基于深度学习在计算机断层扫描肺图像中查找与跟踪蜂窝状区域
计算机视觉与模式识别
2019-02-12 v3 机器学习
机器学习
摘要
近年来,除了医学领域的医疗方法外,能够辅助医生决策阶段并在早期检测疾病的计算机辅助诊断(CAD)系统已开始被频繁使用。利用 CAD 系统诊断特发性肺纤维化(IPF)疾病非常重要,因为它可以被医生和放射科医生随访。随着高分辨率计算机成像扫描仪的发展以及计算能力的提升,借助 CAD 系统诊断和随访该疾病已成为可能。本项目的目的是设计一个工具,通过识别高分辨率计算机断层扫描(HRCT)肺图像中的蜂窝状和磨玻璃样模式来帮助专家诊断和随访 IPF 疾病。创建一个分割肺对的程序模块,并根据医生提供的给定计算机断层扫描(CT)图像为特定病变区域创建自学习深度学习模型,是本研究的主要目的。通过所创建的模型,程序模块将能够在给定的新 CT 图像中找到特定区域。在本研究中,肺分割的性能通过 Sørensen-Dice 系数法进行测试,平均性能测得为 90.7%;所创建模型的测试使用未在 CNN 网络训练阶段使用的数据进行,平均性能测得健康区域为 87.8%,磨玻璃区域为 73.3%,蜂窝状区域为 69.1%。
引用
@article{arxiv.1811.02651,
title = {Finding and Following of Honeycombing Regions in Computed Tomography Lung Images by Deep Learning},
author = {Emre Eğriboz and Furkan Kaynar and Songül Varlı Albayrak and Benan Müsellim and Tuba Selçuk},
journal= {arXiv preprint arXiv:1811.02651},
year = {2019}
}
备注
4 pages, 9 figures, 3 tables