北京联合大学 智慧城市学院 物联网与机器人实验室, 北京 100101
三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊, 目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分, 提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息, 将不同感受野的信息融合。将Dice损失和BCE损失结合, 形成一种新的损失函数并配合恒等映射, 进一步提高分割精度。在BraTs2020数据集上对模型进行验证, 结果表明, 该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证, 结果表明, Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像, 而且同样适用于分割二维脑胶质瘤图像。
脑胶质瘤 三维磁共振图像 图像分割 3D卷积神经网络 Brain glioma three-dimensional magnetic resonance image image segmentation 3D convolutional neural network
1 内蒙古科技大学 信息工程学院, 内蒙古 包头 014010
2 上海大学 计算机工程与科学学院, 上海 200444
为提高早期肺癌筛查过程中肺结节的检出率, 提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理; 接着, 利用改进三维区域生长与凸包算法相结合进行肺实质分割; 然后提取三维候选结节, 为了解决卷积神经网络对样本不平衡的敏感问题, 对三维候选结节正样本进行旋转和光照处理; 最后在不同的网络参数下, 对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明, 通过对网络参数的不断优化, 准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、8032%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测, 与文献所提出肺结节检测算法相比, 准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%, 综合性能较强, 可以为肺癌筛查提供有效的帮助。
肺癌筛查 3D卷积神经网络 肺结节 平衡 lung cancer screening three dimensional convolution neural network ELCAP ELCAP lung nodule imbalance