張曉宇，強(qiáng) 彥，Zia Ur Rehman

(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600)

0 引 言

計(jì)算機(jī)斷層掃描(computed tomography，CT)技術(shù)是一種有效的檢測(cè)肺結(jié)節(jié)存在的工具。隨著CT技術(shù)的發(fā)展，對(duì)肺部病變的位置、形態(tài)等特征的觀察非常直觀，可以更容易識(shí)別。然而，對(duì)每位患者進(jìn)行薄層掃描會(huì)產(chǎn)生數(shù)百張圖像，放射科醫(yī)生必須對(duì)每張圖像進(jìn)行分析，從而導(dǎo)致漏診率和假陽性率的增加。為了減輕放射科醫(yī)師的閱讀負(fù)擔(dān)，提高肺結(jié)節(jié)檢測(cè)的準(zhǔn)確性，提出一種計(jì)算機(jī)輔助檢測(cè)(computer-aided detection，CADe)技術(shù)，自動(dòng)檢測(cè)醫(yī)學(xué)圖像中可疑病灶，幫助醫(yī)師進(jìn)行診斷，提高了診斷的客觀性。

然而肺結(jié)節(jié)檢測(cè)屬于單目標(biāo)檢測(cè)，且目標(biāo)結(jié)節(jié)通常較小，目前基于深度學(xué)習(xí)的檢測(cè)方法主要針對(duì)通用圖像，對(duì)于肺結(jié)節(jié)的檢測(cè)準(zhǔn)確度有待提高。并且現(xiàn)有的檢測(cè)方法大多是在生成候選結(jié)節(jié)時(shí)插入池化層進(jìn)行候選框尺度統(tǒng)一，然后再進(jìn)行特征提取，最后分類，二階段方法在保證準(zhǔn)確度的同時(shí)降低了速度。本文提出的端到端的檢測(cè)框架用于肺結(jié)節(jié)的檢測(cè)，在提高檢測(cè)精度的同時(shí)提高了檢測(cè)速度。

1 相關(guān)工作

傳統(tǒng)的機(jī)器學(xué)習(xí)方法通過圖像預(yù)處理、肺實(shí)質(zhì)或肺結(jié)節(jié)分割、特征提取、結(jié)節(jié)分類等實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的檢測(cè)，處理過程復(fù)雜且耗時(shí)長，近年來深度學(xué)習(xí)方法在目標(biāo)識(shí)別領(lǐng)域取得了良好的效果。在醫(yī)學(xué)圖像目標(biāo)檢測(cè)領(lǐng)域應(yīng)用深度學(xué)習(xí)方法也有很多研究，Dou Q等[1]利用兩個(gè)區(qū)域建議網(wǎng)絡(luò)和一個(gè)反卷積網(wǎng)絡(luò)快速提取候選結(jié)節(jié)，并設(shè)計(jì)了基于2D-CNN的增強(qiáng)結(jié)構(gòu)用于假陽性減少。針對(duì)醫(yī)學(xué)數(shù)據(jù)集中難易樣本失衡問題，提出了一種三維卷積網(wǎng)絡(luò)框架用于從低劑量CT掃描中自動(dòng)檢測(cè)結(jié)節(jié)。Jacobs C等[2]提出了一種CT圖像中結(jié)節(jié)的計(jì)算機(jī)輔助檢測(cè)系統(tǒng)。他們定義了128個(gè)維度的特性來提高分類性能。除了以前使用的強(qiáng)度、形狀和紋理特性之外，還引入了一組新的上下文特性。Krishnamurthy S等[3]使用k-means聚類技術(shù)的直方圖，自動(dòng)找到種子點(diǎn)，將分割應(yīng)用于所有可能的候選結(jié)節(jié)，并計(jì)算有效的形狀特征和紋理特征(2D和3D)，以減少假陽性。最后，利用基于人工神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行分類。Setio等[4]提出了一種基于多視圖卷積網(wǎng)絡(luò)的肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)系統(tǒng)，該系統(tǒng)利用訓(xùn)練數(shù)據(jù)自動(dòng)學(xué)習(xí)特征。將3個(gè)候選檢測(cè)器組合得到的候選結(jié)節(jié)輸入網(wǎng)絡(luò)，再用專用的融合方法對(duì)輸出進(jìn)行組合，得到最終的分類結(jié)果。Ding和Liao等[5,6]使用faster R-CNN生成候選結(jié)節(jié)，然后使用3D全卷積網(wǎng)絡(luò)去除假陽性結(jié)節(jié)。

以上方法都是二階段方法，首先對(duì)結(jié)節(jié)進(jìn)行候選框定位以后再進(jìn)行分類，本文提出的端到端的檢測(cè)模型將檢測(cè)和分類融合到一個(gè)框架中，避免了網(wǎng)絡(luò)的重復(fù)訓(xùn)練，并且本文用于特征提取的卷積網(wǎng)絡(luò)將特定級(jí)別的特征融合在一起，既可以實(shí)現(xiàn)特征復(fù)用又可以得到具有豐富語義的特征。

2 方法描述

端到端的肺結(jié)節(jié)自動(dòng)檢測(cè)框架如圖1所示。首先對(duì)肺部CT圖像進(jìn)行預(yù)處理操作，再用處理后圖片提取候選結(jié)節(jié)。在提取候選結(jié)節(jié)階段，使用殘差網(wǎng)絡(luò)與密集連接網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)進(jìn)行特征提取，然后將提取特征的網(wǎng)絡(luò)嵌入類U-Net[7]網(wǎng)絡(luò)中進(jìn)行候選框的提取，得到3個(gè)不同尺度的候選框，利用一層卷積層將分成9個(gè)區(qū)域的特征圖映射到對(duì)應(yīng)的位置敏感特征圖上，對(duì)9個(gè)特征圖進(jìn)行池化操作生成對(duì)應(yīng)的位置敏感池化層，然后對(duì)池化后的特征圖進(jìn)行投票操作，按得分將候選框分為結(jié)節(jié)與非結(jié)節(jié)。

圖1 網(wǎng)絡(luò)整體結(jié)構(gòu)

2.1 CT圖像預(yù)處理

整個(gè)CT圖像預(yù)處理過程如圖2所示。首先將所有原始數(shù)據(jù)轉(zhuǎn)換成Hounsfield unit(Hu)，這是這是描述放射性密度的標(biāo)準(zhǔn)定量尺度(如圖2(a)所示)。

圖2 CT圖像預(yù)處理步驟

(1)掩模提?。耗康氖菍⒎谓M織與其它類結(jié)節(jié)組織區(qū)分開。對(duì)于每個(gè)切片用高斯濾波器對(duì)二維圖像進(jìn)行濾波，然后用-600作為閾值進(jìn)行二值化(如圖2(b)所示)。去除二維連通區(qū)域小于30 mm 2或離心率大于0.99(對(duì)應(yīng)于某些高亮度徑向成像噪聲)的部分。然后計(jì)算得到的二元三維矩陣中所有的三維連通分量，保留未接觸到矩陣角點(diǎn)且體積在0.68 L-7.5 L之間的分量。此步驟之后CT圖轉(zhuǎn)換成為二值圖(如圖2(c)所示)。

(2)凸包和膨脹：有一些結(jié)節(jié)在肺的外邊緣，經(jīng)過前面的處理使得這些結(jié)節(jié)不包含在掩膜里。迭代腐蝕掩膜，直到掩膜分成兩部分，然后膨脹回原來的大小(如圖2(d)所示)。分別對(duì)左右肺執(zhí)行凸包操作使掩膜包含所有結(jié)節(jié)(如圖2(e)所示)，對(duì)生成的掩膜向外擴(kuò)張10個(gè)像素(如圖2(f)所示)得到完整的掩膜。

(3)灰度標(biāo)準(zhǔn)化：為準(zhǔn)備深度網(wǎng)絡(luò)的數(shù)據(jù)，將圖像從Hu變換到UINT8。原始數(shù)據(jù)矩陣截?cái)嗟絒-1200,600]之間，然后線性變換到[0,255]。然后再與前面得到的掩膜相乘。掩膜之外的像素灰度設(shè)為170(如圖2(g)所示)。膨脹10個(gè)像素區(qū)域的灰度值大于210的也替換成170。然后對(duì)圖像進(jìn)行相同尺度的裁剪(如圖2(h)所示)。

本文的CT圖像預(yù)處理步驟很好排除了一些不相關(guān)的干擾組織，為接下來的結(jié)節(jié)檢測(cè)奠定了基礎(chǔ)。

2.2 多尺度結(jié)節(jié)候選框檢測(cè)

此部分為本文重點(diǎn)部分，提出了一個(gè)多尺度檢測(cè)網(wǎng)絡(luò)，首先在特征提取部分運(yùn)用了雙路徑網(wǎng)絡(luò)進(jìn)行特征提取，保證特征復(fù)用的同時(shí)盡可能發(fā)現(xiàn)更多的新特征，然后用U-net作為骨干模型結(jié)合3D RPN輸出層作為檢測(cè)網(wǎng)絡(luò)，利用U-net網(wǎng)絡(luò)捕獲結(jié)節(jié)的多尺度信息，RPN可以直接生成候選框。

本文模型中的肺結(jié)節(jié)候選區(qū)域提取包括兩個(gè)部分，第一部分是圖像特征提取；第二部分是檢測(cè)網(wǎng)絡(luò)進(jìn)行多尺度候選框提取。雙路徑特征提取網(wǎng)絡(luò)包含在N-NET檢測(cè)網(wǎng)絡(luò)中，最終輸出多個(gè)尺度的候選框。

2.2.1 雙路徑網(wǎng)絡(luò)提取特征

一般的目標(biāo)檢測(cè)中，對(duì)輸入圖像進(jìn)行特征提取時(shí)用殘差網(wǎng)絡(luò)(ResNet)或密集連接網(wǎng)絡(luò)(DenseNet)，ResNet可以促進(jìn)特征重復(fù)使用，減少特征冗余；而DenseNet可以探索新的特征，但存在冗余問題。本文在特征提取時(shí)運(yùn)用殘差網(wǎng)絡(luò)和密集連接網(wǎng)絡(luò)相結(jié)合的深度雙路徑網(wǎng)絡(luò)(deep dual path network，DPN)，它繼承了上面兩個(gè)網(wǎng)絡(luò)的優(yōu)點(diǎn)，可以對(duì)特征進(jìn)行再利用、再開發(fā)。DPN也有參數(shù)利用率高、計(jì)算復(fù)雜度低、內(nèi)存消耗少、易于優(yōu)化的優(yōu)點(diǎn)。

雙路徑網(wǎng)絡(luò)將特征映射分成兩部分，一部分F(x)[d：]用于殘差學(xué)習(xí)，即從第d個(gè)特征圖開始到最后做對(duì)應(yīng)值相加(elementwise)，另一部分F(x)[：d]用于密集連接，即特征圖從1到d做對(duì)應(yīng)值的合并(concat)，d是一個(gè)超參數(shù)用來決定利用新特征的數(shù)量，本文設(shè)定d=8，雙路徑連接可以用如下公式表示

y=G(x[:d],F(x)[:d],F(x)[d:]+x[d:])

(1)

式中：y是雙路徑連接的特征映射，G是用ReLU作為激活函數(shù)，F(xiàn)是卷積層函數(shù)，x是雙路徑連接塊的輸入，雙路徑連接將功能重用的殘差網(wǎng)絡(luò)和利用新功能的密集連接結(jié)合到一個(gè)結(jié)構(gòu)中。雙路徑連接如圖3所示。

圖3 雙路徑網(wǎng)絡(luò)

2.2.2 N-NET檢測(cè)網(wǎng)絡(luò)

該網(wǎng)絡(luò)是基于U-net的3D版RPN(region proposal network)模型。網(wǎng)絡(luò)類U-net編碼解碼器結(jié)構(gòu)組成，如圖4所示。

圖4 網(wǎng)絡(luò)類U-net編碼解碼器結(jié)構(gòu)

輸入：考慮到GPU容量，網(wǎng)絡(luò)采用96×96×96×1(Height×Length×Width×Channel)的輸入大小，隨機(jī)選擇兩類patches。其中70%是patches包含至少一個(gè)結(jié)節(jié)，30%是不含結(jié)節(jié)的(為保證負(fù)樣本的收斂)。其中，patch超出圖像部分用灰度值為170填充。為了避免過擬合問題，數(shù)據(jù)采用數(shù)據(jù)增強(qiáng)方法。

編碼結(jié)構(gòu)：以兩層卷積核為3×3×3的卷積(channel為24)開始，且padding為1，因此輸入為96×96×96×24的特征圖；其后為4個(gè)雙路徑塊，其中每個(gè)雙路徑塊由2個(gè)雙路徑單元組成(如圖3所示)，在編碼結(jié)構(gòu)中使用8個(gè)雙路徑連接，卷積核大小均為3×3×3，尺寸縮減為1/16。

解碼結(jié)構(gòu)：接下來是分辨率放大階段，連續(xù)兩個(gè)階段都是反卷積后與低層特征串聯(lián)，卷積核大小為2，步長為2。最后，由卷積核均為1×1×1且channel為64和15的兩層卷積層將數(shù)據(jù)大小轉(zhuǎn)換為24×24×24×3×5，其中3表示anchor個(gè)數(shù)，每個(gè)像素點(diǎn)有3個(gè)錨點(diǎn)，分別采用3種尺寸，設(shè)置的3個(gè)滑動(dòng)窗口尺寸是[5,10,20]，5表示回歸量，每個(gè)位置預(yù)測(cè)x,y,h,d,o分別是結(jié)節(jié)的三維坐標(biāo)以及直徑，概率。對(duì)于o采用sigmoid激活函數(shù)，其中

(2)

2.2.3 損失函數(shù)

(3)

分類損失Lcls用交叉熵?fù)p失函數(shù)表示，公式如下

(4)

在網(wǎng)絡(luò)訓(xùn)練過程中，每個(gè)候選框都是一個(gè)訓(xùn)練樣本，i是一個(gè)批量數(shù)據(jù)中一個(gè)候選框的索引，pi表示當(dāng)前候選框i是結(jié)節(jié)的預(yù)測(cè)概率。回歸損失Lreg用穩(wěn)定的SmoothL1表示，公式如下

(5)

(6)

ti表示結(jié)節(jié)位置的預(yù)測(cè)相對(duì)坐標(biāo)，定義為

(7)

(8)

式中：(x*,y*,z*,d*)是在原始數(shù)據(jù)集中真實(shí)的結(jié)節(jié)坐標(biāo)和直徑。根據(jù)實(shí)驗(yàn)效果λ設(shè)為0.5。

2.3 端到端檢測(cè)框架

經(jīng)過前兩個(gè)步驟圖像預(yù)處理和結(jié)節(jié)檢測(cè)之后需要對(duì)結(jié)節(jié)候選框進(jìn)行回歸微調(diào)以及分類輸出是否為結(jié)節(jié)，本文將圖像預(yù)處理和結(jié)節(jié)識(shí)別嵌入基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)R-FCN中，它是一個(gè)端到端的檢測(cè)框架，在提高檢測(cè)精度的同時(shí)避免了網(wǎng)絡(luò)的重復(fù)訓(xùn)練，縮短了檢測(cè)時(shí)間。

在N-NET檢測(cè)網(wǎng)絡(luò)的最后一層卷積層除了生成候選框外，還在特征圖上使用K×K×K×2個(gè)通道的卷積層生成位置敏感得分圖，表示將候選框平均劃分成K×K×K個(gè)區(qū)域，2表示分類的類別，即結(jié)節(jié)與非結(jié)節(jié)，那么每一類都有K×K×K個(gè)得分，每個(gè)小區(qū)域根據(jù)位置映射到對(duì)應(yīng)的位置敏感得分圖上，然后將映射后的位置敏感得分圖輸入位置敏感池化層，對(duì)每個(gè)類別的每一個(gè)小區(qū)域進(jìn)行平均池化操作，主要目的是將不同大小的ROI對(duì)應(yīng)的特征圖映射成相同維度的特征，然后對(duì)每個(gè)類別的特征圖得分相加，就得到了這個(gè)候選框的總得分，位置敏感池化層的公式為

(9)

式中：Θ為網(wǎng)絡(luò)可學(xué)習(xí)的參數(shù)，(x0，y0，h0)為候選框左上角坐標(biāo)，r(i,j,k|Θ)表示每個(gè)子區(qū)域的池化響應(yīng)，zi,j,k表示子區(qū)域?qū)?yīng)的位置敏感得分圖，n表示每個(gè)子區(qū)域的像素個(gè)數(shù)。

同理，采用相似的方法對(duì)候選框進(jìn)行回歸，在K×K×K×2的卷積層后加一個(gè)K×K×K×4的卷積層，經(jīng)過同樣的方式池化后得到一個(gè)四維向量分別表示一個(gè)候選框的坐標(biāo)和長寬。

最后用Softmax函數(shù)實(shí)行投票機(jī)制，計(jì)算其為結(jié)節(jié)的概率，完成分類任務(wù)。由于整個(gè)網(wǎng)絡(luò)參數(shù)共享，所以對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行端到端的訓(xùn)練速度較快。R-FCN結(jié)構(gòu)如圖5所示。

圖5 R-FCN結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果分析與對(duì)比

3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集

本文提出的方法在肺部圖像數(shù)據(jù)庫聯(lián)盟LIDC-IDRI數(shù)據(jù)集[8]以及山西某合作醫(yī)院的數(shù)據(jù)集上進(jìn)行評(píng)估，LIDC-IDRI數(shù)據(jù)集是目前世界上最大的肺癌公共數(shù)據(jù)集，目前共有1018例病例，在本文中排除了厚層掃描(切片厚度>2.5 mm)[9,10]，得到了888次CT掃描，選定的CT圖像包含≥3 mm的結(jié)節(jié)并至少由3名醫(yī)生聯(lián)合標(biāo)記，最終獲得1186個(gè)結(jié)節(jié)。山西某合作醫(yī)院包括258位肺部疾病患者，共計(jì)1765例，本文將LIDC數(shù)據(jù)集中800例病人的肺部圖像作為訓(xùn)練集，剩余的88例與合作醫(yī)院的數(shù)據(jù)平均分開，分別作為驗(yàn)證集和測(cè)試集。本文提出的方法在caffe框架下進(jìn)行訓(xùn)練，處理器為Intel(R)Core(TM)i3_7100CPU@3.90 GHz*4。

3.2 實(shí)驗(yàn)細(xì)節(jié)

本文針對(duì)數(shù)據(jù)集中含結(jié)節(jié)數(shù)據(jù)數(shù)量少防止過擬合采用了數(shù)據(jù)增強(qiáng)方式，通過對(duì)圖像進(jìn)行裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)等操作來增加數(shù)據(jù)集，裁剪比例在0.75到1.25之間，學(xué)習(xí)率的合適設(shè)定防止陷入局部最優(yōu)，本文將學(xué)習(xí)率初始化為0.3，每3000次迭代衰減5%，訓(xùn)練過程中使用隨機(jī)梯度下降法優(yōu)化網(wǎng)絡(luò)。本文方法使用caffe深度學(xué)習(xí)框架實(shí)現(xiàn)。

3.3 評(píng)價(jià)標(biāo)準(zhǔn)

本文通過計(jì)算檢測(cè)靈敏性來評(píng)估檢測(cè)性能，靈敏性是指所有的肺結(jié)節(jié)得到正確檢測(cè)的概率，靈敏性=真陽性/(真陽性+假陰性)，當(dāng)檢測(cè)結(jié)果與醫(yī)師標(biāo)注的結(jié)節(jié)相同時(shí)表明結(jié)節(jié)被檢測(cè)出來。在降低假陽性階段，通過對(duì)原始預(yù)測(cè)概率設(shè)置不同的閾值，進(jìn)行FROC(free-response recei-ver operating characteristic)分析，F(xiàn)ROC的縱坐標(biāo)為敏感性，橫坐標(biāo)為每個(gè)CT掃描中平均假陽性的個(gè)數(shù)。其計(jì)算7個(gè)預(yù)定義的假陽性率(1/8，1/4，1/2，1，2，4和8)下的平均敏感性，可以用來比較不同CAD系統(tǒng)的性能，它的值越高表明系統(tǒng)性能越優(yōu)。

3.4 實(shí)驗(yàn)結(jié)果

3.4.1 N-NET用于結(jié)節(jié)檢測(cè)

我們?cè)u(píng)估了本文提出的自動(dòng)檢測(cè)模型在LIDC-IDRI數(shù)據(jù)集上的檢測(cè)性能。為驗(yàn)證所提出的深度三維雙路徑網(wǎng)絡(luò)的檢測(cè)性能，我們使用深度殘差網(wǎng)絡(luò)作為對(duì)比。如圖6所示，深度殘差網(wǎng)絡(luò)的編碼部分是由二維的18層殘差網(wǎng)絡(luò)(Res 18)[11]擴(kuò)展成的18層深度三維殘差網(wǎng)絡(luò)，此外，3D Res18 N-NET包含5.4M可訓(xùn)練參數(shù)，而3D DPN26 N-NET使用1.4M可訓(xùn)練參數(shù)，僅為3D Res18 N-NET的0.25倍。

圖6 殘差網(wǎng)絡(luò)結(jié)構(gòu)

FROC在LIDC-IDRI上的表現(xiàn)如圖7所示。計(jì)算平均每次掃描4個(gè)假陽性的平均敏感性，3D Res18 N-NET的敏感度為83.4%，而3D DPN26 N-NET的敏感度為84.2%，對(duì)所有結(jié)節(jié)的總召回率，3D Res18 N-NET的敏感度為94.6%，3D DPN26 N-NET的敏感度為95.8%，說明融合3D DPN特征提取的網(wǎng)絡(luò)具有更好的檢測(cè)適應(yīng)能力，因?yàn)槠涮卣鲌D包含的結(jié)節(jié)信息更多。

圖7 平均每個(gè)掃描的假陽性率

3.4.2 端到端檢測(cè)框架

對(duì)于本文使用的R-FCN端到端的檢測(cè)框架，我們用4個(gè)指標(biāo)敏感度、準(zhǔn)確率、假陽性率和特異度來評(píng)估檢測(cè)性能，并且與Faster R-CNN+DPN[12]模型做了比較，兩者使用相同的損失函數(shù)與數(shù)據(jù)集。

表1列出了兩種不同模型下4個(gè)指標(biāo)的測(cè)試結(jié)果。Faster R-CNN+DPN與本文的R-FCN模型對(duì)單張CT圖像測(cè)試的時(shí)間為0.38 s和0.29 s。在敏感度、準(zhǔn)確率、假陽性率和特異度上R-FCN模型均略高于Faster R-CNN+DPN，且檢測(cè)結(jié)果相比，R-FCN的候選框更接近結(jié)節(jié)中心，對(duì)結(jié)節(jié)的定位更加準(zhǔn)確，且由于R-FCN的卷積層共享，檢測(cè)速度更快。圖8顯示了兩種模型的檢測(cè)結(jié)果，第一行代表本文方法的檢測(cè)結(jié)果，第二行代表Faster R-CNN的檢測(cè)結(jié)果，可以看出本文的方法在檢測(cè)結(jié)節(jié)時(shí)可以更加準(zhǔn)確框出結(jié)節(jié)中心位置。

表1 兩種模型檢測(cè)肺結(jié)節(jié)結(jié)果/%

圖8 兩種模型檢測(cè)結(jié)果對(duì)比

3.4.3 不同CAD系統(tǒng)性能對(duì)比

為更好地說明本文所提出的方法的性能，表2對(duì)比了不同CAD系統(tǒng)性能，并與前人使用LIDC-IDRI數(shù)據(jù)集進(jìn)行驗(yàn)證的一些工作進(jìn)行了比較。Jiang等[13]的網(wǎng)絡(luò)結(jié)構(gòu)需要一些類似非實(shí)質(zhì)分割等的預(yù)處理步驟。Golan等[15]利用深度卷積神經(jīng)網(wǎng)絡(luò)從輸入數(shù)據(jù)中提取有價(jià)值的體積特征，實(shí)現(xiàn)CT圖像中結(jié)節(jié)的檢測(cè)。Setio和Dou等[1,4]分別使用多視圖CNN和多層上下文CNN進(jìn)行假陽性還原，得到了較好的結(jié)果。本文方法在提取特征以及提高檢測(cè)速度方面做了改進(jìn)，取得了良好的效果。其它基于圖像特征描述的結(jié)節(jié)檢測(cè)方案，如LBP、GLCM、SIFT等，適用于小范圍的肺結(jié)節(jié)，但缺乏泛化能力。與其它研究相比，本文在沒有任何分割或額外的假陽性減少程序的情況下，獲得了良好的檢測(cè)性能。平均每次掃描4張圖像靈敏度達(dá)到了90.5%。

表2 不同CAD系統(tǒng)檢測(cè)性能對(duì)比

4 結(jié)束語

本文針對(duì)現(xiàn)有的檢測(cè)方法檢測(cè)時(shí)間長，結(jié)節(jié)檢出率不高的問題，提出了一種基于雙路徑網(wǎng)絡(luò)的肺癌自動(dòng)診斷方法。設(shè)計(jì)了一種三維CNN來檢測(cè)結(jié)節(jié)，并使用端到端的框架來對(duì)檢測(cè)到的結(jié)節(jié)進(jìn)行分類，并將它們結(jié)合在一起。對(duì)于肺結(jié)節(jié)的檢測(cè)方法，將三維CNN應(yīng)用于三維目標(biāo)檢測(cè)與分類面臨著兩個(gè)難題。首先，隨著模型規(guī)模的增長，模型占用的內(nèi)存越來越大，因此運(yùn)行速度也越來越快批量大小和模型深度都是有限的。我們?cè)O(shè)計(jì)了一個(gè)較淺的網(wǎng)絡(luò)，使用圖像補(bǔ)丁代替整個(gè)圖像作為輸入；三維CNN的參數(shù)數(shù)量明顯大于具有相似結(jié)構(gòu)的二維CNN，因此模型對(duì)訓(xùn)練數(shù)據(jù)有過度擬合的傾向。使用數(shù)據(jù)增強(qiáng)來緩解這個(gè)問題。其次，檢測(cè)和分類分別設(shè)計(jì)兩個(gè)網(wǎng)絡(luò)，模型復(fù)雜且參數(shù)訓(xùn)練費(fèi)時(shí)，因此本文使用端到端的網(wǎng)絡(luò)來解決此問題，卷積層共享提高了檢測(cè)速度。本文提出的檢測(cè)方法在精度和速度都有一定的提升。