深度置信网络对孤立性肺结节良恶性的分类
针对肺部CT图像中孤立性肺结节(SPN)良恶性分类问题,寻求能够有效表示SPN图像的特征,通过适合的分类器实现对SPN良恶性的准确判别.由SPN图像的多分辨率直方图得到768维的特征空间,并将该类特征用于支持向量机(support vector machine,SVM)分类器进行训练,最后取得了令人满意的分类效果.结合深度学习领域中相关知识,将深度置信网络(deep belief network,DBN)用于SPN良恶性分类任务当中.将从肺部CT图像中分割出的SPN图像规整化作为DBN的输入,进行无监督训练;用带有良恶性类标的SPN图像对网络进行微调得到最终的DBN模型;用训练好的DBN模型在测试图像集上进行分类.在实验中选择肺结节患者480例,提取600个SPN图像作为实验数据.将新提出的DBN模型与基于纹理特征和多分辨率直方图特征的SVM模型进行对比,在不考虑医学象征的情况下,DBN模型的识别准确率高达86%,较SVM分类器的分类性能有了显著提升.
CT图像、孤立性肺结节(SPN)、多分辨率直方图、深度置信网(DBN)
23
TP391(计算技术、计算机技术)
黑龙江省自然科学基金F201208
2018-10-12(万方平台首次上网日期,不代表论文的发表时间)
共7页
9-15