本文選題：稀疏自編碼 + 半監(jiān)督　； 參考：《科學(xué)技術(shù)與工程》2017年33期

【摘要】：深度學(xué)習(xí)在肺部影像方面的研究主要集中于肺部CT圖像。對(duì)肺結(jié)節(jié)的快速準(zhǔn)確檢測(cè)是肺部疾病治療的關(guān)鍵步驟。結(jié)節(jié)檢測(cè)本身就是一項(xiàng)具有挑戰(zhàn)性的工作,且已有的研究均很難得到較高的檢測(cè)率。針對(duì)這樣的問題,提出一種改進(jìn)的深度半監(jiān)督稀疏自編碼的肺結(jié)節(jié)檢測(cè)方法。首先,采用局部感受野對(duì)肺結(jié)節(jié)圖像進(jìn)行多層特征提取。然后,利用半監(jiān)督稀疏自編碼自主學(xué)習(xí)肺部影像中的結(jié)節(jié)特征。最后,融合多種臨床信息實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的準(zhǔn)確檢測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法可以達(dá)到準(zhǔn)確率90.14%,敏感度89.67%和平均檢測(cè)率96.64%,明顯優(yōu)于其他方法檢測(cè)性能,更適用于肺結(jié)節(jié)的精準(zhǔn)檢測(cè)。
[Abstract]:The study of deep learning in lung imaging is mainly focused on lung CT images. Rapid and accurate detection of pulmonary nodules is a key step in the treatment of pulmonary diseases. Nodule detection is a challenging task, and it is difficult to obtain a high detection rate. In order to solve this problem, an improved method for detecting lung nodules with deep semi-supervised sparse self-coding is proposed. Firstly, the local receptive field is used to extract the multilayer features of pulmonary nodules. Then, we use semi-supervised sparse self-coding to learn the features of nodules in lung images. Finally, the accurate detection of pulmonary nodules is realized by fusion of various clinical information. The experimental results show that this method can achieve accuracy of 90.14%, sensitivity of 89.67% and average detection rate of 96.64, which is obviously superior to other methods and is more suitable for accurate detection of pulmonary nodules.
【作者單位】： 太原理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;山西省煤炭中心醫(yī)院;
【基金】：國(guó)家自然科學(xué)基金(61373100) 虛擬現(xiàn)實(shí)技術(shù)與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室基金(BUAA-VR-16KF13) 山西省回國(guó)留學(xué)人員科研資助項(xiàng)目(2016-038)資助
【分類號(hào)】：R734.2;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 郭薇;魏穎;周翰遜;薛定宇;;肺結(jié)節(jié)的自適應(yīng)檢測(cè)算法[J];系統(tǒng)仿真學(xué)報(bào);2009年13期

2 李秀霞,何積銀,黨波;肺結(jié)節(jié)病的診斷[J];陜西醫(yī)學(xué)雜志;1992年01期

3 陶劍英,康曉明,夏錫榮,孫正明,吳欣欣;肺結(jié)節(jié)病1例報(bào)告[J];解放軍醫(yī)學(xué)雜志;1987年02期

4 沈漢澄;樓榮燦;;肺結(jié)節(jié)病誤診為肺癌的臨床討論[J];腫瘤防治研究;1979年05期

5 劉敬禹;朱勇;裴琦;;經(jīng)纖維支氣管鏡確診肺結(jié)節(jié)病合并乳腺瘤一例[J];江蘇醫(yī)藥;2012年15期

6 王洪武,段蘊(yùn)鈾;肺結(jié)節(jié)病與中心型肺癌的鑒別診斷[J];海軍總醫(yī)院學(xué)報(bào);1995年02期

7 劉繼漢;肺結(jié)節(jié)病的X線診斷(附3例報(bào)告)[J];西安交通大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);1978年02期

8 左竹林;;BALF淋巴細(xì)胞計(jì)數(shù)對(duì)判斷肺結(jié)節(jié)病預(yù)后的價(jià)值[J];國(guó)外醫(yī)學(xué).呼吸系統(tǒng)分冊(cè);1992年02期

相關(guān)博士學(xué)位論文 前1條

1 劉佳寶;CT肺結(jié)節(jié)診斷的計(jì)算機(jī)輔助系統(tǒng)研究[D];首都醫(yī)科大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 羅旋;基于DICOM序列影像的肺結(jié)節(jié)檢測(cè)算法研究[D];電子科技大學(xué);2015年

2 劉瀟;基于時(shí)間序列的孤立肺結(jié)節(jié)形態(tài)征象及良惡檢測(cè)[D];西北大學(xué);2015年

3 陳慶麟;肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

4 汪俊;基于定量影像組學(xué)的肺結(jié)節(jié)良惡性預(yù)測(cè)[D];哈爾濱理工大學(xué);2016年

5 陳思宏;肺結(jié)節(jié)CT圖像中基于多任務(wù)特征的語(yǔ)義屬性自動(dòng)評(píng)級(jí)[D];深圳大學(xué);2017年

6 繆艷麗;基于CT圖像的亞實(shí)性肺結(jié)節(jié)實(shí)性成分的提取[D];天津工業(yè)大學(xué);2017年

7 閆曉斐;基于PET/CT的肺結(jié)節(jié)分割與良惡性診斷方法的研究[D];太原理工大學(xué);2017年

8 香世杰;肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)中分割算法研究及實(shí)現(xiàn)[D];華南理工大學(xué);2011年

9 束洲;肺結(jié)節(jié)計(jì)算機(jī)輔助診斷算法研究[D];浙江大學(xué);2007年

10 常莎;基于三維空間肺結(jié)節(jié)良惡性鑒別研究[D];北京交通大學(xué);2012年

，

本文編號(hào)：1903158