基于多特征融合与XGBoost的肺结节检测

为了提高肺结节检测的精确度和效率，提出一种基于多特征融合和XGBoost的肺结节检测模型。首先采用阈值分割与形态学运算，获得候选结节区域；然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强；其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征，采用词袋模型进行降维并融合；最后利用XGBoost-决策树分类模型去除假阳性结节，完成肺结节的检测。在LIDC-IDRI数据上进行的实验表明该模型能达到97.87%的准确率和97.92%的召回率。该模型可用于辅助医生进行肺结节诊断，具有一定的临床应用价值。     

非对称卷积核YOLO V2网络的CT影像肺结节检测

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义。传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高。提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进。为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25%,假阳性率为8.50%。实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路。     

基于改进YOLO V3的肺结节检测方法

针对肺结节占CT图像比例小、形状不规则及直接应用YOLO V3算法进行肺结节检测效果不佳的问题,提出基于 改进YOLO V3的肺结节检测方法。首先进行重采样和肺实质分割等预处理操作。然后修改YOLO V3的基础网络结构, 调整骨干网络和检测网络的结构单元数量;使用Mish激活函数替换Leaky ReLU激活函数,引入含有空洞卷积的感受野 模块层;修改损失函数。最后使用改进的YOLO V3方法进行肺结节检测,完成对比实验。在LIDC-IDRI数据集上得到了 88.89%的准确率和94.73%的高敏感度,实验结果表明该方法能够有效检测肺结节。     

基于多特征融合跟踪的微小肺结节识别算法

如何在海量的肺部高分辨率CT(HRCT)序列图片中准确识别微小结节(直径为5～10 mm)一直是肺结节计算机辅助检测(CAD)系统的研究重点和难点。本文提出了一种新的微小肺结节识别算法——多特征融合跟踪算法。该算法在处理一个HRCT序列图片时,首先结合大津法和形态学方法获取每一张CT图的肺实质,再通过基于灰度阈值和改进的模板匹配算法提取感兴趣区域(ROI),接着计算ROI的多个有效特征,然后在整个HRCT序列图片中进行ROI的多特征跟踪和融合,最后根据分类规则识别并标出候选肺结节。实验证明,该算法能准确地检测出微小肺结节,且假阳率较低。     

基于改进的VGG-16卷积神经网络的肺结节检测

【摘要】针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。     

基于收敛指数滤波和Hessian矩阵的肺结节检测算法

肺癌的早期形态多以肺结节的形式出现,对其正确检测有助于提高肺癌病人的存活率.针对肺部高分辨率CT图像中肺结节与血管横断面难以区分的问题,提出了一种基于收敛指数滤波和Hessian矩阵的肺结节检测算法.首先对基于向量域的收敛指数滤波器进行量化产生候选肺结节,然后设计基于三阶Hessian矩阵特征值的血管检测滤波器对血管进行检测标记.最后从候选肺结节中剔除血管横断面得到真阳性肺结节.实验结果 表明,本文提出的检测算法具有较高的灵敏性和低假阳性.     

基于3DV-Net的肺结节检测分割算法

目的：提出基于深度学习的肺结节识别与分割算法,以辅助医生进行肺部疾病检测。方法：针对LUNA16数据集数据量大以及肺结节种类大小多样性等特征,采用基于改进的深度神经网络3DV-Net实现多种肺结节的检测分割,然后使用ResNet对结节图像和非结节图像进行分类。对LUNA16数据集中的肺部CT图像进行图像去噪、插值采样等预处理,然后生成粗分割图像和Mask图像,再使用改进的3DV-Net模型对数据进行多次训练预测。网络层级越深,出现梯度消散、梯度爆炸等问题的概率越大,改进的3DV-Net使用残差连接来改善这一问题。结果：改进的3DV-Net的Dice相似系数和IoU分别达到88.29%和88.25%。结论：本文方法有助于肺结节的检测分割,在肺结节的辅助诊断方面有重要意义。     

基于多尺度注意力机制的三维卷积神经网络肺结节检测算法EI北大核心CSCD

基于电子计算机断层扫描(CT)的肺结节检测的早期筛查是降低肺癌死亡率的重要手段,而近年来三维卷积神经网络(3D CNN)已经在肺结节检测领域取得了成功并不断深入发展。本文提出了一种基于多尺度注意力机制的3D CNN肺结节检测算法。针对肺结节大小和形状各异的特点,设计了一个多尺度的特征提取模块,提取不同尺度的相应特征。通过注意力模块,从空间和通道两个角度挖掘特征间的关联信息,对特征加强。提取出的特征进入类似金字塔的融合机制,使得特征中同时包含深层的语义信息与浅层的位置信息,更利于目标定位与边界框回归。在具有代表性的LUNA16数据集上,相对于目前先进的其他方法,本文方法能够明显地提高检测灵敏度,可为临床医学提供理论参考。     

基于规则及多特征跟踪的肺结节的智能检测方法

肺结节的智能识别对肺癌的诊断至关重要.为了在大量的肺部CT图片中准确智能识别肺结节,我们研究了一个基于规则及多特征跟踪的肺结节计算机辅助检测方法.其中,采用活动轮廓模型的分割方法实现候选肺结节分割,采用基于规则的决策方法以及多特征跟踪方法实现肺结节分类.实验证明,该肺结节的智能检测方法满足肺结节计算机辅助诊断的要求.     

融合多尺度信息的肺结节自动检测算法

肺结节是早期肺癌的主要表现形式,准确检测肺结节对肺癌的早期诊断和治疗具有重要意义。然而,由于肺部计算机断层扫描(CT)图像背景复杂、检测范围大,且肺结节大小不一、形态各异,所以快速准确检测肺结节是一项极具挑战的工作。为此,本文提出了一种融合多尺度特征的肺结节自动检测算法,实现了肺结节的准确检测。首先,在用于大规模图像识别的深度卷积网络(VGG16)上设计了具有三层模块结构的肺结节检测模型,利用网络第一层模块提取CT图像中肺结节特征并粗略地估计肺结节位置;然后利用网络第二层模块融合多尺度的图像特征信息进一步增强肺结节细节特征;而网络第三层模块融合分析第一层和第二层模块的特征,得到多尺度下肺结节候选框;最后利用非极大值抑制方法对多尺度下肺结节候选框进行概率分析,得到最终的肺结节位置。本文应用肺部影像数据库联盟(LIDC)公共数据集上的肺结节数据对所提算法进行了验证,平均检测精度达到90.9%。本研究成果可应用于肺结节自动筛查系统,有助于提升肺结节筛查精度。     

Automated detection of lung nodules in CT scans: preliminary results

We have developed a fully automated computerized method for the detection of lung nodules in helical computed tomography (CT) scans of the thorax. This method is based on two-dimensional and three-dimensional analyses of the image data acquired during diagnostic CT scans. Lung segmentation proceeds on a section-by-section basis to construct a segmented lung volume within which further analysis is performed. Multiple gray-level thresholds are applied to the segmented lung volume to create a series of thresholded lung volumes. An 18-point connectivity scheme is used to identify contiguous three-dimensional structures within each thresholded lung volume, and those structures that satisfy a volume criterion are selected as initial lung nodule candidates. Morphological and gray-level features are computed for each nodule candidate. After a rule-based approach is applied to greatly reduce the number of nodule candidates that corresponds to nonnodules, the features of remaining candidates are merged through linear discriminant analysis. The automated method was applied to a database of 43 diagnostic thoracic CT scans. Receiver operating characteristic (ROC) analysis was used to evaluate the ability of the classifier to differentiate nodule candidates that correspond to actual nodules from false-positive candidates. The area under the ROC curve for this categorization task attained a value of 0.90 during leave-one-out-by-case evaluation. The automated method yielded an overall nodule detection sensitivity of 70% with an average of 1.5 false-positive detections per section when applied to the complete 43-case database. A corresponding nodule detection sensitivity of 89% with an average of 1.3 false-positive detections per section was achieved with a subset of 20 cases that contained only one or two nodules per case.     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

基于Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型 (包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90.82%,准确率的波动方差为13.30%;VGG模型的检测准确率为87.02%,准确率的波动方差为37.10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。     

基于尺寸自适应深度神经网络的胸部CT图像肺结节检测

使用计算机断层扫描(CT) 筛查肺结节是早期肺癌诊断的重要手段。但由于肺结节在形状、大小和位置上有存在很大的差异,目前肺结节尤其是小结节的自动检测依然具有挑战性。为了实现高灵敏度的肺结节检测,提出一种新的计算机辅助检测系统,该系统采用两种新的策略:尺寸自适应候选检测(SACD)和尺寸自适应假阳性抑制(SAFPR)。首先,SACD结合深层和浅层卷积特征构建高级特征,以获得感兴趣区域的位置和大小信息;然后将检测结果送入用于筛查不同大小结节的3个并行子网络,从而细化SACD的检测结果,提高检测系统的准确性和鲁棒性。在LIDC-IDRI数据集 (1 186个结节)上的验证结果表明,该系统在1 FPs/扫描的情况下,可以达到96%的灵敏度,其性能可达到或优于最新的智能诊断系统。在包含430个结节的独立数据集实验结果表明,对于(3.89±2.34)mm的结节,在0.3FPs/扫描时,该系统的检测灵敏度为69.53%,与两位经验丰富的放射科医生的人工筛查结果相当,表明该系统具有一定的临床应用价值。