基于局部感受野和半监督深度自编码的肺结节检测方法

发布时间：2018-05-17 22:29

  本文选题：稀疏自编码 + 半监督　； 参考：《科学技术与工程》2017年33期

【摘要】：深度学习在肺部影像方面的研究主要集中于肺部CT图像。对肺结节的快速准确检测是肺部疾病治疗的关键步骤。结节检测本身就是一项具有挑战性的工作,且已有的研究均很难得到较高的检测率。针对这样的问题,提出一种改进的深度半监督稀疏自编码的肺结节检测方法。首先,采用局部感受野对肺结节图像进行多层特征提取。然后,利用半监督稀疏自编码自主学习肺部影像中的结节特征。最后,融合多种临床信息实现对肺结节的准确检测。实验结果表明,该方法可以达到准确率90.14%,敏感度89.67%和平均检测率96.64%,明显优于其他方法检测性能,更适用于肺结节的精准检测。
[Abstract]:The study of deep learning in lung imaging is mainly focused on lung CT images. Rapid and accurate detection of pulmonary nodules is a key step in the treatment of pulmonary diseases. Nodule detection is a challenging task, and it is difficult to obtain a high detection rate. In order to solve this problem, an improved method for detecting lung nodules with deep semi-supervised sparse self-coding is proposed. Firstly, the local receptive field is used to extract the multilayer features of pulmonary nodules. Then, we use semi-supervised sparse self-coding to learn the features of nodules in lung images. Finally, the accurate detection of pulmonary nodules is realized by fusion of various clinical information. The experimental results show that this method can achieve accuracy of 90.14%, sensitivity of 89.67% and average detection rate of 96.64, which is obviously superior to other methods and is more suitable for accurate detection of pulmonary nodules.
【作者单位】： 太原理工大学计算机科学与技术学院;山西省煤炭中心医院;
【基金】：国家自然科学基金(61373100) 虚拟现实技术与系统国家重点实验室基金(BUAA-VR-16KF13) 山西省回国留学人员科研资助项目(2016-038)资助
【分类号】：R734.2;TP391.41

【相似文献】

相关期刊论文 前8条

1 郭薇;魏颖;周翰逊;薛定宇;;肺结节的自适应检测算法[J];系统仿真学报;2009年13期

2 李秀霞,何积银,党波;肺结节病的诊断[J];陕西医学杂志;1992年01期

3 陶剑英,康晓明,夏锡荣,孙正明,吴欣欣;肺结节病1例报告[J];解放军医学杂志;1987年02期

4 沈汉澄;楼荣灿;;肺结节病误诊为肺癌的临床讨论[J];肿瘤防治研究;1979年05期

5 刘敬禹;朱勇;裴琦;;经纤维支气管镜确诊肺结节病合并乳腺瘤一例[J];江苏医药;2012年15期

6 王洪武,段蕴铀;肺结节病与中心型肺癌的鉴别诊断[J];海军总医院学报;1995年02期

7 刘继汉;肺结节病的X线诊断(附3例报告)[J];西安交通大学学报(医学版);1978年02期

8 左竹林;;BALF淋巴细胞计数对判断肺结节病预后的价值[J];国外医学.呼吸系统分册;1992年02期

相关博士学位论文 前1条

1 刘佳宝;CT肺结节诊断的计算机辅助系统研究[D];首都医科大学;2017年

相关硕士学位论文 前10条

1 罗旋;基于DICOM序列影像的肺结节检测算法研究[D];电子科技大学;2015年

2 刘潇;基于时间序列的孤立肺结节形态征象及良恶检测[D];西北大学;2015年

3 陈庆麟;肺结节计算机辅助诊断系统关键技术研究[D];华南理工大学;2016年

4 汪俊;基于定量影像组学的肺结节良恶性预测[D];哈尔滨理工大学;2016年

5 陈思宏;肺结节CT图像中基于多任务特征的语义属性自动评级[D];深圳大学;2017年

6 缪艳丽;基于CT图像的亚实性肺结节实性成分的提取[D];天津工业大学;2017年

7 闫晓斐;基于PET/CT的肺结节分割与良恶性诊断方法的研究[D];太原理工大学;2017年

8 香世杰;肺结节计算机辅助诊断系统中分割算法研究及实现[D];华南理工大学;2011年

9 束洲;肺结节计算机辅助诊断算法研究[D];浙江大学;2007年

10 常莎;基于三维空间肺结节良恶性鉴别研究[D];北京交通大学;2012年

，

本文编号：1903158