基于深度混合卷积模型的肺结节检测方法

• 作者: 张亚娟 戚永军 王锋 田泽培 顾军华
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 深度学习 特征融合 肺结节检测 计算机辅助诊断 CT图像
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 人工智能
• 页码范围: 2904-2909
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020020192

摘要

基于高维肺部计算机断层扫描(CT)图像的肺结节检测是一项极具挑战性的任务.在诸多肺结节检测算法中,深度卷积神经网络(CNN)最引人注目,其中二维(2D)CNN具有预训练模型多、检测效率高等优点,应用非常广泛,但肺结节本质是三维(3D)病灶,2D CNN会不可避免地造成信息损失,从而影响检测精度.3D CNN能充分利用CT图像空间信息,有效提升检测精度,但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足.为了兼顾两者的优势,提出基于深度混合CNN的肺结节检测模型,通过在神经网络模型的浅层部署3D CNN,在模型的深层部署2D CNN,并增加反卷积模块,融合了多层级的图像特征,达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力,提高检测效率的目的 .在LUNA16数据集上的实验结果表明,所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924,优于现有的先进模型.