基于互信息的肺部PET-CT图像配准

针对互信息的配准方法忽略了图像的空间信息,同时肺部PET图像和CT图像之间的关联性很小,提出了一种由粗到精的结合空间区域信息和互信息配准方法.实验表明,此方法使PET图像和CT图像的胸腔区域、肺部区域和结节区域得到了有效的匹配.     

基于有监督哈希的肺结节CT图像检索*

针对传统方法在面对大量肺部数据时检索效率不高的问题,提出了一种基于有监督哈希的肺结节CT图像检索方法。首先,通过图像预处理建立肺结节图像库,并从灰度、形态、纹理方面提取图像多特征;然后,利用监督信息构造哈希函数,将多特征映射为低维哈希码;最后,根据设计的自适应权重计算图像相似度,并返回相似的肺结节图像。实验结果表明,本文方法能有效地实现肺结节CT图像的快速检索,对查询病灶的良恶性分类达到89.45%。     

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。     

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。     

最佳阈值法结合改进的Freeman链码的肺实质分割

肺部CT图像中肺实质的精确分割是肺部疾病检测和诊断的关键步骤。针对传统的图像分割方法对CT图像中肺实质分割效果不理想,提出了一种基于最佳阈值法和改进的Freeman链码的肺实质分割方法。首先,用最佳阈值法实现肺部初分割,然后对肺实质进一步处理得到肺实质模板,再结合改进的Freeman链码法和Bezier曲线对存有缺陷的模板进行修补,最后与肺部CT图像相乘来提取肺实质。肺实质分割精度在图像对比清晰度和肺实质区域特征一致性方面都有一定的改善,分割准确率平均达到96.8%。实验结果表明,对于边缘性结节以及不同的肺部病灶,该方法都具有理想的分割效果,具有较好的准确性和鲁棒性。     

基于深度迁移学习的肺结节辅助诊断方法

在肺癌早期筛查过程中,人工诊断胸部CT扫描图像费时费力,而深度学习网络缺乏足够的医学数据进行训练。为此,提出一种渐进式微调(PFT)策略,将其应用于深度迁移学习网络以辅助诊断肺结节良恶性。利用神经网络在粗粒度的自然图像大数据集中学习特征知识,经重构网络分类层将所学到的特征信息迁移至肺结节的细粒度小数据集。采用PFT策略从全连接分类层开始,逐层释放、微调训练卷积层直至所有网络层,并通过定量分析各层微调后肺结节良恶性分类的AUC值,确定最佳微调深度。此外,采用梯度加权类激活映射图和t-SNE算法为网络预测结果提供相应的视觉支持与解释。在LIDC数据集中的实验结果表明,该方法对肺结节良恶性诊断的准确率可达91.44%,其AUC值为0.962 1。     

肺结节智能检测和三维可视化系统设计与实现

为了提高肺部疾病识别效率,减少肺结节漏诊率,设计了一套肺结节智能检测和三维可视化系统。方法：构建了一个基于RESNET的深度多通道三维卷积神经网络,根据LUNA16公开数据集的888例患者图像,选择权重参数为α=0.5,γ=2的Focal loss损失函数进行训练,在CT图像上对可疑的肺结节进行检测,采用光线投射算法对检测出的结节区域进行体绘制三维重建。结果：经实验测试,该网络与单通道网络和特征金字塔网络（Feature Pyramid network, FPN）相比,准确度最高,为84.8%,系统能够在230s内自动检测肺结节并完成三维重建,对于分辨率1mm/pixel的CT图像灵敏度在98%以上,用户可在浏览器上查看结节检测结果和三维重建模型。结论：该系统突破了终端设备和地域限制,能够为肺部疾病提供辅助诊断,提高诊断效率。     

肺结节检测中特征提取方法研究

计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统为肺癌的早期检测和诊断提供了有力的支持.本文对孤立性肺结节特征提取问题进行研究.通过对肺结节和肺内各组织在序列CT图像上的医学征象分析和研究对比,结合专家提供的知识,提出了肺结节特征提取总体方案.该方案分别从肺部CT图像的灰度特征、肺结节形态、纹理、空间上下文特征等几个方面,对关键的医学征象进行图像分析,从而实现对ROI(Regions ofInterest)区域的特征提取和量化;提出特征提取的评价方案,实验结果表明,本文提取的特征提取方案是有效的.利用本文提取的特征,肺结节检测正确率达到93.05%,敏感率为94.53%.     

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80.9%,优于基准算法76.9%的结果。结论 本文所提出的结节检测模型,由于在低假阳率上有较高的灵敏度,可以使本网络在常规临床实践中为医生辅助诊断提供更加可靠清晰的早期肺癌参考信息。     

基于深度学习的计算机辅助肺癌诊断方法

癌症,是21世纪死亡率较高的疾病之一,而肺癌在所有癌症发病率及死亡率中均占首位.近年来,随着大数据与人工智能的兴起,基于深度学习的肺癌辅助诊断逐渐成为热门的研究课题.计算机辅助肺癌诊断技术主要是对医学仪器成像得到的肺部影像数据进行处理分析的过程,文中将这类过程总结为4个步骤:医学影像数据预处理、肺实质分割、肺结节检测与分割,以及病变诊断.由于深度学习技术对于训练数据的数量需求较高,而目前领域内公开较多的数据主要是肺部CT图像的结节数据,因此深度学习上对于肺癌辅助诊断的工作主要是肺内实质部分分割、肺结节检测分割以及病变分析的工作.文中对于面向肺癌辅助诊断的传统医学影像处理方法进行了简单介绍,并对前沿的深度学习医学影像处理方法进行了综述.     

Pulmonary nodule diagnosis using dual‐modal supervised autoencoder based on extreme learning machine

In recent years, deep learning techniques have been applied to the diagnosis of pulmonary nodules. In order to improve the pulmonary nodule diagnostic performance effectively, we propose a novel pulmonary nodule diagnosis method using dual‐modal deep supervised autoencoder based on extreme learning machine for which discriminative features are automatically learnt from the input data. The network is fed with nodule images in pairs obtained from computed tomography and positron emission tomography respectively. For each pair image, the high‐level discriminative features of nodules in computed tomography and positron emission tomography are extracted from stacked supervised autoencoder layers. The outputs of the proposed architecture are combined using an ideal fusion method to get the final classification. In the experiments, 5‐fold cross‐validation method is used to validate the proposed method on 1,600 pulmonary nodule images and our method reaches high‐classification sensitivities of 91.75% at 1.58 false positives per scan. Meanwhile, compared with other deep learning diagnosis methods, our method achieves better discriminative results and is highly suited to be used for pulmonary nodule diagnosis.     

应用于CT图像肺结节检测的深度学习方法综述

肺癌是世界上死亡率最高的癌症，通过胸部CT影像检测肺结节对肺癌早期诊断和治疗意义重大。为了减轻放射科医生的工作量以及同时减少误诊率和漏诊率，研究人员提出了计算机辅助检测（CAD）系统辅助放射科医生检测和诊断肺结节。目前，研究人员正在尝试不同的深度学习技术，以提高计算机辅助诊断系统在基于CT图像的肺癌筛查中的性能。这项工作回顾了作为肺癌检测的CAD系统目前典型的深度学习的算法和框架，主要从数据集介绍、2D深度学习方法、3D深度学习方法、数据不平衡问题的处理、模型训练方法以及模型可解释性这六个方面进行介绍。最后，对各个方法的主要特点和算法性能进行了综合比较分析，并对如何提高结节检测性能进行了展望。     

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。     

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。     

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。     

Medical Sign Recognition of Lung Nodules Based on Image Retrieval with Semantic Features and Supervised Hashing

Sign recognition is important for identifying benign and malignant nodules. This paper proposes a new sign recognition method based on image retrieval for lung nodules. First, we construct a deep learning framework to extract semantic features that can effectively represent sign information. Second, we translate the high-dimensional image features into compact binary codes with principal component analysis (PCA) and supervised hashing. Third, we retrieve similar lung nodule images with the presented adaptive-weighted similarity calculation method. Finally, we recognize nodule signs from the retrieval results, which can also provide decision support for diagnosis of lung lesions. The proposed method is validated on the publicly available databases: lung image database consortium and image database resource initiative (LIDC-IDRI) and lung computed tomography (CT) imaging signs (LISS). The experimental results demonstrate our retrieval method substantially improves retrieval performance compared with those using traditional Hamming distance, and the retrieval precision can achieve 87.29% when the length of hash code is 48 bits. The entire recognition rate on the basis of the retrieval results can achieve 93.52%. Moreover, our method is also effective for real-life diagnosis data.     

基于降噪自编码神经网络的事件相关电位脑电信号分析方法

提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data set Ⅱ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用降噪自编码迭代2500次训练神经网络模型,在受试者A和受试者B样本数据叠加5次、10次、15次3种情况下获得的分类准确率分别为73.4%, 87.4%和97.2%.该最高准确率优于其他分类方法,比竞赛第1名联合支持向量机(SVM)分类器(ESVM)提高了0.7%,为事件相关电位脑电信号提供了一种深度学习分析方法.     

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。