文献类型：期刊文章

作　　者：闫欢兰[1] 陆慧娟[1] 叶敏超[1] 严珂[1] 金群[2] 徐一格[1]

YAN Huan-lan;LU Hui-juan;YE Min-chao;YAN Ke;JIN Qun;XU Yi-ge(School of Information Engineering,China Jiliang University,Hangzhou 310018,China;School of Human Sciences,Waseda University,Tokorozawa 359-1192,Japan)

机构地区：[1]中国计量大学信息工程学院,杭州310018 [2]早稻田大学人间科学学术院,所泽359-1192,日本

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61272315,61602431)资助;浙江省自然科学基金项目(LY19F020016)资助;浙江省大学生科技创新活动计划项目(2019R409030)资助;中国计量大学第22届科研立项项目(2019X22030)资助

年　　份：2020

卷　　号：41

期　　号：1

起止页码：161-165

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：肺癌不断威胁着人类健康,计算机辅助诊断对肺癌诊断将发挥重要的作用.卷积神经网络(CNNs)在对图像的处理上表现出有目共睹的优秀性能,医学Computed Tomography(CT)图像是用来诊断肺癌的主要检查方式,用深度学习分割病灶的方法可以实现端对端的辅助诊断,这将节省医生的诊断时间,为患者争取最佳治疗时间.LIDC-IDRI(The Lung Image Database Consortium)数据集影像中的癌症部分与其他组织部分的放射密度十分接近,而且往往癌症部分非常小,背景具有非常强的相似性.本文使用传统的Sobel算子对图像中放射密度高的部分进行边缘锐化处理,用强化边缘特征的方法解决前景与背景灰度相似的问题,然后在使用传统的分割方法--阈值分割进一步强化.本文减小Regions of Interest(RoIs)的大小以适应肺结节的特征,减少RoIs的个数以避免过多的负类样例训练产生退化的模型;在传统图像增强处理方法和深度学习的结合下,获得了一个优化的Mask R-CNN模型,在LIDC-IDRI数据集上的测试结果中,基于Intersection over Union(IoU)=0.5的标准下的肺结节平均精度mAP达到72.2%,在FPR为0.226时的TPR达到0.915.

关 键 词：计算机辅助诊断 Mask R-CNN  SOBEL算子 阈值分割 肺结节分割  

分 类 号：TP183]