节初检网络中,以组合了压缩激励单元的Res2Net网络为骨干结构,使同一层卷积具有多种感受野,提取肺结节的多尺度特征信息,并使用引入了上下文增强模块和空间注意力模块的区域推荐网络结构,确定候选区域;在由Res2Net网络模块和压缩激励单元组成的假阳性降低网络中对候选结节进一步分类,以降低假阳性,获得最终结果。结果 在公共数据集LUNA16（lung nodule analysis 16）上进行实验,实验结果表明,对于结节初检网络阶段,当平均每例假阳性个数为22时,敏感度可达到0.983,相比基准ResNet + FPN（feature pyramid network）方法,平均敏感度和最高敏感度分别提高了2.6%和0.8%;对于整个3D多尺度肺结节检测网络,当平均每例假阳性个数为1时,敏感度为0.924。结论 与现有主流方案相比,该检测方法不但提高了肺结节检测的敏感度,还有效地控制了假阳性,取得了更优的性能。