基于尺寸自适应深度神经网络的胸部CT图像肺结节检测

艾 琦 王 军 任福全 翁文采 于秋磊

1(大连大学附属新华医院,辽宁大连 116021)

2(浙大城市学院,杭州 310015)

3(燕山大学理学院,河北秦皇岛 066004)

引言

肺癌是人类癌症死亡的主要原因[1],降低肺癌死亡概率的最为重要途径之一就是肺癌的早期诊断和早期治疗。早期通过低剂量计算机断层扫描(computed tomography,CT)筛查肺癌可将高危人群的死亡率显著降低20%[2]。然而,结节的筛查对放射科医生来说是耗时且工作量巨大的。同时一些小结节,尤其是那些被其他组织包围的小结节,即使是经验丰富的放射科医生也很难发现[3-5]。

为了减轻医生的工作量并提高检测可靠性,许多学者尝试开发计算机辅助检测系统(computer aided detection system,CAD)。传统的CAD 系统[6-11]通常是使用人工设定的特征描述和针对特定场景的经典图像处理技术来实现的[8-9]。但是肺结节具有各种形状、大小和位置,通过人工选择合适特征来处理和检测复杂的结节图像是很困难的。最近,得益于深度识别理论与技术的发展[12-24],基于深度学习的识别系统[25-32]已广泛应用于结节检测领域。这些系统主要利用卷积神经网络(convolutional neural networks,CNN)从图像中自动提取全面的、高级的语义特征,弥补人工设定的不足。

一般肺结节检测通常包括两个主要阶段:候选检测(candidates detection,CD)和假阳性抑制(false positive reduction,FPR)。CD 阶段的任务是在目标图像中找到所有结节,而FPR 阶段则要改善结果并提高检测率。针对CD 和FPR,许多方法先后被提出,其中有一些是基于语义分割[28,30]和目标检测[31-32]来生成候选图像,而还有一些则通过应用2D[26]或3D CNN[25,27-28]用于将结节与候选图区分开而专注于FPR。……