计算机应用

作者：张战成, 张大龙, 罗晓清

单位：1. 苏州科技大学 电子与信息工程学院, 江苏 苏州 215009;2. 江南大学 物联网工程学院, 江苏 无锡 214122

关键词：肺结节检测,可解释性,区域建议网络,语义特征,联合训练

基金：国家自然科学基金资助项目（61772237）；中央高校基本科研业务费资助项目（JUSRP51618B）；苏州市重点产业技术创新项目（SYG201702）。

针对传统肺结节检测智能算法仅预测结节的位置，缺少医生临床习惯使用的“分叶”“纹理”“毛刺”等直观的语义解释的问题，提出一种带有语义特征得分的肺结节检测方法。将Faster R-CNN的区域建议网络（RPN）中嵌入细致度、内部结构、分叶、毛刺、边界、钙化、圆度、纹理等8个医生常用的语义特征，设计新的锚盒机制，增加全连接网络实现语义特征的回归学习，将其作为辅助信息结合Faster R-CNN训练实现肺结节检测和语义预测的联合学习。LIDC/IDRI数据集上的测试结果显示，所提方法的肺结节定位的精度为91.2%，肺结节良恶性分类的准确率、敏感性、特异性分别为81%、91.2%、70.8%。在8个语义特征得分上，医生间的差异为0.59±0.80（平均绝对误差±标准差），所提算法预测的语义解释和医生的差异为0.62±1.03，预测结果接近医生个体的差异。修改后的网络达到了较好的检测精度和语义特征预测，方便医生对机器检测结果的理解和临床解释。

来源：2020年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第3期