基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

结合规则和SVM方法的肺结节识别

为识别CT图像中的肺结节,提出了一种结合规则和支持向量机(SVM)的识别方法,来对分割出来的感兴趣区域(ROI)进行分类.该方法首先计算候选ROI的形态特征,利用基于规则的方法筛去非结节的区域;然后把筛选之后剩余的候选ROI作为测试样本和训练样本,计算它们的灰度和纹理等特征;最后把灰度、形态和纹理特征值作为SVM的输入...     

基于稀疏组Lasso与支持向量机的肺结节CT征象自动标注简

为减少人工读片的工作量及医生对肺结节解释的差异性,提出一种基于稀疏组Lasso特征选择与支持向量机分类器的肺结节CT征象自动标注方法.首先,采用基于多专家标注的阈值概率图方法从肺部CT图像中分割肺结节,并提取专家标注的CT征象;其次,提取肺结节图像的形状、大小、灰度、纹理4种底层特征,通过稀疏组Lasso方法对4种特征进行选择;然后利用支持向量机建立选择后底层特征与CT征象之间的关系模型;最后利用此模型标注肺结节CT征象.LIDC数据库上的实验结果表明,本文方法具有较高的标注精度,能够实现肺结节CT征象的自动标注,辅助医生解释.     

基于Bootstrap-异质SVM集成学习的肺结节分类方法

为了对肺结节的良、恶性诊断形成定量的客观分析和提高良、恶性的分类正确率,针对肺结节CT图像提出了一种基于Bootstrap-异质SVM的集成学习方法.首先,采用模糊聚类图像分割方法提取肺结节,计算提取出的结节特征参数用于学习分类.然后,以支持向量机(SVM)在不同核函数下的不同性能构造高差异性的子学习器,在子学习器中引入Bootstrap算法来提高其学习精度,通过集成学习方法实现学习器分类性能的整体改善.对146个(40个良性,106个恶性)肺结节样本分别利用单个SVM、BP神经网络和Bootstrap-异质SVM集成学习方法进行了学习测试,获得的最高分类正确率分别为80%,、82%,和90%,.实验结果表明:提出的Bootstrap-异质SVM集成学习方法将单个SVM分类器的最高正确率提高了10%,,同时也获得了高于BP神经网络8%,的分类正确率和较好的学习稳定性,有效地改善了机器学习在不平衡数据集下对肺结节良恶性的分类能力.     

一种用于肺结节恶性度分类的生成对抗网络

针对肺结节数据集中良恶性样本数比例失衡的问题,首次引入深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGAN)模型,该模型根据输入的肺结节图像,生成与输入图像具有相似纹理特征的肺结节并将生成图像用于训练DCGAN模型.此外,将图像来源分类问题改为图像来源分类和肺结节等级1~5分类问题,从而增强了DCGAN模型的抗噪能力和实现了DCGAN模型对肺结节的等级分类.实验表明,改进的DCGAN中G模型在生成图像时具有良好的抗噪能力且生成图像中大约有90.42%的图像判别为真实图像,D模型对肺结节图像的等级分类具有较好的判别能力且肺结节等级分类准确率为70.89%,肺结节良恶性分类准确率为80.13%.     

基于稀疏组Lasso与支持向量机的肺结节CT征象自动标注

为减少人工读片的工作量及医生对肺结节解释的差异性,提出一种基于稀疏组Lasso特征选择与支持向量机分类器的肺结节CT征象自动标注方法.首先,采用基于多专家标注的阈值概率图方法从肺部CT图像中分割肺结节,并提取专家标注的CT征象;其次,提取肺结节图像的形状、大小、灰度、纹理4种底层特征,通过稀疏组Lasso方法对4种特征进行选择;然后利用支持向量机建立选择后底层特征与CT征象之间的关系模型;最后利用此模型标注肺结节CT征象.LIDC数据库上的实验结果表明,本文方法具有较高的标注精度,能够实现肺结节CT征象的自动标注,辅助医生解释.     

CT图像中肺结节毛刺特征的计算机量化方法

根据CT图像中肺结节毛刺的生长特点,提出了一种CT图像的肺结节毛刺特征计算机量化分级方法.该方法首先利用动态规划算法对感兴趣的CT图像区域进行肺结节分割,然后在分割的结节边界基础上,通过分析边界附近区域梯度方向的规律性,提取边界法线-梯度正交指数作为结节毛刺特征的量化指标,在此基础上对肺结节毛刺特征进行量化分级.实验结果表明:该指数能够准确地量化肺结节的毛刺特征,对区分无毛刺、短毛刺及长毛刺结节具有较高的分辨率.     

128层螺旋CT多平面重组技术在肺孤立性结节形态特征筛查中的应用价值

探究128层螺旋CT多平面重组技术（MPR）在肺孤立性结节形态特征筛查中的应用价值。2019年5月—2020年9月甘肃省定西市人民医院行128层螺旋CT胸部平扫检查中发现肺部结节患者中抽取130例患者,年龄为25～65岁,其中男性72例,女性48例。该批患者均经过128层螺旋CT进行胸部检查并发现胸部结节,将该批患者常规进行常规图像与多平面重建图像进行对比分析。常规平扫图像编为对照组,并将进行MPR重建图像编为研究组,然后将两组图像交由放射科两位高级主治医师和两位副主任医师对这两组图像随机顺序对的每个患者的图像进行仔细地独立阅读,在阅片时,观察医生不被告知患者相关临床资料和信息。常规CT平扫图像与进行多平面重组的CT图像进行肺结节形态特征的评价分析,研究组的肺结节特异性的识别率高于对照组,具有明显差异性（P<0.05）。在肺结节的筛查与形态特征的评价中进行多平面重组重建技术可以提高肺结节形态特征的检出率,而肺结节的这些形态特征对肺结节良恶性的影像鉴别诊断中具有重要的意义,因此,多平面重建技术应在日常阅片诊断中积极和广泛应用。     

常规超声、实时组织弹性成像及应变率比值弹性成像鉴别诊断乳腺结节的比较研究

为探讨常规超声(US)、实时组织弹性成像(UE)及应变率比值弹性成像(SR)在乳腺结节良恶性鉴别诊断中的应用价值。采用回顾性分析95个乳腺结节的US、UE及SR图像方法。常规超声采用BI-RADS分类判断结节性质,UE采用5级评分法判断结节性质,SR测量结节与周围同一水平乳腺的应变率比值,利用ROC曲线比较常规超声、UE、SR的曲线下面积(AUC),判定诊断效能。结果显示,常规超声判断乳腺结节良恶性的敏感度、特异度、准确度分别为:81.7%(49/60)、80.0%(28/35)、81.1%(77/95)。UE判断乳腺结节良恶性的敏感度、特异度、准确度、分别为:86.7%(52/60)、80.0%(28/35)、84.2%(80/95)。良、恶性结节的SR平均值分别为(2.49±0.81)、(3.53±0.95),以3.14作为诊断良恶性结节的最佳截断值时,SR判断乳腺结节良恶性灵敏度、特异度、准确性分别为93.3%(56/60)、91.4%(32/35)、92.6%(88/95);US、UE、SR诊断乳腺良、恶性结节的曲线下面积AUC分别为0.808,0.833,0.924,差异有统计学意义(P=0.000)。由此可知,US、UE及SR均有助于鉴别诊断乳腺良、恶性结节,UE优于US,SR优于UE及US。     

融合长距离信道注意力与病理特征的肺结节分类

针对现有深度学习网络普遍存在的长距离特征通道关联性缺失、网络自提取特征会湮没肺结节病理显性特征等问题，首先，将通道注意力和空间注意力结合，提出一种可以有效建立长距离特征通道关联性的注意力模块LCA(long-distance channel attention),让模型能获取肺部CT图像的全局显著特征，提高对肺结节的良恶性诊断精度.其次，将肺结节直径、纹理、钙化度等病理显性特征与其深度特征融合，以增强这些显性特征的重要度，提高模型的分类效果.最后，搭建一种特征提取网络DLCANet(dual-connected long-distance channel attention network)和一种分类器模型MARTM(multiple additive regression tree model).在数据集LIDC-LDRI和LUNA16上进行分类实验，与基准模型DPN(dual path network)相比，准确率提高了3.63%,假阳性率下降了8.66%,且整体性能优于目前主流模型.     

孤立性肺结节18F-FDG PET/CT影像学特点及临床分析刘晓飞1 张婷1 周晓红1 苏家贵1 何宝明1 王仲元2(解放军第三〇九医院核医学科1 ,北京 100091；解放军第三〇九医院结核病研究所2 ,北京 100091)

目的：探讨孤立性肺结节(SPN)的临床及影像学₁₈F-FDG PET/CT影像学特点。方法：回顾性分析2009 年07月至2015 年7月间的 102例孤立性肺结节(SPN)病例,搜集患者的性别、年龄、临床症状、实验室检查及影像学特点。结果：在102例病例中,70例确诊为肺癌,32例为良性病变,男 46例,女56例,平均年龄(58.0±11.5)岁,结节标准化摄取值(3.70±3.54)(SUVmax值),均经病理学诊断或者随访3年以上;₁₈F-FDG PET/CT检查的灵敏性、特异性、精确度分别为88.1%、85.7%、87.4%,SPN为肺癌结节中,年龄≥55较年龄＜55 的明显多,血清肿瘤标记物在良恶性结节中数据差异无统计学意义,SPN有无分叶、毛刺、空泡征、胸膜凹陷征在良恶性结节诊断中数据差异有统计学意义,FDG糖代谢比值(T/NT)良恶性数据差异无统计学意义。结论：通过对102例孤立性肺结节的临床及影像学₁₈F-FDG PET/CT影像学特点研究分析,表明₁₈F-FDG PET/CT影像学特点及临床表现对良恶性的诊断有重要参考价值,₁₈F-FDG PET/CT可为无法获得病理结果患者提供理想的诊断手段。     

基于CT影像的早期肺癌风险评估

为了克服横断面型数据的不完整性,提出了一种基于合成分析的早期肺癌风险预测模型.收集247组来自医院的患者数据进行实验,使用合成分析法结合肺结节良恶性判断结果、吸烟史、家族病史等肺癌危险因素建立风险评估模型.实验表明,未纳入影像学良恶性分类结果的合成分析模型的准确率为83.20％,而纳入影像学良恶性分类结果的合成分析模型...     

An Inception Module CNN Classifiers Fusion Method on Pulmonary Nodule Diagnosis by Signs

A "sign" on a lung CT image refers to a radiologic finding that suggests a pathological progression of some specific disease. Analysis of CT signs is helpful to understand the pathological origin of the lesion. In-depth study of lung nodules classification with different CT signs will help to distinguish benign and malignant nodules more clearly and accurately. To this end, we propose an Inception module-based ensemble classification method for pulmonary nodule diagnosis with different nodule signs. We first construct a Convolutional Neural Network(CNN) classifier adopting Inception modules and pre-train it on ImageNet. We then fine-tune this pre-trained classifier on 10 different lung nodule sign sample sets, and fuse these 10 classifiers with an artificial immune ensemble algorithm. The overall sensitivity, specificity, and accuracy of our proposed Artificial Immune Algorithm-based Inception Networks Fusion(AIA-INF) algorithm are 82.22%, 93.17%, and 88.67%, respectively, which are significantly higher than those of the alternative Bagging and Boosting methods. The experimental results show that our Inception-based ensemble classifier offers promising performance, and compared with other CADx systems, this scheme can offer a more detailed reference for diagnosis, and can be valuable for junior radiologist training.     

多重分形及其良恶性肺结节的识别

采用多重分形谱对肺部CT图像特征进行分析.多重分形谱参数可以分层次地刻画空间内部的精细结构,突出异常局部变化特征,获得更多、更准确的特征信息.从复杂的肺部CT图像数据中选出了具有明显个性特征的区域,与分形维数相结合可进一步对良恶性肺结节进行分类.结果表明,同分形维数方法相比,多重分形的奇异谱函数可以提供更多的信息,有效地克服了分形维数相同情况下不同肺结节无法区分的困难,使肺实质组织中的肺结节特征提取更符合实际情况.     

融合注意力特征及动态卷积的肺结节辅助诊断

针对肺结节关键影像征象信息不易获取,部分卷积神经网络（convolutional neural networks, CNN）模型对肺结节的识别率不高的问题,提出一种结合注意力特征的动态卷积残差网络（dynamic convolutional residual networks incorporating attention features,DcANet） ,并在有效实现肺结节良恶性分类的基础上对所提模型的诊断结果进行可视化分析。此网络以适应肺结节三维小尺寸输入特点的残差网络为基本框架,在DcABlock部分使用可以自适应调整卷积参数的动态卷积以及迭代注意特征融合模块,使模型能够更准确地获取肺结节信息,提高模型的表征能力。此外,还使用类激活映射将三维图像的各层切片进行可视化分析。实验在最终测试集上的准确率为85.87%,平衡F分数（F1 ）值为82.67%,敏感度和特异性的综合指标Gmean值为85.51%。实验结果表明,该网络可以提升对肺结节良恶性分类的准确性,诊断结果具有可信性,有一定的临床应用价值。     

基于深度信念网络的肺结节良恶性分类

肺结节的良恶性分类是计算机辅助诊断系统中最重要的部分,目前常用的分类方法有分类精度低、假阳性高等问题。针对上述问题,把深度信念网络(DBN)引入肺结节的良恶性诊断过程中,提出自定义的DBN分类算法。首先从不同的角度提取肺结节特征,并形成特征向量。然后根据提取的特征对三个隐藏层的节点数进行分析;并构建了一个5层深度信念网络。最终使用训练样本对DBN进行训练;并输出网络的测试结果。对175个病例进行试验,结果表明:算法的分类精度、敏感性和特异性分别为95.3%,92.5%和93.2%,ROC曲线下面积为0.921。与传统算法相比有更好的分类效果,可以给医生提供客观的辅助诊断。     

基于多视角深度信念网络的肺结节识别方法

针对传统肺癌计算机辅助诊断系统中肺结节检出过程烦琐,且存在假阳性高的问题,提出一种基于多视角深度信念网络的肺结节识别方法。该方法首先将肺结节进行三维重建并将重建后不同大小的肺结节归一到不同尺度的立方体中,然后将不同视角的2.5D切片作为深度信念网络的输入数据,最后通过不同的融合策略完成对肺结节的识别。在肺部图像数据库联盟(LIDC)数据集上大量实验表明:相比于传统肺癌识别系统本文方法敏感性为(92.8±0.25)%,平均每组病例假阳性个数为2.4±0.3,该方法能有效降低肺结节自动检测过程中的假阳性率。     

基于图注意力网络的案件罪名预测方法:CP-GAT

案件罪名预测任务是基于文本数据去预测案件所属罪名.针对现有方法在相似罪名和长尾数据集上表现不佳的问题，提出了一种基于图注意力网络的案件罪名预测方法CP-GAT(charge prediction based on graph attention network).该方法首先使用司法文书数据集中的案例事件描述文本和案例对应的法条信息建立异质图结构数据，构建后的异质图包含两种类型的节点(词节点、案例节点)，两种类型的边(词节点与词节点相连的边，词节点与案例节点相连的边).在基于法律文本构建后的异质图上使用图注意力网络进行图特征提取，最后将得到的特征向量输入到罪名预测的分类器中，得到案例所属的罪名.在CAIL2018法律数据集上的实验结果表明，基于图注意力网络的罪名预测方法优于对比实验使用的方法，准确率和宏观F1值分别达到了95.2%和66.1，验证了提出的方法有利于提升案件罪名预测任务的性能.     

一种基于CI特征的3-域均值平移聚类肺结节分割算法(英)

提出了一种有效的分割CT图像中肺结节的新算法。该算法采用均值平移（mean shift）算法和基于CI特征,共由三个步骤组成：（1）计算感兴趣区内的所有像素的CI特征;（2）把CI特征与像素的灰度值和空间位置信息结合在一起,形成3-域特征向量集;（3）利用均值平移聚类算法对特征向量集进行聚类。由于本文的算法能有效分析多高斯模型描述的包括实质性结节和亚实质性结节在内的所有结节,因此,可应用于CT图像中任何含有结节的用户感兴趣区域。实验结果证明,本文方法能更精确地分割出不同类型的结节。