基于高效通道注意力的UNet肺结节CT图像分割

肺癌是全球死亡率最高的癌症之一,肺结节作为肺癌早期诊断的重要依据,对其进行精准分割格外重要。为了帮助医生诊断肺部病变,本文提出一种改进的UNet肺结节分割方法。首先,在特征提取部分引入高效通道注意力网络(efficient channel attention for deep convolutional neural networks, EcaNet),提高UNet分割效果,使其具有良好的泛化能力。接着,为了降低模型参数量、提升算法分割性能,提出一种基于深度可分离卷积的特征融合模型,用深度可分离卷积代替传统卷积完成特征融合。然后,针对肺结节图像特点,将基于重叠度损失函数(dice loss)与加权交叉熵(weighted cross entropy, WCE)结合作为新的损失函数。最后,为验证所提算法Eca-UNet的有效性,在LIDC-IDRI肺结节公开数据集上进行评估。结果表明：Eca-UNet算法在DICE相似系数、MIOU上比UNet分割算法分别提高10.47、7.34个百分点;同时在训练速度上提升了10.10%,预测速度提升了11.56%。     

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.     

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TI-RADS分类的桥本甲状腺炎合并结节危险因素分析

目的:基于甲状腺影像报告和数据系统(TI-RADS)分类探讨桥本甲状腺炎(HT)合并结节的恶变危险因素,辅助临床诊断,同时为早期防治和患者的自我健康管理提供依据.方法:回顾性分析了2016年1月至2018年12月某省级三甲医院内分泌科就诊的所有HT合并结节患者基线特征、超声检查及实验室检查结果.基于TI-RADS结果将...     

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POS-ELM的孤立性肺结节诊断方法研究

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题。为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法。首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别。实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具。     

一种新型Mobile Unet网络的肺结节图像分割方法

针对医学图像分辨率小、边缘模糊、感兴趣区域(ROI)边界不明显造成的分割不准确性问题,提出一种新型Mobile Unet网络的肺结节图像分割方法.该方法首先使用MobileNet中bneck模块替换Unet网络的下采样部分,并对输入图像进行特征提取;然后,将下采样提取的特征按照Unet网络连接方式融合到上采样部分;最后...     

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.     

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。     

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.