基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用

摘要：

目的 针对计算机断层扫描(computed tomography,CT)图像的肺结节自动检测中灵敏度低及存在大量假阳性的问题,本文提出了一种基于非结节自动分类的二维卷积神经网络(convolutional neural network,CNN),并用于肺结节检测中的假阳性减少.方法首先对CT图像进行预处理,通过对原始CT图像重采样和归一化,解决不同样本像素间隔不一致及图像对比度不统一问题;采用结节不同空间方向的二维切片信息采集进行正样本扩充,负样本无监督分类方法平衡正负样本数量;分别利用不同类别负样本与正样本训练二维卷积神经网络,获得多个用于降低假阳性的2D CNN肺结节检测模型,对LUNA16提供的假阳性减少数据集进行五折交叉验证,利用官方提供的评估程序对模型进行评估.结果通过与直接使用单个2D CNN进行分类的模型比较,对非结节分类后训练多个模型的分类结果较佳,最终竞争性指标(competition performance metric,CPM)竞争性得分0.849.结论基于非结节自动分类的2D CNN模型可以有效地对假阳性肺结节进行剔除,相较于其他2D CNN具有竞争力,可为肺癌早期筛查提供帮助.

关键词：医学影像处理、计算机断层扫描、肺结节检测、卷积神经网络、深度学习

所属期刊栏目：39

分类号：R318.04(医用一般科学)

资助基金：国家重点研发计划;国家自然科学基金;智能化生理测量与临床转化北京市国际科技合作基地资助项目资助

在线出版日期：2020-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：389-397