基于深度学习的肺结节自动检测算法

李 莉 乔 璐 张浩洋

(东北林业大学软件工程系 黑龙江 哈尔滨 150000)

0 引 言

据世界卫生组织(WHO)报道，肺癌是全球范围内发病率及死亡率最高的恶性肿瘤之一，近年来仍有逐渐上升的趋势，对人类健康及生命安全产生极大威胁。肺结节是肺癌的早期表现形式，在肺部低剂量胸部电子计算机断层扫描(CT)影像中大致呈现为直径在3～30 mm之间、边部多呈分叶状的类球形病灶，且肺结节具有形态复杂、分布位置不确定、易于其他组织粘连、临床中无特异性的特点，故临床中有时很难作出准确判断。肺癌计算机辅助诊断[1-2](Computer Aided Diagnosis,CAD)系统的筛选结果可以辅助医生对肺癌早期病灶进行筛查，大幅度降低其发展成肺癌的可能性，从而有效降低患者的死亡率。但在一定程度上肺癌CAD系统存在误诊率和假阳率高的问题。因此，如何使该系统具有较低的误诊率和假阳率一直是国内外研究的重点。

早期的肺结节检测方式主要是根据不同的组织设定不同的阈值来达到分割结节的目的[3]。这种方式容易受如CT影像质量等因素的影响，很难达到准确分割。随后，研究人员手动构建肺结节的几何、纹理以及位置等各类征象信息，使用分类器来达到检测肺结节的目的[4-5]。但医学影像中器官对射线的吸收程度是通过灰度加以反映，其特征提取操作十分困难[6]。因此，特征的选择、人工构建征象、分类器的选择及训练工作量十分庞大，很难完成。随着深度学习的广泛应用，将神经网络应用到医学图像检测中使得特征的选择与提取变得容易[7-8]，但若仅依靠CT影像中的平面征象信息无法充分了解肺结节的整体结构，易与其他组织产生混淆导致检测结果并不理想。……