论文部分内容阅读
肺癌是一种发病率和致死率均很高的癌症,肺结节的良恶性分类是肺癌早期诊断的关键。临床上常用CT图像来筛查肺部的恶性肺结节,但由于肺结节大小不一、形态多样,导致人工的分类方法极易出现漏检和误检的现象。研究肺结节良恶性分类算法,提高分类的准确性,有助于增加肺癌患者存活的机率。采用基于深度学习方法实现肺结节良恶性分类。在网络结构设计上,针对肺结节大小不一、形态多样的特点,提出了一种多尺度多模型集成的三维卷积神经网络架构,由MSMME-VggNet、MSMME-ResNet和MSMME-InceResNet三种不同的基础网络架构组成,每种基础网络架构又包含三个子网络,分别处理16*16*16、32*32*32和48*48*48的三维图像。利用对比度增强前后的肺结节图像块组成两通道的三维数据作为网络的输入,凸显了肺结节的特征。在训练网络模型时,为解决肺癌影像数据集中样本量较少的问题,提出了离线和在线相结合的两阶段数据扩充方法,即先利用大部分肺结节周围背景的相似性,采用“随机掩码”的方法对数据集进行离线扩充;之后再使用常规图像处理方法进行在线扩充,以提高网络模型的泛化能力。在肺结节的良恶性分类过程中,先根据肺结节的直径大小分别选择每种基础架构网络中的两个子网络进行集成预测,然后再对三种网络的预测结果求平均值,并将其作为肺结节最终的良恶性分类结果。将所提出的算法在公开的肺癌数据集LIDC-IDRI上进行了不同方法的对比实验,得到的准确率为89.43%,AUC(Area Under Curve)为0.9375,该实验结果优于其他现有的方法,表明提出的网络结构、数据预处理方法和数据扩充方法是有效的。