基于DenseNet的低分辨CT影像肺腺癌组织学亚型分类

• 作者: 戴亚康 杨婧 王海林 纪建松 耿辰
• 来源期刊: 浙江大学学报（工学版）
• 学科: 医学
• 关键词: 深度学习 DenseNet 混合性磨玻璃结节 肺腺癌 厚层CT
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 计算机与自动化技术
• 页码范围: 1164-1170
• 页数: 7页
• 分类号: R318.13
• 字数: 5336字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2019.06.016

摘要

为了实现在低剂量、低分辨率CT扫描影像中对肺腺癌组织学亚型的分类鉴别,提出一种基于DenseNet的深度学习方法,从混合性磨玻璃结节(mGGNs)5 mm层厚的低分辨率CT影像中预测IAC和MIA病理分类.从丽水市中心医院105例患者的105个5 mm层厚低分辨率CT图像中选取样本,划分训练集和测试集后,对训练集进行数据扩展,构建深度学习2D和3D DenseNet模型,分类鉴别IAC和MIA.2D DenseNet模型的分类准确度为76.67％,敏感性为63.33％,特异性为90.00％,受试者工作特征曲线下的区域面积为0.8889,显著优于3D DenseNet模型和其他几种深度学习网络模型.深度学习技术,尤其是2D DenseNet模型,可辅助并指导医生在肺癌CT筛查中对患者的肺腺癌组织学亚型进行预判,特别是在图像分辨率较低的情况下,仍能够快速提供较为准确的诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	纪建松		36	194	9.0	12.0
2	杨婧		16	167	5.0	12.0
6	耿辰	中国科学院苏州生物医学工程技术研究所	2	2	1.0	1.0
7	王海林		4	1	1.0	1.0
8	戴亚康	中国科学院苏州生物医学工程技术研究所	17	66	4.0	7.0