基于深度迁移学习的肺结节分割方法

针对U-Net分割小体积肺结节效果较差的问题,提出一种基于深度迁移学习的分割方法,利用分块式叠加微调（BSFT）策略辅助分割肺结节。首先,利用卷积神经网络学习自然图像大数据集的特征信息;然后,将所学特征迁移到进行肺结节图像小数据集分割的网络,从该网络最后一个下采样层开始逐块释放、微调训练,直到网络完成最后一层的叠加;最后,定量分析Dice相似性系数,以确定最佳分割网络。实验结果表明,BSFT在LUNA16肺结节公开数据集上的Dice值达到0.917 9,该策略的性能明显优于主流肺结节分割算法。     

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。     

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。     

集成多尺度微调卷积神经网络下的甲状腺结节良恶性识别

针对由于训练图像样本较少与忽略多尺度的结构和纹理信息而导致分类性能不佳问题,为提升甲状腺结节良恶性诊断准确率,提出了集成多尺度微调卷积神经网络下的甲状腺结节超声图像识别算法.首先将图像转换成具有3种不同尺度信息作为输入数据,以便模型能够学习到图像不同尺度的特征信息,提高模型的特征提取能力;其次,通过优化3种预训练模型(AlexNet,VGG16和ResNet50)的全连接层结构和迁移学习与微调策略,构建了3种不同尺度的9个微调模型,让模型能够更好地学习源域(ImageNet)和目标域(甲状腺超声图像)上的特征差异;最后选择最优的微调模型组合并通过对模型输出类别概率的加权融合方法得到最终的集成模型,利用模型的多样性进一步提升分类性能.文中算法在真实采集的数据集上和其他算法进行对比实验,得到甲状腺结节良恶性识别的准确率为96.00％,敏感度为94.10％,特异度为97.70％,AUC为98.00％ 实验结果表明,该算法在这些指标上均优于传统机器学习算法和当前甲状腺结节良恶性识别领域中的其他算法,能够有效地提取出互补的视觉特征信息,具有令人满意的分类性能.     

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%。     

基于不同超声成像的甲状腺结节良恶性判别

为实现更为准确的甲状腺结节良恶性超声图像诊断,避免不必要的穿刺或活检手术,提出了一种基于卷积神经网络（CNN）的常规超声成像和超声弹性成像的特征结合方法,提高了甲状腺结节良恶性分类准确率。首先,卷积网络模型在大规模自然图像数据集上完成预训练,并通过迁移学习的方式将特征参数迁移到超声图像域用以生成深度特征并处理小样本。然后,结合常规超声成像和超声弹性成像的深度特征图形成混合特征空间。最后,在混合特征空间上完成分类任务,实现了一个端到端的卷积网络模型。在1156幅图像上进行实验,所提方法的准确率为0.924,高于其他单一数据源的方法。实验结果表明,浅层卷积共享图像的边缘纹理特征,高层卷积的抽象特征与具体的分类任务相关,使用迁移学习的方法可以解决数据样本不足的问题;同时,弹性超声影像可以对甲状腺结节的病灶硬度进行客观的量化,结合常规超声的纹理轮廓特征,二者融合的混合特征可以更全面地描述不同病灶之间的差异。所提方法可以高效准确地对甲状腺结节进行良恶性分类,减轻患者痛苦,给医生提供更为准确的辅助诊断信息。     

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。     

基于双模态深度自编码的孤立性肺结节诊断方法

近年来,深度学习技术在肺癌诊断方面得到了广泛的应用,但现有的研究主要集中于肺部CT图像。为了有效提高肺结节的诊断性能,提出一种基于双模态深度降噪自编码的肺结节诊断方法。首先,分别从肺部CT和PET图像中得到肺结节区域的特征信息;然后,以候选结节的PET/CT图像作为整个深度自编码网络的输入,并对高层信息进行学习;最后,采用融合策略对多种特征进行融合并将其作为整个框架的输出。实验结果表明,提出的方法可以达到92.81%的准确率、91.75%的敏感度和1.58%的特异性,且优于其他方法的诊断性能,更适用于肺结节良/恶性的辅助诊断。     

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。     

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.