基于图像分割的肺结节CT图像哈希检索

发布时间：2021-07-13 20:05

　　基于相似图像的肺结节CT图像检索辅助诊断对肺结节的发现有着重要的作用。肺结节的诊断难度较大,通常需要充分利用图像的边缘、分叶、毛刺、纹理等各类信息。文中针对目前基于哈希方法的肺结节检索中存在的不能充分利用图像分割信息从而导致部分信息丢失问题做出了改进,提出了一种基于图像分割的肺结节图像哈希检索方法。实验结果表明,在72位哈希码长度时,达到了85.3%的平均准确率。并且,将文中图像分割模块应用于其他哈希检索方法时,平均准确率皆有一定的提升。 

【文章来源】：信息技术. 2020,44(04)

【文章页数】：5 页

【部分图文】：

基于图像分割和卷积神经网络的肺结节检索过程示意图

U-Net网络结构如图2所示。整个网络具有4个最大池化层,及4个反卷积层。在收缩路径中,每层由以ReLU作为激活函数的两个3*3的卷积层及一个步长为2的2*2的最大池化层组成。在扩展路径中,每层先采用反卷积,与收缩路径对应层的特征图进行拼接,再将其通过两个激活函数为ReLU的3*3的卷积层。在网络的最后一层是一个1*1的卷积层,通过这一操作可以将64通道的特征向量转换为所需要的分类结果的数量。在训练时,本文采用随机批量梯度下降的方法进行训练。由于本文所需图形分割为一个二分类问题,故将最后一层激活函数由Softmax改为Sigmoid。Sigmoid激活函数定义如下:

本文首先对哈希检索模型中阈值超参数γ和图像分割矩阵中非病变区域所对应值的超参数θ进行讨论。本文对γ分别以步长为0.05为范围进行取值,对θ分别以步长为0.1为范围进行取值,结果分别如图3-4所示。由图3可知,γ为0.35时,检索精度达到最大值,0.35之后检索精度开始下降,本文认为这主要是由数据不平衡性导致。由图4所示,当θ值为0.2时,检索精度达到最高,之后开始下降。因此,本文将超参数γ设置为0.35,θ设置为0.2。图4 不同θ检索精度图

【参考文献】：
期刊论文
[1]基于多尺度密集网络的肺结节图像检索算法[J]. 秦品乐,李启,曾建潮,张娜,宋宇龙.  计算机应用. 2019(02)
[2]基于卷积神经网络和监督核哈希的图像检索方法[J]. 柯圣财,赵永威,李弼程,彭天强.  电子学报. 2017(01)
[3]基于有监督哈希的肺结节CT图像检索[J]. 潘玲,杜晓平,赵涓涓.  计算机应用研究. 2017(09)



本文编号：3282715