文献类型：期刊文章

作　　者：顾军华[1,2] 孙哲然[1,3] 王锋[1,2] 戚永军[1,4] 张亚娟[1,2]

GU Junhua;SUN Zheran;WANG Feng;QI Yongjun;ZHANG Yajuan(Hebei Province Key Laboratory of Big Data Computing,Hebei University of Technology,Tianjin 300401,P.R.China;School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,P.R.China;School of Electronics and Information Engineering,Hebei University of Technology,Tianjin 300401,P.R.China;Information Technology Center North China Institute of Aerospace Engineering,Langfang 065000,Hebei Province,P.R.China)

机构地区：[1]河北工业大学河北省大数据计算重点实验室,天津300401 [2]河北工业大学人工智能与数据科学学院,天津300401 [3]河北工业大学电子信息工程学院,天津300401 [4]北华航天工业学院信息技术中心,河北廊坊065000

出　　处：《深圳大学学报（理工版）》

基　　金：国家自然科学基金资助项目(61702157);河北省自然科学基金资助项目(F2016202144)。

年　　份：2020

卷　　号：37

期　　号：4

起止页码：417-424

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、MR、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为解决肺结节分类问题中肺电子计算机断层扫描(computed tomography,CT)图像特征提取不全面和随着卷积网络深度的加深易导致的梯度消失问题,提出一种基于多尺度特征融合网络(multi-scale feature fusion network,MSFFNet)的肺结节良恶性自动分类模型.使用多尺度卷积操作对输入的肺结节CT图像分别进行不同范围的特征提取和特征的融合拼接,解决特征提取不全面的问题;引入SE-ResNeXt模块,充分利用通道注意力机制,有效解决特征信息丢失的问题;输出肺结节良恶性的分类结果.在大型公开可用的肺图像联合数据库(lung image database consortium,LIDC-IDRI)上进行实验,MSFFNet模型的分类准确率达97.2%,特异性和敏感性分别为96.14%和98.62%,优于SE-ResNeXt等方法的分类效果.

关 键 词：人工智能  深度学习  特征提取  特征融合  通道注意力  肺结节分类  SE-ResNeXt  电子计算机断层扫描图像  

分 类 号：TP391]