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.     

用于肺结节检测和分类的两阶段深度学习方法

针对肺部CT数据具有空间信息的特点, 提出一种基于深度学习的两阶段方法, 即使用两个3D卷积网络有效学习结节特征, 对CT图像中的肺结节进行检测和分类. 该方法的检测器部分采用基于U Net的编码器 解码器结构的3D语义分割模型, 以预测结节的位置、 大小和语义掩码; 分类器部分采用3D双路径网络, 用于特征的汇总和收缩, 并给出分类结果. 为充分利用原始数据中的特征信息, 将检测器的结果应用于对原始数据进行采样和掩码操作, 并通过空间金字塔池化层获得一致的输入尺度. 在公开数据集上的实验结果表明, 该深度学习方法对CT图像肺结节的检测和分类具有良好的性能.     

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。     

一种基于ARG的肺结节良恶性度判定方法

基于CT影像的肺结节的良恶性识别是肺癌诊断的重要环节，针对这一问题，提出一种基于属性关系图(attributed relational graph， ARG)的肺结节良恶性度判定方法.该方法以肺结节CT图像块作为输入，利用ARG构建其特征结构，并从大量ARGs中挖掘与或图(and-or graph， AoG)作为肺结节类别识别模板，即肺结节良恶性度判定的依据.此外，为提高模板挖掘效率，该方法利用马尔可夫毯(Markov blanket， MB)发现算法去除图像中的冗余特征，降低ARG节点数量.实验结果表明，该方法对恶性肺结节的识别率达到90.12%，能够帮助正确、快速辨识与分析肺结节良恶性，具有一定的实用价值.     

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Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.     

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%.     

一种新的动态SVM选择集成算法

针对动态选择集成算法存在当局部分类器无法对待测样本正确分类时避免错分的问题,提出基于差异聚类的动态SVM选择集成算法。算法首先对训练样本实施聚类,对于每个聚类,算法根据精度及差异度选择合适的分类器进行集成,并根据这些分类器集成结果为每个聚类标定错分样本区,同时额外为之设计一组分类器集合。在测试过程中,根据待测样本所属子聚类及在子聚类中离错分样本区的远近,选择合适的分类器集合为之分类,尽最大可能的减少由上一问题所带来的盲区。在UCI数据集上与Bagging-SVM算法及文献［10］所提算法比较,使用该算法在保证测试速度的同时,能有效提高分类精度。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

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。     

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...     

神经网络集成在肺癌细胞识别中的应用

通过一种特殊的一级集成结构将神经网络集成应用于肺癌细胞识别,集成中的个体网络由Bagging方法产生,第一级集成的归纳结论由本文提出的完全投票法合成,第二级集成的归纳结论由相对多数投票法合成,实验和原型系统试用表明,该方法的总体误识率较低,更重要的是,其将癌细胞判为非癌细胞的误识率非常工,大大降低了肺癌患者漏诊的可能性。     

均值漂移带宽选取新方法及其在分割肺结节中的应用

针对肺结节与周围组织相连且边缘模糊造成分割困难的问题,提出一种新的均值漂移(meanshift)带宽自动选取方法并采用均值漂移算法解决结节分割.与基于统计分析规则的带宽选择方法相比,该方法时间复杂度低,且能得到符合实际问题的正确带宽参数.应用带宽选择定理确定带宽参数的初始值,利用尺度空间滤波聚类理论的最稳定尺度准则确定最佳的自适应带宽参数.该方法对毛玻璃型、粘连血管型、贴胸壁型和各向异性型进行评估实验,都取得了正确的分割结果.结果表明,该方法对分割结节是有效的.     

一种用于方向预测的集成学习算法

对用方向向量标识示例的学习问题,以预测方向与实际方向之间的方向误差最小化为目标,提出了一种可用于方向预测的集成学习算法,详细分析了构造多个预测函数以及组合各个预测函数以实现方向的最优化预测方法. 提出的算法具有广泛的应用特性：当用不同的轴向来标识类别时,可简化得到多分类连续AdaBoost算法,其能确保训练错误率随分类器个数增加而降低;用错分代价组成的向量来标识示例时,可简化得到一种平均错分代价最小化的集成学习算法. 理论分析和实验结果均表明了算法的合理性和有效性.     

基于CT图像的肺实质细分割综合方法

肺实质的分割是肺结节检测和诊断的基础,是肺部疾病计算机辅助诊断的关键步骤之一。针对肺部计算机断层扫描（computer tomography,CT)图像,采用最佳阈值法进行初步分割,去除背景,用结合上下文分析的区域生长法去掉气管、支气管,对左右肺连结的情况进行像素分析,分开左右肺,对提取出来的肺区用滚球法进行修复,得到肺实质图像。去除气管和分割左右肺的算法是针对肺部CT图像的特征提出的,具有简单高效的特点。实验表明,该综合方法的准确性和可靠性较高,有较好的应用前景。     

基于模型决策树的AdaBoost算法

AdaBoost算法是一种将多个基学习器通过合理策略结合生成强学习器的集成算法,其性能取决于基学习器的准确率和多样性。但弱学习器分类精度不高往往也导致了最终强分类器性能较差,因此进一步为了提高算法的分类精确率,本文提出一种MDTAda模型,首先利用基尼指数迭代构造一棵不完全决策树,然后在决策树的非纯伪叶结点上添加简单分类器,生成MDT(模型决策树),将MDT作为AdaBoost算法的基分类器,加权平均生成强分类器。在标准数据集上的实验表明,相比传统的AdaBoost算法,本文提出的算法拥有更好的泛化性能和更优的间隔分布,且在与AdaBoost算法达到相同精度时所需迭代次数更少。     

CT扫描诊断周围型小肺癌36例分析

目的：探讨CT在周围型小肺癌诊断中的应用.方法：对我院2009年1月至2013年6月的36例周围型小肺癌的CT表现进行了回顾性分析.结果：36例肿瘤内部可见分叶征18例、毛刺征19例、空泡征13例、血管聚集征8例、胸膜凹陷征5例.25例患者行CT增强扫描,病灶呈中度均匀强化,CT值增幅为20～80HU.结论：通过对周围型小肺癌的一些特征进行认知,采用CT扫描,提高周围型小肺癌的诊断准确率.     

基于代价敏感的图分类算法

引入图的误分类代价矩阵,选取以最小误分类代价为目标的加权子图作为图样本的特征属性,建立起图的决策树桩分类器,进行集成学习,得到一个对新图进行分类的判别函数.在生成候选子图时,利用子图的超图增益值具有上界的性质来裁剪增益值比较小的候选子图,从而减少候选子图数量,提高算法效率.实验结果表明,所提算法比其他图分类算法的误分类代价更小.     

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.