1 重庆大学 光电技术与系统教育部重点实验室， 重庆400044
2 重庆大学附属肿瘤医院 影像科， 重庆400030
卷积神经网络的语义分割模型未有效利用特征权重信息，导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的U-Net++网络，并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验，所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割，较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。
计算机图象处理 分割算法 权重聚合 肺结节 CT影像 Computer image processing Segmentation algorithm Weighted aggregation Lung nodule CT image
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
