通过结合深度卷积神经网络与手工特征预测肺结节恶性程度
计算机视觉与模式识别
2020-01-08 v2
摘要
为以高灵敏度和特异度预测肺结节恶性程度，我们提出一种融合算法，将手工特征（HF）结合到三维深度卷积神经网络（CNN）输出层学到的特征中。首先，我们提取了二十九个手工特征，包括九个强度特征、八个几何特征，以及基于从十三个方向平均的灰度共生矩阵（GLCM）得到的十二个纹理特征。随后，我们训练从三种最先进的二维CNN架构（AlexNet、VGG-16 Net和Multi-crop Net）修改而来的三维CNN，以提取输出层学到的CNN特征。对于每个三维CNN，将CNN特征与29个手工特征结合，作为支持向量机（SVM）配合序列前向特征选择（SFS）方法的输入，以选择最优特征子集并构建分类器。该融合算法充分利用了手工特征和输出层学到的最高层CNN特征，能通过结合CNN固有特征克服手工特征可能无法充分反映特定病灶独特特征的缺点；同时，基于手工特征的互补性，也缓解了对大规模标注数据集的需求。患者队列包含从LIDC/IDRI数据库提取的431个恶性结节和795个良性结节。对于每种所研究的CNN架构，所提融合算法在所有竞争分类模型中取得了最高的AUC、准确率、灵敏度和特异度分数。
引用
@article{arxiv.1809.02333,
title = {Predicting Lung Nodule Malignancies by Combining Deep Convolutional Neural Network and Handcrafted Features},
author = {Shulong Li and Panpan Xu and Bin Li and Liyuan Chen and Zhiguo Zhou and Hongxia Hao and Yingying Duan and Michael Folkert and Jianhua Ma and Steve Jiang and Jing Wang},
journal= {arXiv preprint arXiv:1809.02333},
year = {2020}
}
备注
11 pages, 5 figures, 5 tables. This work has been submitted to the IEEE for possible publication