用于孤立性肺结节恶性程度自动表征的卷积神经网络架构实验
图像与视频处理
2020-03-31 v1 计算机视觉与模式识别
数据分析、统计与概率
医学物理
摘要
肺癌是全球癌症相关死亡的最常见原因。在计算机断层扫描（CT）胸部影像中对孤立性肺结节（SPN）进行早期自动诊断，可提供早期治疗并减轻医生耗时的操作负担。深度学习已被证明在许多医学影像诊断领域是一种流行且具影响力的方法。本研究考虑源自 PET/CT 扫描仪的 CT 图像中良恶性肺结节的诊断分类问题。更具体地，我们旨在开发实验性卷积神经网络（CNN）架构并通过调参开展实验，以探究其行为并确定准确分类的最优设置。实验中，我们使用帕特雷大学核医学实验室获取的 PET/CT 图像，以及公开可用数据库 Lung Image Database Consortium Image Collection（LIDC-IDRI）。此外，我们应用简单数据增强以生成新样本并检验所开发网络的性能。在 PET/CT 数据集和 LIDC-IDRI 数据集的结节图像选集上分别取得了 91% 和 93% 的分类准确率。结果表明 CNN 是结节分类的可靠方法，且实验证实数据增强增强了 CNN 的鲁棒性。
引用
@article{arxiv.2003.06801,
title = {Experimenting with Convolutional Neural Network Architectures for the automatic characterization of Solitary Pulmonary Nodules' malignancy rating},
author = {Ioannis D. Apostolopoulos},
journal= {arXiv preprint arXiv:2003.06801},
year = {2020}
}
备注
22 pages. arXiv admin note: text overlap with arXiv:1409.4842, arXiv:1512.07108 by other authors