没有合适的资源?快使用搜索试试~ 我知道了~
首页提高肺结节检测准确率:改良Faster R-CNN与3D DCNN算法
本文主要探讨了一种针对传统肺结节检测方法存在的低准确率和假阳性率问题,提出了一种结合了改进的Faster R-CNN和3D DCNN的新型肺结节检测算法。Faster R-CNN是目标检测领域中的经典模型,但在肺结节检测任务中,原始模型可能由于锚点设置不合理而对结节形状和大小的适应性不足。因此,作者在Faster R-CNN中进行了优化,增加了不同尺寸和数量的锚点,增强了对不同大小结节的识别能力。同时,他们在特征提取器的最后一层添加了一个反卷积层,通过小型滑动网络实现网络的自适应性,以生成更精确的感兴趣区域,提高候选结节的检测效果。 在处理假阳性问题上,作者将2D DCNN升级到了3D DCNN,这是通过对卷积核参数进行调整,引入时间维度来实现的。这种方法可以更好地捕捉到结节在空间和时间维度上的特征,有助于减少误判。此外,利用Adam算法调整网络的学习率,优化了网络权重参数,确保了模型的稳定性和性能。数据增强策略也被应用于进一步提取结节的全局特征,增强了模型对复杂场景的鲁棒性。 在实验验证阶段,作者使用了LIDC-IDRI数据集,结果显示,改进后的算法显著提高了肺结节的检测准确率,达到了97.71%,同时有效地降低了误诊率和漏诊率。这表明该算法在提高肺结节检测性能的同时,也提高了诊断的可靠性。 本文的研究工作不仅改进了肺结节检测算法的性能,而且为深度学习在医学图像分析中的应用提供了新的思路,对于提高肺部疾病早期筛查的准确性具有重要的实践价值。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/18268743/bg1.jpg)
收稿日期:20180723;修回日期:20180918 基金项目:国家自然科学基金资助项目(51307010)
作者简介:胡新颖(1992),女,江苏泰州人,硕士,主要研究方向为机器学习;陈树越(1963),男(通信作者),教授,博士,主要研究方向为图像
处理与检测技术(csyue2000@163.com);焦竹青(1983),男,副教授,博士,主要研究方向为医学影像分析、复杂网络.
基于改进 FasterRCNN和 3DDCNN的
肺结节检测算法
胡新颖,陈树越
,焦竹青
(常州大学 信息科学与工程学院,江苏 常州 213164)
摘 要:针对传统肺结节检测准确率低,且存在假阳性高的问题,提出了一种改进 FasterRCNN检测候选结节,
以及改进的 3DDCNN去除假阳性的算法。考虑到结节的形状大小等因素,在 FasterRCNN上更改锚点数量和
尺寸检测结节的鲁棒性,并在特征提取器的最后一层添加一个反卷积层,在网络特征图上根据结节尺寸添加小
型滑动网络以使网络自适应生成感兴趣区域,获取候选结节。为了去除假阳性结节,在 2DDCNN基础上调整卷
积核参数,引入时间维度生成 3DDCNN,并利用 Adam算法调整网络学习率更改网络权重参数,采用数据增强策
略进一步提取结节的全局特征。LIDCIDRI数据集上的实验结果表明,所提出的算法平均检测准确率达到 97.
71%
,同时降低了误诊率和漏诊率。
关键词:肺结节检测;FasterRCNN;候选结节;假阳性去除;3DDCNN
中图分类号:TP391.41 文献标志码:A 文章编号:10013695(2019)11071351105
doi:10.19734/j.issn.10013695.2018.07.0582
PulmonarynoduledetectionbasedonimprovedFasterRCNNand3DDCNN
HuXinying,ChenShuyue
,JiaoZhuqing
(SchoolofInformationScience&Engineering,ChangzhouUniversity,ChangzhouJiangsu213164,China)
Abstract:Aimingatthelowaccuracyoftraditionallungnoduledetectionandthehighfalsepositive,thispaperproposedan
improvedFasterRCNNnetworkandimproved3DDCNNtodetectcandidatenodulesandremovefalsepositives.Considering
theshapeandsizeofthenodule
,etc.,themethodchangedtheanchorpointnumberandsizetodetecttherobustnessofthe
noduleonFasterRCNN,andaddedadeconvolutionlayerinthelastlayerofthefeatureextractor.Inaddition,accordingtothe
sizeofthenodule
,themethodaddedasmallslidingnetworktoenablethenetworktoadaptivelygeneratetheregionofinterest
toobtaincandidatenodules.Inordertoremovefalsepositivenodules,itadjustedtheconvolutionkernelparametersbasedon
the2DDCNN,usedthetimedimensiontogeneratethe3DDCNN,andappliedtheAdamalgorithmtoadjustthenetworklearn
ingratetochangethenetworkweight.Theenhancementstrategyfurtherextractedtheglobalfeaturesofthenodule.Theexperi
mentalresultsontheLIDCIDRIdatasetshowthattheproposedalgorithmhasanaveragedetectionaccuracyof97.71%,and
reducestherateofmisdiagnosisandmisseddiagnosis.
Keywords:pulmonarynoduledetection;FasterRCNN;candidatenodules;falsepositiveremoval;3DDCNN
肺癌在影像学中早期表现形式为肺结节
[1,2]
,肺结节是肺
内的小块组织,在胸部 X射线检测图像和计算机 CT扫描中呈
现白色阴影,其中良性结节尺寸为
5~30ms,形状更大的极有
可能是恶性结节
[3]
。由于结节的影像学病变对比度低,而且
可能与肋骨和大肺血管重叠,以及受到结节尺寸的大小、形状
和不透明性特征的影响,对于肺结节的检测是一项具有挑战性
的任务
[4]
。
目前,深度学习在医学影像诊断中的应用已成为研究热
点,针对肺结节的检测,吕晓琪等人
[5]
采用三维卷积神经网络
作为深度学习的算法网络对肺结节进行检测,检测敏感性达到
88.89%,但参数有待优化改进。Setio等人
[6]
利用多视角的卷
积神经网络实现结节的检测,通过组合三个专门设计用于固
体、亚固体和大结节的候选探测器而获得结节候选物,再提取
来自不同定向平面的二维补丁信息获得最终分类,但由于未捕
获到部分结节的全局特征,故方法的灵敏度仍可提高。赵鹏飞
等人
[7]
先使用多输入卷积神经网络对数据进行训练,再利用
边缘检测算法和二维高斯概率函数实现候选区域的选取,最后
采用判定阈值实现检测,该方法虽然提高了微小结节的检出
率,但假阳性较高,因为肺内一些器官血管等影响了网络性能。
肺部结节检测通常由两个阶段组成:候选结节检测和假阳
性减少。第一步候选结节检测的目的是以非常高的准确率检
测结节候选物,这很可能带来的结果是检测出的结节存在大量
的假阳性。在候选结节检测方面,常常使用双阈值和形态学操
作的方法,但是由于结节形状、大小和纹理的高度可变性,通常
无法捕获明显的区分性特征,导致较差的检测结果。在假阳性
去除方面
[8]
,虽然一些 2D/2.5D深度神经网络在假阳性减少
方面取得了令人满意的实验结果,但由于 CT图像本质上是 3D
的,所以仍存在一些假阳性结节无法被去除。为了解决上述问
题,本文提出了一种基于深度卷积神经网络的肺结节检测
算法。
1 肺结节 CT图像检测
为了缩小结节的检测范围,减少运算量,利于后续结节的
检测与分类,首先对原图像进行肺实质分割
[9]
。再将预处理
第 36卷第 11期
2019年 11月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol36No11
Nov.2019
下载后可阅读完整内容,剩余4页未读,立即下载
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![-](https://csdnimg.cn/download_wenku/file_type_column_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
weixin_38733414
- 粉丝: 11
- 资源: 987
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 解决Eclipse配置与导入Java工程常见问题
- 真空发生器:工作原理与抽吸性能分析
- 爱立信RBS6201开站流程详解
- 电脑开机声音解析:故障诊断指南
- JAVA实现贪吃蛇游戏
- 模糊神经网络实现与自学习能力探索
- PID型模糊神经网络控制器设计与学习算法
- 模糊神经网络在自适应PID控制器中的应用
- C++实现的学生成绩管理系统设计
- 802.1D STP 实现与优化:二层交换机中的生成树协议
- 解决Windows无法完成SD卡格式化的九种方法
- 软件测试方法:Beta与Alpha测试详解
- 软件测试周期详解:从需求分析到维护测试
- CMMI模型详解:软件企业能力提升的关键
- 移动Web开发框架选择:jQueryMobile、jQTouch、SenchaTouch对比
- Java程序设计试题与复习指南
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)