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CT图像的肺结节计算机辅助检测研究进展

CT是检查肺癌的主要方法之一,而精度越来越高的CT在获得更清晰图像的同时,其数据量也在急剧增加,加重了医生阅片的负担.检测速度快、检测精度高的CT图像肺结节计算机辅助检测系统成为帮助医生诊断的有效工具.该综述阐述了CT图像肺结节计算机辅助检测方法的研究意义、检测过程、各类算法、研究难点,并对CT图像肺结节计算机辅助检测的现状进行了总结和展望.     

CT图像肺结节计算机辅助检测与诊断技术研究综述

肺结节计算机辅助诊断（Comput er-aided diagnosis,CAD）能够从CT图像中检测、分割和诊断肺结节,提高早期肺癌的生存率,因而具有重要临床意义。由于肺结节的形态根据其类型、尺寸、位置、内部结构及恶性与否等动态变化,导致肺结节检测和诊断已经成为一个重大的挑战问题。本文对比分析了CAD系统中肺实质分割、肺结节检测、肺结节分割以及肺结节良恶性判断等4个步骤所运用的关键技术及挑战,并指出开发有效CAD系统需要进一步优化不同类型结节诊断算法灵敏度、降低结节检测误报数量、提高诊断自动化水平,同时需要集成影像存储与通信系统（Picture archiving and communication systems, PACS）以及电子病历系统（Electronic medical record systems, EMRS）,以便在日常临床实践中应用。     

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。     

基于深度学习的甲状腺结节良恶性预测方法研究

甲状腺结节是一种常见临床疾病,其发病率逐年增高。对于诊治甲状腺结节的首要问题是明确及鉴别其良恶性质。为了提高甲状腺结节良恶性预测的准确率,提出一种基于深度学习的甲状腺结节良恶性鉴别方法。实验在真实医疗数据集上对比了深度学习算法与传统BP神经网络和逻辑回归算法,结果表明基于深度学习的预测方法具有最高的准确率,在非稀疏数据和稀疏数据集上分别达到94%和88.84%。     

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。     

基于视觉注意力模型的医学图像目标检测

关于医学诊断图像的研究,为准确显示病灶的位置,提出了一种图像视觉注意力模型的感兴趣区域检测法,即根据肺部关系CT图像的局部视觉显著度检测可疑肺结节,可采用了bottom-up控制策略的机制, 通过线性滤波提取出原始CT图像亮度、颜色和方向特征,计算这些低层次图像特性的高斯金字塔,再进行局部视觉反差仿真计算以得到感兴趣区域,以辅助医生对病灶的筛查与诊断.仿真结果表明视觉注意力模型应用于计算机辅助诊断中可以提高病灶的检出率,降低预处理的复杂度.     

肺部CT图像病变区域检测方法

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容,其通过自动分析CT图像并输出病变区域的位置和尺寸等信息,帮助放射科医生做出决策,有利于肺病的早期发现与治疗.本文回顾了肺部CT图像中病变区域自动检测方法所取得的进步,并引入一个通用框架表示和描述现有方法,对2012年以来肺部病变区域辅助检测算法进行了系统性分析和性能汇总.最后讨论了目前存在的问题和有待克服的困难,探讨了未来可能的发展方向.     

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。     

基于注意力机制的肺结节分类研究

为进一步提升肺结节分类的效果,引入一种基于注意力机制的分类算法.通过在神经网络中添加空间和通道注意力因子,使得肺结节分类网络生成更有效的特征映射,结合梯度提升树算法,进一步提升模型的性能.经过大量实验后,证明了该方法的有效性.     

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DenseNet网络的肺结节检测仿真

针对目前基于神经网络的肺结节检测算法存在准确度低、耗时长的问题,提出了一种基于改进DenseNet网络的肺结节检测模型,通过在稠密神经网络的稠密块中采用分组卷积的方式来优化网络结构,减少网络参数的同时丰富了提取图像特征数量,避免卷积过程中梯度消失问题,提高了肺结节检测效率.之后将模型在LIDC-IDRI数据集上进行仿真...     

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。     

肺结节DR图像的计算机辅助诊断技术

在胸部DR图像中,肺结节一直是备受关注的焦点,其早期检出及良恶性的鉴别对肺癌的早期诊断和治疗尤为重要。但是由于肺结节形态多变,大小各异以及位置不固定等因素,其检测诊断一直是放射学家的一个难点,随着计算机辅助诊断逐渐成为医学领域的研究热点之一,越来越多的学者致力于开发肺结节的计算机辅助诊断系统,利用计算机辅助诊断系统提高医生在肺结节检测和诊断上的准确率和减少漏诊率。本文介绍了计算机辅助诊断系统的构成,重点讨论了计算机辅助检测和诊断的关键技术,最后采用实验对胸部DR图像进行了肺结节的识别工作。     

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...     

基于卷积神经网络和迁移学习的肺结节检测

为解决训练样本不足的问题,提出一种基于卷积神经网络和迁移学习的X光胸片肺结节检测方法。基于Keras深度学习框架,对比分析3种预训练卷积神经网络模型的分类性能,在此基础上进一步探究迁移学习的有效性。在公开的JSRT数据集上进行验证,提出方法获得了93.75%的准确度、94.36%的敏感度、92.74%的特异度以及98.20%的AUC值。与已有的其它研究进行对比,实现了最高的敏感度和较低的假阳性率,验证了迁移学习的有效性和所提算法的可行性。