基于卷积神经网络的肺结节分类方法研究

彭 超，胡永祥

（湖南工业大学 计算机学院，湖南 株洲 412007）

1 研究背景

目前，全球范围内，肺癌是发病率和死亡率最高的癌症[1]。肺癌早期表现形式之一是直径小于30 mm的肺结节。因此，肺结节良恶性分类对于肺癌患者的治疗影响较大[2]。肺结节主要通过计算机断层扫描的方式进行诊断。现阶段，肺部CT（computed tomography）主要由放射科医生逐层阅读，这种方法较依赖医生的经验，因此准确率不稳定。肺癌计算机辅助诊断系统能够减少放射科医生的阅片工作量，并提供精确的定量分析，降低阅片主观性，减少人工阅片过程中的失误，从而提高工作效率和对肺病诊断的正确率。

针对肺结节诊断的计算机辅助诊断系统主要包括两大类：一类基于传统图像处理方法；另一类基于深度学习。随着CT 数据种类的大量增加，传统基于人工选取特征的分类方法难以适应大量而且复杂的样本。同时，基于人工选取的特征提取往往只能提取初级特征，不能挖掘数据中有效的深层次信息，从而导致分类的准确率不高。深度学习作为机器学习的新领域，具有强大的自动提取特征能力，在肺结节分类问题上得到了广泛的应用。H.C.Shin 等[3]通过训练多尺度卷积神经网络提高了肺结节分类的准确率。杨佳玲等[4]将VGG-16 与支持向量机（support vector machines，SVM）分类器结合，其分类准确率达到87.2%。A.Nibali 等[5]利用结节3D CT 图像与残差网络模型构建3D-Resnet-18，此模型在融合3D 数据信息的同时，利用残差网络特有的特征生成方式解决结节分类问题，实验结果表明3D-Resnet-18 算法优于同类型其他算法。……