文献类型：期刊文章

作　　者：戚永军[1,2,3] 顾军华[1,2,4,5] 张亚娟[4,5] 王锋[4] 田泽培[4]

QI Yongjun;GU Junhua;ZHANG Yajuan;WANG Feng;TIAN Zepei(State Key Laboratory of Reliability and Intelligence of Electrical Equipment(Hebei University of Technology),Tianjin 300132,China;Hebei Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability(Hebei University of Technology),Tianjin 300132,China;Information Technology Center,North China Institute of Aerospace Engineering,Langfang Hebei 065000,China;School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;Hebei Key Laboratory of Big Data Calculation(Hebei University of Technology),Tianjin 300401,China)

机构地区：[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

出　　处：《计算机应用》

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)。

年　　份：2020

卷　　号：40

期　　号：10

起止页码：2904-2909

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：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。

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

分 类 号：TP391]