基于区域建议网络的肺结节检测及其去假阳性

如今,基于深度学习的肺结节检测技术不断发展,在辅助医生进行肺结节检查的任务中极大提升了肺结节的检出率和诊断的准确率。本文采用了深度学习技术,提出了一种基于RPN网络结构的肺结节检测方法。针对肺结节的去假阳性阶段,本文将多个分类网络进行了性能对比。本文在Faster R-CNN网络上进行改进,使用Squeeze-and-Excitation（SE）结构以及ResNeXt的残差块构成特征提取模块,再结合UNet++网络结构,输出多个尺度的结果。最后将多尺度结果应用在3D RPN候选检测网络和R-CNN网络上,得到了灵敏度较高,假阳率更低的候选结节检测网络。在去假阳性结节网络阶段,本文用3D DCNN网络对候选肺结节进行假阳性的筛除,有效去除了部分假阳性肺结节,提升了多个FP/scan检查点的灵敏度。本文的网络最终得出灵敏度98.8%@8FPs,Competition Performance Metric（CPM）达到0.879。在去假阳性结节方面,本文验证了3D DCNN网络在几个网络中能够取得最好的效果,达到了15.6%的去假阳率。总的来说,本文的候选结节网络进一步提升了检测的灵敏度,网络模型达到了较好的检测效果。在去假阳性网络方面,得出3D DCNN作为去假阳性网络具有比其它一些网络模型更好的效果。     

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.     

面向肺部CT影像的双3D-CNN结节诊断模型

为了捕获肺部CT影像中结节的三维不规则性并提高其诊断精度，本文设计了一种由筛到诊的双三维卷积神经网络（d3D-CNN）结节诊断模型.首先，构建了一个轻型3D-CNN网络，且将它与全卷积运算相结合，利用卷积运算的高优化性，完成结节筛选并生成疑似区域；然后，利用空间-切片注意力机制自动学习疑似区域在空间和切片序列上的偏移量，设计可变形3D卷积模块，且将它与ResNet101相结合而构造成一个高精度3D-CNN结节诊断网络，用于对筛选出的疑似区域进行最终判决.对比实验结果表明，所提模型在误报率为1的情况下，召回率达到88.9%，有效地提高了肺结节良恶性诊断精度.     

CT关键征象联合临床指标鉴别诊断甲状腺TI-RADS 4-5类结节性质

目的:探讨CT关键征象-临床指标联合诊断模型鉴别诊断甲状腺影像报告及数据系统(TI-RADS)4-5类结节的良、恶性的价值。方法:搜集本院超声诊断为TI-RADS 4-5类且于CT下清晰显示的甲状腺结节患者319例(369个结节)及术前2周内的临床血清学检查资料，以术后病理结果作为诊断的金标准。分别绘制CT关键征象模型、临床指标模型及CT关键征象-临床指标联合模型的受试者工作特征曲线(ROC)并计算曲线下面积(AUC),比较3者的诊断效能。结果:全部的甲状腺结节中，恶性296个，良性73个，联合诊断模型AUC为0.888,灵敏度77.36%,特异度91.78%;CT关键征象模型AUC为0.846,灵敏度73.99%,特异度90.41%;临床指标模型AUC为0.691,灵敏度为54.05%,特异度为79.45%;联合诊断模型的诊断效能与单独检查诊断效能相比，差异具有统计学意义(P<0.05)。结论:在超声诊断的TI-RADS 4-5类的甲状腺结节中，CT关键征象-临床指标联合诊断模型的诊断准确率相对较高。