基于深度迁移学习的肺结节辅助诊断方法

被引：30

作者：

张驰名 ^{[1
]}

王庆凤 ^{[1
]}

刘志勤 ^{[1
]}

黄俊 ^{[1
]}

周莹 ^{[2
]}

刘启榆 ^{[2
]}

徐卫云 ^{[2
]}

机构：

[1] 西南科技大学计算机科学与技术学院

[2] 绵阳市中心医院

来源：

计算机工程 | 2020年 / 46卷 / 01期

关键词：

迁移学习; 卷积神经网络; 医学图像分类; 计算机辅助诊断; 肺结节诊断;

D O I：

10.19678/j.issn.1000-3428.0053340

中图分类号：

TP391.41 []; TP18 [人工智能理论]; R734.2 [肺肿瘤];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

在肺癌早期筛查过程中,人工诊断胸部CT扫描图像费时费力,而深度学习网络缺乏足够的医学数据进行训练。为此,提出一种渐进式微调(PFT)策略,将其应用于深度迁移学习网络以辅助诊断肺结节良恶性。利用神经网络在粗粒度的自然图像大数据集中学习特征知识,经重构网络分类层将所学到的特征信息迁移至肺结节的细粒度小数据集。采用PFT策略从全连接分类层开始,逐层释放、微调训练卷积层直至所有网络层,并通过定量分析各层微调后肺结节良恶性分类的AUC值,确定最佳微调深度。此外,采用梯度加权类激活映射图和t-SNE算法为网络预测结果提供相应的视觉支持与解释。在LIDC数据集中的实验结果表明,该方法对肺结节良恶性诊断的准确率可达91.44%,其AUC值为0.962 1。

引用

页码：271 / 278

页数：8

共 6 条

[1] 基于深度学习和迁移学习的多任务图像分类.[D].贺智超.华南理工大学.2017, 07
[2] 基于迁移学习和特征融合的航空器图像分类算法
陈兵
查宇飞
张胜杰
李运强
张园强
[J]. 火力与指挥控制, 2018, (07) : 140 - 144
[3] 基于深度稀疏辨别的跨领域图像分类
杨涵方
周向东
[J]. 计算机工程, 2018, 44 (04) : 310 - 316
[4] Deep Learning in Medical Image Analysis.[J].Dinggang Shen;Guorong Wu;Heung-Il Suk.Annual Review of Biomedical Engineering.2017, 1
[5] Cancer survival in C hina; 2003–2005: A population‐based study.[J].Hongmei Zeng;Rongshou Zheng;Yuming Guo;Siwei Zhang;Xiaonong Zou;Ning Wang;Limei Zhang;Jingao Tang;Jianguo Chen;Kuangrong Wei;Suqin Huang;Jian Wang;Liang Yu;Deli Zhao;Guohui Song;Jianshun Chen;Yongzhou Shen;Xiaoping Yang;Xiaoping Gu;Feng Jin;Qilong Li;Yanhua Li;Hengming Ge;Fengdong Zhu;Jianmei Dong;Guoping Guo;Ming Wu;Lingbin Du;Xibin Sun;Yutong He;Michel P Coleman;Peter Baade;Wanqing Chen;Xue Qin Yu.Int. J. Cancer.2015, 8
[6] Texture Feature Analysis for Computer-Aided Diagnosis on Pulmonary Nodules
Han, Fangfang
Wang, Huafeng
Zhang, Guopeng
Han, Hao
Song, Bowen
Li, Lihong
Moore, William
Lu, Hongbing
Zhao, Hong
Liang, Zhengrong
[J]. JOURNAL OF DIGITAL IMAGING, 2015, 28 (01) : 99 - 115

← 1 →