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.     

基于注意力特征金字塔网络的肺结节检测算法

针对肺结节计算机辅助检测（CAD）系统中肺结节形态各异难以检测带来的敏感度低、假阳性率高的问题，提出一种基于注意力特征金字塔网络的肺结节检测算法。在第一阶段，以更加紧凑的双路径网络（DPN）为骨干网络，并结合特征金字塔网络（FPN）进行多尺度预测，以获取不同层次的特征信息，同时嵌入全局注意力机制（GAM）来细化学习要强调的语义特征，并提高算法的敏感度；在第二阶段，提出一种假阳性抑制网络，以获得最终分类预测结果；在训练阶段，采用焦点损失函数和多种数据增强技术来处理数据不平衡问题。在公开数据集LUNA16(LUng Nodule Analysis 2016)上的实验结果显示：仅有第一阶段的算法的竞争性能指标（CPM）达到了0.908，而加入假阳性抑制网络后算法的CPM达到了0.933，这与经典算法基于最大强度投影（MIP）的卷积神经网络（CNN）算法相比提升了1.1个百分点；而消融实验的结果表明DPN、FPN、GAM对于提升检测敏感度是有作用的。以上证明了所提出的两阶段检测算法可以获取多尺度结节信息，提高肺结节检测的敏感度，并且降低假阳性率。     

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.     

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。     

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。     

一种新的肺结节检测算法

为了能够在肺癌早期或者例行体检时及时发现肺部结节灶,临床上要求能够对肺结节进行全面迅速的检测。提出了一种新的肺结节检测算法——TMH（引入了Hessian矩阵的模版匹配）算法。该算法首先获取肺实质;然后在二维层面上采用模版匹配方法（Template-Matching,TM）对结节进行检测;最后引入Hessian矩阵,有效降低了原TM算法的假阳率,实验证明该算法能够快速检测出肺结节,且假阳率较小。     

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。     

融合注意力机制和特征金字塔网络的CT图像肺结节检测

目的 针对现有肺结节检测算法存在的因肺部计算机断层扫描（computed tomography,CT）图像肺结节与周边组织复杂性导致结节本身结构差异性不明显的问题,以及特征提取网络多次下采样造成图像分辨率降低进而导致检测结果差、仅使用网络顶层特征图进行预测造成图像空间信息丢失进而导致小结节漏检等问题,提出了一种基于注意力机制和特征金字塔的肺结节检测算法。方法 根据语义与空间特征补偿机制以及卷积神经网络中网络深度所提取特征的信息量不同,在以ResNet为骨干网络的特征提取网络中设计通道—空间注意力机制,尽可能同时获取含有较多上下文语义以及空间位置信息的特征信息。在网络预测部分设计特征金字塔网络,将高维带有丰富语义信息的特征图与低维带有位置信息的特征图融合进行多尺度预测,增强网络对于小结节以及近血管结节等非显著性目标的检测性能。结果 在LUNA16（lung nodule analysis 16）数据集上进行十折交叉验证显示,当平均假阳性个数为25.99时敏感度达到了97.13%,与基准方法相比,敏感度提高了2.53%,平均假阳性降低了28.54,实现了高敏感度低假阳性;在0.125、0.25、0.5、1、2、4、8这7个假阳率点的敏感度平均值为0.854,其中在每个扫描4次和8次假阳性时敏感度分别达到了0.940和0.951,其效果优于主流的结节检测方法。结论 提出的结节检测模型,可以提高对3~10 mm小结节、近血管结节等非显著性目标的检测性能,并具有较低的假阳率。     

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3D CNN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严重依赖先验知识,流程繁琐,性能并不理想.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.该文以密集神经网络为基础设计了一个三维结节假阳性筛查模型—三维卷积神经网络模型(TDN-CNN)...     

基于改进残差结构的肺结节检测方法

针对肺结节检测方法中网络结构复杂所导致的模型计算量大、过拟合的问题,提出了一种结合深度可分离卷积和预激活的改进残差网络结构,将提出的网络结构应用于肺结节检测模型。该模型以目标检测网络Faster R-CNN为基础,采用U-Net编码解码器结构,利用深度可分离卷积和预激活操作改进了三维残差网络结构。首先,通过使用深度可分离卷积,模型复杂度和计算量大幅度降低;其次,通过使用预激活,模型的正则化得到改善,缓解了过拟合现象;最后,采用矩形卷积核在少量增加模型计算量的前提下扩大了卷积操作的感受野,有效地兼顾了肺结节的全局和局部特征。在LUNA16数据集上的检测中所提方法的灵敏度为96.04%,无限制接收者操作特征曲线下面积（FROC）得分为83.23%。实验结果表明：该方法提高了肺结节检测的灵敏度,又有效降低了检测结果的平均假阳性个数,同时提高了检测效率,可有效辅助放射科医师对肺结节进行检测。     

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。     

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。     

CT影像肺结节分割研究进展

准确分割肺结节在临床上具有重要意义。计算机断层扫描（computer tomography,CT）技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。为了进一步对肺部CT影像中的肺结节分割方法进行探索,本文对基于CT影像的肺结节分割方法研究进行综述。1）对传统的肺结节分割方法及其优缺点进行了归纳比较;2）重点介绍了包括深度学习、深度学习与传统方法相结合在内的肺结节分割方法;3）简单介绍了肺结节分割方法的常用评价指标,并结合部分方法的指标表现展望了肺结节分割方法研究领域的未来发展趋势。传统的肺结节分割方法各有优缺点和其适用的结节类型,深度学习分割方法因普适性好等优点成为该领域的研究热点。研究者们致力于如何提高分割结果的准确度、模型的鲁棒性及方法的普适性,为了实现此目的本文总结了各类方法的优缺点。基于CT影像的肺结节分割方法研究已经取得了不小的成就,但肺结节形状各异、密度不均匀,且部分结节与血管、胸膜等解剖结构粘连,给结节分割增加了困难,结节分割效果仍有很大提升空间。精度高、速度快的深度学习分割方法将会是研究者密切关注的方法,但该类方法仍需解决数据需求量大和网络模型超参数的确定等问题。