基于密集神经网络的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分。传统的结节检测方法主要通过简单的先验知识再利用低级的描述特征进行辅助检测,存在着假阳性高、敏感度低的问题。在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征。提出了一种基于密集神经网络的结节假阳性筛查模型:首先对CT图像进行阈值分割提取肺区再截取以结节为中心的图像,送入网络模型进行分类训率;在网络模型中,通过稠密连接强化特征利用、扩大特征空间,采用瓶颈层降低参数冗余。模型在公开的LIDC数据集上取得了95.82%的准确率,ROC曲线下面积达到0.987,CPM为0.772。实验结果表明了该模型的有效性,其性能优于相关文献的方法,适用于肺结节的假阳性降低。     

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.     

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.     

基于可变形卷积神经网络的肺结节假阳性识别

针对肺结节检测中假阳性高的问题,提出一种基于可变形卷积神经网络的肺结节假阳性降低框架。使用多尺度候选结节作为输入,使用可变形卷积神经网络提取候选结节的多层次上下文特征,渐进融合不同输入顺序的候选结节特征信息。通过端到端的学习方式集成多流渐进特征信息得到最终的分类结果。在LUNA16数据集和合作医院临床数据集上,所提框架CPM评分优于已有方法,检测出的结节数量最多,假阳性结节数量最少,有很好的泛化能力,能有效降低结节假阳性,适用于真实的临床数据。     

融合残差模块的U-Net肺结节检测算法

为解决现有肺结节检测模型精度低、漏诊率和误诊率高等问题,提出融合残差模块的肺结节检测算法.候选结节检测阶段,提出残差U-Net (residual U-Net,RU Net)分割网络,将改进的残差网络(residual network,ResNet)模块与UNet结构融合,提升模型特征提取能力;加入改进的损失函数解决数据类别不均衡问题,提高检测敏感度.假阳性减少阶段,采用三维卷积神经网络(3D CNN)用于候选结节分类,充分获得结节空间信息,达到降低假阳性的目的.实验结果表明,该算法能够准确并高效地分割和检测肺结节.     

基于三维卷积神经网络的肺结节假阳性筛查

从 CT 影像中检测肺结节在肺癌的早期诊断中至关重要,而肺结节假阳性的筛查 是提高肺结节检测准确度的重要一步。为了从大量候选结节中快速准确地区分出真正的肺结节, 设计了一个 3D 卷积神经网络(CNN)筛查肺结节假阳性。提出了网络模型,通过恒等映射和残差 单元来加速模型训练,采用单连接路径重复利用特征并重组新特征。基于该模型的肺结节假阳 性筛查方法,与基于 2D CNN 的方法相比,不仅可以省略数据切片步骤,而且能够充分利用 CT 影像的空间信息; 与其他基于 3D CNN 的方法相比,具有参数量小、模型训练快的优点。该方 法在 LUNA16 数据集中的假阳性筛查中取得了较高的敏感度。     

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。     

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。     

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。     

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。     

基于深度混合卷积模型的肺结节检测方法

基于高维肺部计算机断层扫描（CT）图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中，深度卷积神经网络（CNN）最引人注目，其中二维（2D） CNN具有预训练模型多、检测效率高等优点，应用非常广泛，但肺结节本质是三维（3D）病灶，2D CNN会不可避免地造成信息损失，从而影响检测精度。3D CNN能充分利用CT图像空间信息，有效提升检测精度，但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势，提出基于深度混合CNN的肺结节检测模型，通过在神经网络模型的浅层部署3D CNN，在模型的深层部署2D CNN，并增加反卷积模块，融合了多层级的图像特征，达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力，提高检测效率的目的。在LUNA16数据集上的实验结果表明，所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924，优于现有的先进模型。     

基于深度混合卷积模型的肺结节检测方法

基于高维肺部计算机断层扫描（CT）图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中,深度卷积神经网络（CNN）最引人注目,其中二维（2D） CNN具有预训练模型多、检测效率高等优点,应用非常广泛,但肺结节本质是三维（3D）病灶,2D CNN会不可避免地造成信息损失,从而影响检测精度。3D CNN能充分利用CT图像空间信息,有效提升检测精度,但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势,提出基于深度混合CNN的肺结节检测模型,通过在神经网络模型的浅层部署3D CNN,在模型的深层部署2D CNN,并增加反卷积模块,融合了多层级的图像特征,达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力,提高检测效率的目的。在LUNA16数据集上的实验结果表明,所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924,优于现有的先进模型。     

Detection and classification of lung nodules in chest X-ray images using deep convolutional neural networks

Lung nodule classification is one of the main topics related to computer-aided detection systems. Although convolutional neural networks (CNNs) have been demonstrated to perform well on many tasks, there are few explorations of their use for classifying lung nodules in chest X-ray (CXR) images. In this work, we proposed and analyzed a pipeline for detecting lung nodules in CXR images that includes lung area segmentation, potential nodule localization, and nodule candidate classification. We presented a method for classifying nodule candidates with a CNN trained from the scratch. The effectiveness of our method relies on the selection of data augmentation parameters, the design of a specialized CNN architecture, the use of dropout regularization on the network, inclusive in convolutional layers, and addressing the lack of nodule samples compared to background samples balancing mini-batches on each stochastic gradient descent iteration. All model selection decisions were taken using a CXR subset of the Lung Image Database Consortium and Image Database Resource Initiative dataset separately. Thus, we used all images with nodules in the Japanese Society of Radiological Technology dataset for evaluation. Our experiments showed that CNNs were capable of achieving competitive results when compared to state-of-the-art methods. Our proposal obtained an area under the free-response receiver operating characteristic curve of 7.76 considering 10 false positives per image (FPPI), and sensitivity values of 73.1% and 79.6% with 2 and 5 FPPI, respectively.     

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。     

三维多尺度嵌套U结构CT影像肺结节检测

目的 肺结节检测在低剂量肺部计算机断层扫描(computed tomography, CT)筛查肺癌中具有重要意义。但由于结节大小、形状和密度的变化十分复杂,导致难以在低假阳性率下保证高的灵敏度,这限制了深度学习算法在常规临床实践中的肺结节自动诊断,建立具有良好结节检测性能的深度学习模型仍然是一个挑战。针对此问题,本文提出了一种基于3D ReSidual U(3D RSU)块的嵌套U结构的肺结节检测框架。方法 3D RSU块通过混合不同大小的感受场获得多尺度特征来丰富特征信息。而嵌套U结构允许网络获得更大分辨率的特征图,从而具有多层次深度特征,获得丰富的局部和全局信息,增强网络区分前景和背景的能力,进而提高微小结节等非显著性目标的检测性能。结果 该框架在公共肺结节(lung nodule analysis 16)挑战数据集上进行了评价。方法能够准确地检测出肺结节,灵敏度达到了97.2%,与基准方法相比,该方法灵敏度提高了2.6%,具有很高的灵敏度和特异性,在0.125、0.25、0.5、1、2、4、8共7个假阳率点的灵敏度平均值为86.4%,尤其是在每扫描0.25个假阳性上,灵敏度达到...     

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。     

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。