基于三维密集网络的肺结节检测方法

被引：13

作者：

王尚丽 ^{[1
]}

金戈辉 ^{[2
]}

徐亮 ^{[1
]}

金炜 ^{[1
]}

尹曹谦 ^{[1
]}

符冉迪 ^{[1
]}

机构：

[1] 宁波大学信息科学与工程学院

[2] 宁波大学医学院

来源：

中国生物医学工程学报 | 2020年 / 39卷 / 01期

关键词：

计算机辅助诊断; 结节检测; 密集连接; 3D卷积;

D O I：

暂无

中图分类号：

R734.2 [肺肿瘤]; TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

100117 [系统生物医学]; 140502 [人工智能];

摘要：

针对传统基于三维特征的肺结节检测方法存在小结节检出率不高且计算量大的问题,提出一种更为高效的基于三维密集网络的肺结节检测方法。首先将密集连接单元引入3D U-Net,构建适用于肺结节检测的3D Dense U-Net网络;由于3D Dense U-Net用密集连接块代替原始3D U-Net的普通卷积层,可最大化地保证层与层之间的信息流通,不仅能解决传统堆叠式网络所存在的特征冗余问题,而且能加快网络训练速度。同时,该网络保留U-Net的基本连接方式,以实现底层特征的复用,从而可以有效地获取候选结节。在此基础上,针对候选结节中包含假阳例的问题,为了更加有效地获取结节特征,提高网络对结节的鉴别能力,构造三维密集分类网络(3D Dense Net)进行假阳例的剔除。在天池医疗AI大赛数据集的测试中,检测肺结节总体敏感度94. 3%,10 mm以下结节敏感度91. 5%,假阳例率5. 9%。所提出的基于三维密集网络的肺结节检测方法对于小结节的检测更加灵敏,不仅能提高结节检出率,而且计算效率也有所提高。

引用

页码：8 / 18

页数：11

共 13 条

[1]

基于CT的计算机辅助检测与诊断肺结节技术研究进展附视频 [J].

吴光耀 ;

伍建林 .

中国医学影像技术, 2018, (07) :1114-1117

[2]

基于三维卷积神经网络的低剂量CT肺结节检测 [J].

吕晓琪 ;

吴凉 ;

谷宇 ;

张文莉 ;

李菁 .

光学精密工程, 2018, 26 (05) :1211-1218

[3]

Cancer incidence and mortality in China; 2014.[J].Wanqing Chen;Kexin Sun;Rongshou Zheng;Hongmei Zeng;Siwei Zhang;Changfa Xia;Zhixun Yang;He Li;Xiaonong Zou;Jie He;.Chinese Journal of Cancer Research.2018, 01

[4]

多输入卷积神经网络肺结节检测方法研究 [J].

赵鹏飞 ;

赵涓涓 ;

强彦 ;

王峰智 ;

赵文婷 .

计算机科学, 2018, 45 (01) :162-166

[5]

基于特征矢量化的肺结节特征选择算法 [J].

贺兴怡 ;

龚敬 ;

王丽嘉 ;

聂生东 .

计算机应用研究, 2018, 35 (08) :2544-2548

[6]

A deep 3D residual CNN for false-positive reduction in pulmonary nodule detection [J].

Jin, Hongsheng ;

Li, Zongyao ;

Tong, Ruofeng ;

Lin, Lanfen .

MEDICAL PHYSICS, 2018, 45 (05) :2097-2107

[7]

Validation; comparison; and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge.[J].Arnaud Arindra Adiyoso Setio;Alberto Traverso;Thomas de Bel;Moira S.N. Berens;Cas van den Bogaard;Piergiorgio Cerello;Hao Chen;Qi Dou;Maria Evelina Fantacci;Bram Geurts;Robbert van der Gugten;Pheng Ann Heng;Bart Jansen;Michael M.J. de Kaste;Valentin Kotov;Jack Yu-Hung Lin;Jeroen T.M.C. Manders;Alexander Sóñora-Mengana;Juan Carlos García-Naranj

[8]

Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images [J].

Jacobs, Colin ;

van Rikxoort, Eva M. ;

Twellmann, Thorsten ;

Scholten, Ernst Th. ;

de Jong, Pim A. ;

Kuhnigk, Jan-Martin ;

Oudkerk, Matthijs ;

de Koning, Harry J. ;

Prokop, Mathias ;

Schaefer-Prokop, Cornelia ;

van Ginneken, Bram .

MEDICAL IMAGE ANALYSIS, 2014, 18 (02) :374-384

[9]

Reader Variability in Identifying Pulmonary Nodules on Chest Radiographs From the National Lung Screening Trial [J].

Singh, Satinder P. ;

Gierada, David S. ;

Pinsky, Paul ;

Sanders, Colleen ;

Fineberg, Naomi ;

Sun, Yanhui ;

Lynch, David ;

Nath, Hrudaya .

JOURNAL OF THORACIC IMAGING, 2012, 27 (04) :249-254

[10]

Comparing and combining algorithms for computer-aided detection of pulmonary nodules in computed tomography scans: The ANODE09 study [J].

van Ginneken, Bram ;

Armato, Samuel G., III ;

de Hoop, Bartjan ;

van Amelsvoort-van de Vorst, Saskia ;

Duindam, Thomas ;

Niemeijer, Meindert ;

Murphy, Keelin ;

Schilham, Arnold ;

Retico, Alessandra ;

Fantacci, Maria Evelina ;

Camarlinghi, Niccolo ;

Bagagli, Francesco ;

Gori, Ilaria ;

Hara, Takeshi ;

Fujita, Hiroshi ;

Gargano, Gianfranco ;

Bellotti, Roberto ;

Tangaro, Sabina ;

Bolanos, Lourdes ;

De Carlo, Francesco ;

Cerello, Piergiorgio ;

Cheran, Sorin Cristian ;

Lopez Torres, Ernesto ;

Prokop, Mathias .

MEDICAL IMAGE ANALYSIS, 2010, 14 (06) :707-722

← 1 2 →