输入尺寸对使用卷积神经网络分类肺结节的影响
图像与视频处理
2021-07-13 v1 计算机视觉与模式识别
机器学习
摘要
近期研究表明，与使用传统胸部 X 线摄影相比，采用年度低剂量计算机断层扫描（CT）进行肺癌筛查可使肺癌死亡率降低 20%。因此，CT 肺部筛查已开始在全世界广泛使用。然而，分析这些图像对放射科医生而言是沉重的负担。一次 CT 扫描的切片数可达 600。因此，计算机辅助检测（CAD）系统对于更快速、更准确地评估数据非常重要。在本研究中，我们提出了一种利用卷积神经网络（CNNs）分析 CT 肺部筛查以减少假阳性的框架。我们用不同的体块尺寸训练模型，并表明体块尺寸在系统性能中起着关键作用。我们还使用了不同的融合方式以展示其效力及对总体精度的影响。之所以选择 3D CNNs 而非 2D CNNs，是因为应用于 3D 数据的 2D 卷积操作可能导致信息丢失。所提框架已在 LUNA16 挑战赛提供的数据集上测试，并在每次扫描 1 个假阳性时达到 0.831 的灵敏度。
引用
@article{arxiv.2107.05085,
title = {Effect of Input Size on the Classification of Lung Nodules Using Convolutional Neural Networks},
author = {Gorkem Polat and Yesim Dogrusoz Serinagaoglu and Ugur Halici},
journal= {arXiv preprint arXiv:2107.05085},
year = {2021}
}
备注
4 pages, in Turkish language, 2018 26th Signal Processing and Communications Applications Conference (SIU)