文献类型：期刊文章

作　　者：阮宏洋[1] 陈志澜[2] 程英升[3] 杨凯[3]

Ruan Hongyang;Chen Zhilan;Cheng Yingsheng;Yang Kai(College of Engineering Science and Technology,Shanghai Ocean University,Shanghai 210306,China;College of Mechanical and Electrical Engineering,Shanghai Jian Qiao University,Shanghai 210306,China;Radiological Intervention Department,East Hospital of Shanghai Sixth People′s Hospital,Shanghai 210306,China)

机构地区：[1]上海海洋大学工程学院,上海210306 [2]上海建桥学院机电学院,上海210306 [3]上海市第六人民医院东院放射介入科,上海210306

出　　处：《激光与光电子学进展》

基　　金：上海市教委“工业机器人应用学位点建设与研究”项目(230001-17-13)。

年　　份：2020

卷　　号：57

期　　号：4

起止页码：144-154

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：在C-3D卷积神经网络模型基础上,提出了一种三维可变形卷积神经网络以实现肺结节的检测。在模型的主体结构上,采用了三维可变形卷积和三维可变形池化的操作,解决了传统的方块卷积与池化在应对不规则的肺结节时,无法高效率地收集到肺结节像素点的问题。在模型的输入上,通过调整三维卷积神经网络的输入,实现了卷积神经网络对样本图片的32×32×32像素逐步扫描和识别,在扫描识别的同时进行定位,解决了肺结节定位问题。在模型的输出上,借鉴了全卷积神经网络的思想,将C-3D网络的第一层全连接层改为卷积层,解决训练时内存会溢出的问题。在模型参数上,提出了三种不同学习率和三种优化函数进行精确的实验对比,绘制了不同学习率和优化函数的参数对比图,根据实验结果找到最优的卷积神经网络模型学习率和优化函数参数。对实验结果的分析表明,该方法在受试者工作曲线下面积、分类准确率、召回率、F1值均取得了显著的提高。

关 键 词：图像处理  可变形卷积神经网络  肺结节 池化层  

分 类 号：TP391]