用CNN识别CT图像检测肺癌
用CNN识别CT图像检测肺癌
原文:2nd place solution for the 2017 national datascience bowl
翻译参考:知乎用户王小新 Kaggle百万美元大赛优胜者:用CNN识别CT图像检测肺癌
概要
本文为2017年由Kaggle举办的数据科学竞赛的第二名获奖者Julian de Wit的部分解决方案。Julian de Wit和Daniel Hammack通过构建3D卷积神经网络创建肺结节探测器,预测患者患癌的可能性。Wit的开发环境为Windows版的Tensorflow和Keras库。
Kaggle在该比赛中提示参赛选手可参考之前的LUNA16竞赛。该竞赛采用的数据集是由公开数据集LIDC-IDRI转化而来的,医生为800多个病人的CT图像标记了1000多个肺结节。因此,可以从整张CT图像中的标记周围裁剪出小型3D图像,将这些小型3D图像与结节标记直接对应,从而利用神经网络学习这些特征,训练出一个神经网络来检测肺结节,并评估结节的恶性程度,预测患者患癌的可能性。其中,预测时神经网络通过滑动窗口的方式来遍历整张CT图像,分别判断每个滑动窗口所包含的区域是否含有恶性信息的可能性。
数据预处理和创建训练集
数据预处理
在预处理过程中,首先对CT图像进行缩放,保证图像中的每个像素点只表示1mm31mm^31mm3的体积;然后将CT图像的像素强度转换为HU值,并最大化HU值后进行归一化处理;最后,确保所有CT图像都具有相同的方向。
训练集构建
计划构建U-net网络分割肺部区域。根据观察CT图像,可利用肺组织的边缘构建相应的框架找到肺结节。
在分割掩膜边缘进行采样标注,从而分割得到肺部组织。
在第一轮训练中,对LUNA16数据集上进行结节预测,得到了所有假阳性结节,并将其并入LUNA16 V2数据集中。随后,手动标记NDSB数据集中癌症样本的阳性结节和非癌症样本的假阳性结节,并训练第二各模型,其效果很糟糕。但将两个模型相结合,其效果相比于单个模型较好,因此保留第二个模型。
建立一个结节观测器,用于调试所有的标记。LIDC数据集的说明文档表明医生被要求忽略大于3cm的结节,但担心这些被忽略的结节会影响分类器的准确度,从而删除了与这些结节相重叠的部分。
上图为CT图像中的标记。左上为LUNA16 V2的数据;右上为非肺组织的边缘;左下为假阳性的区域;右下为被移除的无标注区域。
3D卷积神经网络的训练方法和网络结构
数据集正反两类样本量比为5000:500000,且正面例子的大小和形状有很大差异。因此在CT图像的滑动窗口中,建立小型3D卷积神经网络。
第一个目标为训练一个可作为基础的结节检测器。首先对正例进行上采样(upsample),将正反两类的样本比上调至1:20;然后进行一些图像增强操作以提高模型的泛化能力。
设计好分类器后,再训练一个用于预测恶化程度的回归模型,将肿瘤恶化程度划分为1(很可能不是恶性)~5(很可能是恶性),且为了强调肿瘤的恶化程度,对之前的划分平方运算后将范围扩大到0~25。计划使用同一个网络,以多任务学习的方法,同时进行分类结点和估计恶化程度这两个任务。
采用基于C3D神经网络(类VGG网络)得到最终的分类评估网络。首先将输入大小设置为32×32×32mm;对Z轴进行average pooling操作;最后,在网络的终端引入Botteneck features。
注:此处不是直接预测恶性肿瘤,而是输出结节的恶化程度。
上图为3D卷积神经网络结构示意图。
奇怪组织(strange tissue)检测器
当肺结节癌变时,其可能变为一些肺部肿块或更为复杂的组织。在CT图像中,若存在大量的“奇怪组织”,则表明癌症的可能性较高。然而,在目前的结节检测器程序中,对存在大量“奇怪组织”的CT图像,其无法检测出任意结节。因此,该问题将造成较高的假阳性率。
对于该问题,在LUNA16训练集上采用U-net网络构建检测器,但其效果提升微小。
源码中,作者使用部分LUNA16数据集和部分NDSB数据集,以及53个额外数据集(疑似来自本文原文中提到的吸烟者的肺部CT图像),基于U-net模型构建肿块检查器。
癌症预测
在之前的处理过程中,存在一个严重问题:错过了一些较大的明显的结节。因此,对CT图像进行两次下采样(downsample),并让网络在1,1.5和2这三个尺度上预测。
上图中左图表明没有很好地检测到大结节,图像缩放为1倍大小;右图表明检测效果较好,图像放大为2倍大小。图中矩形框表示检测到的恶性肿瘤。
添加额外的特征,构建梯度增强分类器(共使用7个特征)来预测一年内患者是否患癌。
主要由两个模型组成:
- 第一个模型基于所有的LUNA16数据集构建而成;
- 第二个模型通过选择NDSB3数据集中疑难病例和假阳性病例主动学习构建而成。
用CNN识别CT图像检测肺癌相关推荐
- 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 ...
- CVPR 2020文本图像检测与识别论文/代码
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程 公众号:datayx CVPR 2020 共收录 1470篇文章,算法主要领域:图像与视频处理,图像分类&检 ...
- 将 TensorFlow 移植到 Android手机,实现物体识别、行人检测和图像风格迁移详细教程
2017/02/23 更新 贴一个TensorFlow 2017开发者大会的Mobile专题演讲 移动和嵌入式TensorFlow 这里面有重点讲到本文介绍的三个例子,以及其他的移动和嵌入式方面的TF ...
- gcn在图像上的应用_每日摘要|基于CNN 特征的图像卷积网络识别杂草和作物
文章信息 标题:CNN feature based graph convolutional network for weed and crop recognition in smart farming ...
- tensorflow学习笔记九:将 TensorFlow 移植到 Android手机,实现物体识别、行人检测和图像风格迁移详细教程
2017/02/23 更新 贴一个TensorFlow 2017开发者大会的Mobile专题演讲 移动和嵌入式TensorFlow 这里面有重点讲到本文介绍的三个例子,以及其他的移动和嵌入式方面的TF ...
- 椎体压缩性骨折与骨密度:CT图像的自动检测与分类
椎体压缩性骨折与骨密度:CT图像的自动检测与分类 Vertebral Body compression Fractures and Bone Density: Automated Detection ...
- 探究肺癌患者的CT图像的图像特征并构建一个诊断模型
目标 效果图 操作说明 代码 目标 探究肺癌患者的CT图像的图像特征并构建一个诊断模型 效果图 操作说明 代码中我以建立10张图为例,多少你自己定 准备工作: 1.准备肺癌或非肺癌每个各10张图,在本 ...
- JavaCV进阶opencv图像检测识别:摄像头图像人脸检测
JavaCV免费教程目录: JavaCV入门教程(免费JavaCV教程) javacv实战专栏目录(2016年更新至今): JavaCV实战专栏文章目录(2016年更新至今) 2022年最新JavaC ...
- JavaCV进阶opencv图像检测识别:ffmpeg视频图像画面人脸检测
JavaCV免费教程目录: JavaCV入门教程(免费JavaCV教程) javacv实战专栏目录(2016年更新至今): JavaCV实战专栏文章目录(2016年更新至今) 2022年最新JavaC ...
最新文章
- CentOS 6.3 64bit上测试ATS 5.3.0中的正则刷新插件regex_revalidate
- Node核心模块Buffer
- 乐鑫wifi模块二次开发_米家部分智能硬件拆解,ZigBee/WIFI模块分析及二次开发
- 既有“基本盘”又有“增长盘”,宝盛集团的营销“生意经”
- 你说我做丨为你定制「大局观版」职场设计课
- FPGA(1)--VHDL--6选1数据选择器
- 汇编语言-019(汇编程序与c\c++相互调用)
- React开发(158):ant design级联回显 直接传入数组
- 操作系统学习笔记-06-系统调用
- 重装linux之后gcc等下载不了,Redhat linux下安装gcc
- mysql 回滚段_MySQL和PostgreSQL比较
- 東方 project 联机版开发日记(1)
- 会话信息必须在服务器端,有关会话跟踪技术描述正确的是
- 广数980tc3从u盘复制到系统_广州数控GSK980TC3车床数控系统操作手册(选)
- 黑莓 QNX 被曝严重的 BadAlloc 漏洞 影响数百万汽车和医疗设备
- 情感分析技术在美团的探索与应用
- 为什么你会觉得微服务架构很别扭
- 【第37期】游戏策划:简历那点事
- 软件自动化测试框架STAF概述
- 数据库 MySQL-window安装和卸载