计算机应用

作者：戚永军, 顾军华, 张亚娟, 王锋, 田泽培

单位：1. 省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学), 天津 300132;2. 河北省电磁场与电器可靠性重点实验室(河北工业大学), 天津 300132;3. 北华航天工业学院 信息技术中心, 河北 廊坊 065000;4. 河北工业大学 人工智能与数据科学学院, 天津 300401;5. 河北省大数据计算重点实验室(河北工业大学), 天津 300401

关键词：深度学习,特征融合,肺结节检测,计算机辅助诊断,CT图像

基金：国家自然科学基金资助项目（61702157）；河北省创新能力提升计划项目（199676146H）；北华航天工业学院青年基金资助项目（KY202022）。

基于高维肺部计算机断层扫描（CT）图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中，深度卷积神经网络（CNN）最引人注目，其中二维（2D） CNN具有预训练模型多、检测效率高等优点，应用非常广泛，但肺结节本质是三维（3D）病灶，2D CNN会不可避免地造成信息损失，从而影响检测精度。3D CNN能充分利用CT图像空间信息，有效提升检测精度，但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势，提出基于深度混合CNN的肺结节检测模型，通过在神经网络模型的浅层部署3D CNN，在模型的深层部署2D CNN，并增加反卷积模块，融合了多层级的图像特征，达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力，提高检测效率的目的。在LUNA16数据集上的实验结果表明，所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924，优于现有的先进模型。

来源：2020年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第10期