基于Faster-RCNN的肺结节检测算法

摘要：

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.

关键词：Faster-RCNN、肺结节检测、ZF模型、VGG模型、卷积神经网络

所属期刊栏目：39

分类号：R318(医用一般科学)

资助基金：国家重点研发计划项目2018YFC0831100,2017YFC0803400

在线出版日期：2020-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：129-136