基于融合先验知识的肺结节深度学习分类方法

高峰，张仕瑞

1. 天津大学 精密仪器与光电子工程学院，天津 300072；2. 天津市生物医学检测技术与仪器重点实验室，天津 300072

引言

如今，在全球范围内肺癌依旧是发病率和死亡率最高的癌症。而相比于其他国家，我国的肺癌发病率与死亡率为全球第一[1]。研究显示早期肺癌的术后10年生存率为92%[2]，因此患者的早期诊断与早期治疗尤为重要。目前肺部疾病的早期诊断中最常用的是计算机断层扫描（Computed Tomography，CT），医师通过观察肺部CT图像诊断患有肺部疾病。但是每位患者采集得到的CT图像有数百张，导致医师的工作负荷大。

自从Hinton[3]提出深度信念网络（Deep Belief Network，DBN），深度学习方法引起了学术界的浪潮。有相当多学者研究其在肺部CT图像诊断中的应用，用来辅助医师的诊断和减少医师的工作负荷。目前提出方法主要有肺结节中间层切片2D图像[4-5]或肺结节所在3D图像[6]作为卷积神经网络（Convolutional Neural Networks，CNN）输入，通过在模型中提取与整合输入图像特征信息从而实现辅助诊断的应用。而在临床医学的发展中，医师们总结了许多结节特征与其良恶性的关系，如钙化结节的良性概率为97%、无钙化结节的良性概率为29%[7]、结节中出现脂成分往往是良性病变[8]、肺癌出现空气支气管征比良性病变更加普遍[9]等。

本文方法旨在将医师标注待诊断肺结节时的上述语义信息，作为模型在提取图像特征时的先验知识，通过图像特征与语义特征的多模态信息[10]融合，实现对肺结节的良恶性诊断。

1 材料与方法

1.1 数据准备

为……