本文關(guān)鍵詞：基于雙模態(tài)深度自編碼的孤立性肺結(jié)節(jié)診斷方法　出處：《計算機(jī)科學(xué)》2017年08期 　論文類型：期刊論文

  更多相關(guān)文章： 降噪自編碼 雙模態(tài) 深度學(xué)習(xí) 極限學(xué)習(xí)機(jī) 肺結(jié)節(jié)輔助診斷

【摘要】：近年來,深度學(xué)習(xí)技術(shù)在肺癌診斷方面得到了廣泛的應(yīng)用,但現(xiàn)有的研究主要集中于肺部CT圖像。為了有效提高肺結(jié)節(jié)的診斷性能,提出一種基于雙模態(tài)深度降噪自編碼的肺結(jié)節(jié)診斷方法。首先,分別從肺部CT和PET圖像中得到肺結(jié)節(jié)區(qū)域的特征信息;然后,以候選結(jié)節(jié)的PET/CT圖像作為整個深度自編碼網(wǎng)絡(luò)的輸入,并對高層信息進(jìn)行學(xué)習(xí);最后,采用融合策略對多種特征進(jìn)行融合并將其作為整個框架的輸出。實驗結(jié)果表明,提出的方法可以達(dá)到92.81%的準(zhǔn)確率、91.75%的敏感度和1.58%的特異性,且優(yōu)于其他方法的診斷性能,更適用于肺結(jié)節(jié)良/惡性的輔助診斷。
[Abstract]:In recent years, deep learning technology has been widely used in the diagnosis of lung cancer, but the existing research mainly focuses on lung CT images in order to effectively improve the diagnostic performance of pulmonary nodules. A diagnosis method of pulmonary nodules based on dual-mode depth de-noising self-coding is proposed. Firstly, the characteristic information of pulmonary nodule region is obtained from CT and PET images respectively. Then, the candidate nodule PET/CT image is used as the input of the whole depth self-coding network, and the high-level information is learned. Finally, the fusion strategy is used to fuse various features and take them as the output of the whole frame. The experimental results show that the proposed method can achieve the accuracy of 92.81%. The sensitivity of 91.75% and specificity of 1.58% are superior to those of other methods and are more suitable for the auxiliary diagnosis of benign and malignant pulmonary nodules.
【作者單位】： 太原理工大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：國家科學(xué)自然基金項目:基于醫(yī)學(xué)影像結(jié)構(gòu)和功能混合特征的周圍型肺癌計算機(jī)輔助診斷方法(61373100) 北京航空航天大學(xué)虛擬現(xiàn)實技術(shù)與系統(tǒng)國家重點實驗室開放基金(BUAA-VR-17KF-14,BUAA-VR-17KF-15) 山西省回國留學(xué)人員科研資助項目(2016-038)資助
【分類號】：R734.2;TP18;TP391.41
【正文快照】： 1引言孤立性肺結(jié)節(jié)(Solitary Pulmonary Nodule,SPN)是肺癌早期的重要表現(xiàn)。早期肺癌5年存活率可達(dá)60%,而晚期肺癌5年存活率僅有4%。因此,在早期對肺結(jié)節(jié)進(jìn)行準(zhǔn)確診斷,不僅可及時避免患者進(jìn)行不必要的有創(chuàng)診斷,從而減輕患者的身心傷害,更能有效地提高患者的生存率。PET/CT作為

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 毛亞莉;劉勇;張曉忠;;肺結(jié)節(jié)的X線片診斷[J];中國民康醫(yī)學(xué);2006年22期

2 宋佳;李翠芳;孫希文;聶生東;;一種非實質(zhì)性肺結(jié)節(jié)分割的新方法[J];中國醫(yī)學(xué)影像技術(shù);2011年12期

3 ;矽肺結(jié)節(jié)鈣化五例臨床分析[J];冶金勞動衛(wèi)生;1976年02期

4 王敏杰,王培軍,田建明,余準(zhǔn),李曉兵,崔恒武,邵成偉;低劑量和靶螺旋CT掃描技術(shù)在肺結(jié)節(jié)診斷中的價值[J];臨床放射學(xué)雜志;2003年07期

5 王化,唐光健;多層螺旋CT在肺結(jié)節(jié)診斷中的應(yīng)用及展望[J];國外醫(yī)學(xué)(臨床放射學(xué)分冊);2005年06期

6 吳龍海;周荷琴;李傳富;;基于高分辨率CT圖像的肺結(jié)節(jié)檢測[J];中國醫(yī)療器械雜志;2008年03期

7 苗芬;吳龍海;周荷琴;;一種基于相關(guān)矩陣的肺結(jié)節(jié)增強(qiáng)算法[J];北京生物醫(yī)學(xué)工程;2008年05期

8 賈守勤;趙斌;尚延海;馬子堂;劉世合;齊向芹;;常規(guī)DR胸片對肺結(jié)節(jié)漏診原因的分析[J];醫(yī)學(xué)與哲學(xué)(臨床決策論壇版);2009年04期

9 高園園;呂慶文;;肺結(jié)節(jié)檢測算法研究[J];醫(yī)學(xué)信息;2010年02期

10 林歡;;容積CT掃描發(fā)現(xiàn)的肺結(jié)節(jié)的處理[J];循證醫(yī)學(xué);2010年01期

相關(guān)會議論文 前10條

1 查開繼;高劍波;張永高;郭華;楊學(xué)華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結(jié)節(jié)的比較研究[A];2010中華醫(yī)學(xué)會影像技術(shù)分會第十八次全國學(xué)術(shù)大會論文集[C];2010年

2 孫志遠(yuǎn);;數(shù)字化體層融合在肺結(jié)節(jié)探查中的初步應(yīng)用[A];中華醫(yī)學(xué)會第16次全國放射學(xué)學(xué)術(shù)大會論文匯編[C];2009年

3 穆景博;高向東;;X線數(shù)字化體層融合技術(shù)在肺結(jié)節(jié)探查中的應(yīng)用[A];2010中華醫(yī)學(xué)會影像技術(shù)分會第十八次全國學(xué)術(shù)大會論文集[C];2010年

4 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學(xué)學(xué)術(shù)年會論文匯編[C];2006年

5 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會放射學(xué)分會第八屆全國心胸影像學(xué)術(shù)大會暨河南省第十二次放射學(xué)術(shù)會議論文匯編[C];2006年

6 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

7 高園園;呂慶文;馮前進(jìn);陳武凡;;一種新的肺結(jié)節(jié)檢測算法[A];中國生物醫(yī)學(xué)工程進(jìn)展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（上冊）[C];2007年

8 徐巖;馬大慶;;計算機(jī)輔助檢測肺結(jié)節(jié)在數(shù)字化胸片上的應(yīng)用價值[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

9 王永仁;吳碧芳;經(jīng)鳳華;李峻;金德勝;;低劑量CT篩查肺結(jié)節(jié)對圖像質(zhì)量的影響[A];2008年浙江省放射學(xué)年會論文匯編[C];2008年

10 徐巖;馬大慶;賀文;;計算機(jī)輔助檢測肺結(jié)節(jié)在數(shù)字化胸片肺癌篩查中的應(yīng)用價值[A];中華醫(yī)學(xué)會第16次全國放射學(xué)學(xué)術(shù)大會論文匯編[C];2009年

相關(guān)重要報紙文章 前2條

1 上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院胸外科主任醫(yī)師 邱維誠;發(fā)現(xiàn)肺結(jié)節(jié) 別輕易下診斷[N];健康報;2013年

2 朱立明　第四軍醫(yī)大學(xué);三聯(lián)診斷方案辨明肺結(jié)節(jié)[N];醫(yī)藥經(jīng)濟(jì)報;2010年

相關(guān)博士學(xué)位論文 前9條

1 劉陽;基于肺部高分辨率CT影像的肺結(jié)節(jié)識別方法研究[D];東北大學(xué);2011年

2 吳龍海;高分辨率CT圖像的肺部病變計算機(jī)輔助診斷研究[D];中國科學(xué)技術(shù)大學(xué);2008年

3 裴曉敏;基于CT影像的孤立性肺結(jié)節(jié)檢測關(guān)鍵技術(shù)研究[D];東北大學(xué);2011年

4 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學(xué);2003年

5 韓芳芳;基于CT圖像多維特征的肺結(jié)節(jié)檢測和診斷方法研究[D];東北大學(xué);2015年

6 蔡強(qiáng);低劑量螺旋CT早期肺癌篩查—肺結(jié)節(jié)的檢出及其相關(guān)研究[D];北京協(xié)和醫(yī)學(xué)院;2011年

7 孫申申;基于CT影像的肺結(jié)節(jié)檢測與分割方法研究[D];東北大學(xué)　;2009年

8 張婧;基于SVM的肺結(jié)節(jié)自動識別方法研究[D];華南理工大學(xué);2011年

9 張濤;肺結(jié)節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實驗研究[D];中國人民解放軍軍醫(yī)進(jìn)修學(xué)院;2008年

相關(guān)碩士學(xué)位論文 前10條

1 邢謙謙;不規(guī)則形態(tài)肺結(jié)節(jié)的分割及毛刺檢測研究[D];南方醫(yī)科大學(xué);2015年

2 劉曉娜;基于支持向量機(jī)的肺結(jié)節(jié)識別研究[D];浙江大學(xué);2016年

3 滕雅琴;計算機(jī)輔助檢測系統(tǒng)CT肺結(jié)節(jié)檢出方式的研究[D];新疆醫(yī)科大學(xué);2016年

4 黑嘯吉;基于低劑量CT圖像的肺結(jié)節(jié)分割算法研究[D];鄭州大學(xué);2016年

5 張俊杰;基于粗糙集的特征級融合肺結(jié)節(jié)檢測算法[D];寧夏醫(yī)科大學(xué);2016年

6 劉晨輝;基于DoG的胸部CT肺結(jié)節(jié)自動檢測算法研究[D];廣州大學(xué);2016年

7 樂昂霖;基于SVM的肺結(jié)節(jié)分割與識別[D];東北大學(xué);2015年

8 李仙鳳;生物標(biāo)志物結(jié)合肺結(jié)節(jié)影像學(xué)特征對肺結(jié)節(jié)良惡性的預(yù)測價值[D];大連醫(yī)科大學(xué);2016年

9 柏蕓;低劑量胸腔CT肺部影像的肺結(jié)節(jié)計算機(jī)輔助診斷方法研究[D];西南交通大學(xué);2017年

10 王國明;基于CT圖像的肺結(jié)節(jié)分割方法研究[D];長春工業(yè)大學(xué);2017年

，

本文編號：1387130