通过深度学习方法进行肺结节的检测

1.肺结节的检测
       根据数据的标签是坐标还是掩膜，选取不同的方法。标签是坐标选取目标检测方法，标签是掩膜则选取图像分割算法.
2.Unet网络介绍
       Unet是一个在医学图像处理领域，应用很广泛的网络结构，是一种全卷积神经网络，输入和输出都是图像，没有全连接层。较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题。U-NET 构造了一个收缩网络和一个扩张网络，形成了一个 U 型结构。收缩过程通过不断的卷积(convolution)和池化(pooling)操作提取图片特征。扩张过程与收缩过程相对应，通过上采样(upsampling)和卷积操作来获取图片的特征。U-NET 的特点在于收缩网络和扩张网络是相互映射的关系，在扩张的过程中，通过合并与之映射的收缩层特征补全丢失的边界信息，提升预测边缘信息的准确性。与SegNet，VGG 等网络结构相比，U-NET 具有训练时间短，结构简单，样本需求少等优势。
3.损失函数
(1).Dice 损失
       训练分割网络，我们采用 Dice Loss作为损失函数，Dice Loss定义如下：

       Dice 系数是一种集合相似度函数，用来评判两个样本之间的相似程度，两个样本相似度越好，Dice系数越大,相应的损失就越小，故可采用1-Dice作为损失。
4.提取肺实质
       在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，如下左图所示。8邻接的点一共有8个，包括了对角线位置的点，如下图所示。

如果像素点A与B邻接，我们称A与B连通，于是我们不加证明的有如下的结论：如果A与B连通，B与C连通，则A与C连通。在视觉上看来，彼此连通的点形成了一个区域，而不连通的点形成了不同的区域。这样的一个所有的点彼此连通点构成的集合，我们称为一个连通区域。下面这符图中，如果考虑4邻接，则有3个连通区域；如果考虑8邻接，则有2个连通区域。

5.分类网络
分割网络检测的疑似结点中含有大量的假阳性，比例大约是1:20，因此需要一个分类网络进行假阳性衰减，判别每一个疑似结点是否是真阳性，并给出属于真阳性的概率。
数据处理步骤
分割网络检测处的疑似结点作为分类网络的输入数据，进行与分割阶段相同的归一化，翻转以及随机平移。由于正负样本比例悬殊，在训练分类网络的时候，控制正负样本比例为1:3，比1:1或者不控制比例训的准确率更高。
6.肺结节相关的算法步骤

肺部区域提取。使用图像分割算法生成肺部区域的mask图，然后根据mask图生成肺部区域图像。
疑似肺结节分割。
利用肺部分割生成的肺部区域图像，加上结节标注信息生成的结节mask图像，训练基于卷积神经网络的肺结节分割器。下图基于卷积网络的肺结节分割结果，对分割结果图像进行二值化，提取连通块等处理，提取出疑似肺结节。由于CT图像是一个扫描序列，参赛者可能需要对多帧的结果进行融合。
疑似肺结节分类
找到疑似肺结节后，可以使用常见的图像分类算法（如CNN等）对疑似肺结节进行分类，得出疑似肺结节是否为真正肺结节的概率。下图是找到的肺结节例子。
相关评估指标
根据给出的坐标信息判断结节是否检测正确。如果结节落在以参考标准为中心半径为R的球体中，则认为检测正确。如果检测到小于3mm的结节，赛题组既不认为是错误检测也不认为是正确检测。
根据提供的结节检测概率，计算一个FROC曲线。Sensitivity在1/8, 1/4, 1/2, 1, 2, 4和8一共7个不同的误报情况下的平均值作为最终评判标准。

Luna16——肺结节检测和良恶性分类挑战赛（一）

通过深度学习方法进行肺结节的检测相关推荐

肺结节目标检测_一种基于CT图像的肺结节检测方法及系统与流程
本发明属于医学图像分析和计算机辅助诊断等技术领域,更具体地,涉及一种基于CT图像的肺结节检测方法及系统. 背景技术: 肺癌是导致患癌死亡的最危险的疾病之一,其发病率占所有癌症的三分之二,且5年存活率为 ...
高精度肺结节自动检测方案 | 算法解析
随着经济的发展,以及人口老龄化.环境污染的加剧,肺癌已经成为全球发病率和死亡率最高的癌症之一[1]. 肺癌没有明显的早期症状.虽然肺癌的早期切除可以有效提高患者的生存率,但多数自然就诊的患者发现肺癌时 ...
(2016)CT图像肺结节计算机辅助检测与诊断技术研究综述学习笔记
引言肺结节 CAD系统可分成检测(CADe)和诊断(CADx)两部分,其中 CADe在胸腔 CT 图像中标记侯选结节,并将候选结节分割成结节和非结节,而 CADx为确定结节的良恶性提供 ...
基于深度学习的肺部CT影像识别——采用U-net、3D CNN、cGAN实现肺结节的检测（一）
点击此处跳转到系列博客索引文章目录引言 U-net分割模型算法原理实现过程实验结果参考引言在医学图像处理中,传统的特征提取方法依赖于含有先验知识的特征提取和感兴趣区域的获取,这将直接影 ...
基于深度学习的肺部CT影像识别——采用U-net、3D CNN、cGAN实现肺结节的检测（二）
点击此处跳转到系列博客索引文章目录引言算法原理多层级3D CNN 多尺度渐变集成3D CNN 实现过程实验结果评价指标结果分析参考引言上一节中介绍了U-net在肺结节分割提取中的原 ...
基于深度学习的CT图像肺结节自动检测（系列放在一起）
PS 为了方便查找,将SongpingWang的肺结节系列博客放在一起.(刚好公司要我开始接手这一块)感谢大神具体链接: 0 :https://blog.csdn.net/wsp_113888611 ...
肺结节目标检测_基于改进Faster R-CNN的肺结节检测
基于改进 Faster R-CNN 的肺结节检测肺癌在我国乃至全球范围内 , 都是发病率及死亡率最高的恶性肿瘤.其早期的表现形式是直径不超过 30mm 的肺内圆形或不规则形结节. 肺癌的早期诊断与 ...
CT影像中肺结节自动检测算法的验证、比较和组合：The LUNA16 challenge
原文:https://arxiv.org/pdf/1612.08012.pdf 摘要在过去的二十年里,胸部计算机断层扫描 (CT) 扫描中肺结节的自动检测一直是一个活跃的研究领域.然而,只有很少的研 ...
爱计算机辅助筛查肺结节,计算机辅助检测系统提高CT肺结节检出方式的研究
摘要: 目的:通过对比研究计算机辅助检测系统(CAD)作为第二阅读者,同步阅读者筛查肺结节的方式,探索到适合临床推广应用的CAD辅助方式.方法:纳入60例MDCT检查肺部有结节的体检者.4位放射科医生 ...

通过深度学习方法进行肺结节的检测

Luna16——肺结节检测和良恶性分类挑战赛（一）

通过深度学习方法进行肺结节的检测相关推荐

最新文章

热门文章