基于相似圖像的肺結(jié)節(jié)CT圖像檢索輔助診斷對(duì)肺結(jié)節(jié)的發(fā)現(xiàn)有著重要的作用。肺結(jié)節(jié)的診斷難度較大,通常需要充分利用圖像的邊緣、分葉、毛刺、紋理等各類信息。文中針對(duì)目前基于哈希方法的肺結(jié)節(jié)檢索中存在的不能充分利用圖像分割信息從而導(dǎo)致部分信息丟失問題做出了改進(jìn),提出了一種基于圖像分割的肺結(jié)節(jié)圖像哈希檢索方法。實(shí)驗(yàn)結(jié)果表明,在72位哈希碼長度時(shí),達(dá)到了85.3%的平均準(zhǔn)確率。并且,將文中圖像分割模塊應(yīng)用于其他哈希檢索方法時(shí),平均準(zhǔn)確率皆有一定的提升。 

【文章來源】：信息技術(shù). 2020,44(04)

【文章頁數(shù)】：5 頁

【部分圖文】：

基于圖像分割和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢索過程示意圖

U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。整個(gè)網(wǎng)絡(luò)具有4個(gè)最大池化層,及4個(gè)反卷積層。在收縮路徑中,每層由以ReLU作為激活函數(shù)的兩個(gè)3*3的卷積層及一個(gè)步長為2的2*2的最大池化層組成。在擴(kuò)展路徑中,每層先采用反卷積,與收縮路徑對(duì)應(yīng)層的特征圖進(jìn)行拼接,再將其通過兩個(gè)激活函數(shù)為ReLU的3*3的卷積層。在網(wǎng)絡(luò)的最后一層是一個(gè)1*1的卷積層,通過這一操作可以將64通道的特征向量轉(zhuǎn)換為所需要的分類結(jié)果的數(shù)量。在訓(xùn)練時(shí),本文采用隨機(jī)批量梯度下降的方法進(jìn)行訓(xùn)練。由于本文所需圖形分割為一個(gè)二分類問題,故將最后一層激活函數(shù)由Softmax改為Sigmoid。Sigmoid激活函數(shù)定義如下:

本文首先對(duì)哈希檢索模型中閾值超參數(shù)γ和圖像分割矩陣中非病變區(qū)域所對(duì)應(yīng)值的超參數(shù)θ進(jìn)行討論。本文對(duì)γ分別以步長為0.05為范圍進(jìn)行取值,對(duì)θ分別以步長為0.1為范圍進(jìn)行取值,結(jié)果分別如圖3-4所示。由圖3可知,γ為0.35時(shí),檢索精度達(dá)到最大值,0.35之后檢索精度開始下降,本文認(rèn)為這主要是由數(shù)據(jù)不平衡性導(dǎo)致。由圖4所示,當(dāng)θ值為0.2時(shí),檢索精度達(dá)到最高,之后開始下降。因此,本文將超參數(shù)γ設(shè)置為0.35,θ設(shè)置為0.2。圖4 不同θ檢索精度圖

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度密集網(wǎng)絡(luò)的肺結(jié)節(jié)圖像檢索算法[J]. 秦品樂,李啟,曾建潮,張娜,宋宇龍.  計(jì)算機(jī)應(yīng)用. 2019(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督核哈希的圖像檢索方法[J]. 柯圣財(cái),趙永威,李弼程,彭天強(qiáng).  電子學(xué)報(bào). 2017(01)
[3]基于有監(jiān)督哈希的肺結(jié)節(jié)CT圖像檢索[J]. 潘玲,杜曉平,趙涓涓.  計(jì)算機(jī)應(yīng)用研究. 2017(09)



本文編號(hào)：3282715