基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測.pdf

1、當前，肺癌已經(jīng)對人類的生命安全產(chǎn)生了致命威脅。CT（Computed Tomography）掃描技術(shù)是及早診斷和發(fā)現(xiàn)肺癌的關(guān)鍵技術(shù)。然而用肉眼從眾多的CT圖像中檢測出有結(jié)節(jié)的圖像不僅耗時，而且非常困難。雖然已經(jīng)有計算機輔助診斷系統(tǒng)（CAD）被引入到肺結(jié)節(jié)的檢測中，但是這些CAD系統(tǒng)需要專業(yè)人員花費大量時間標注CT圖像中的肺結(jié)節(jié)ROI（Region Of Interest）區(qū)域，需要巨大的人力成本，而且從ROI區(qū)域中分割出肺結(jié)節(jié)，可能丟失

2、肺結(jié)節(jié)的重要邊界信息。此外CAD系統(tǒng)需要進行手工的特征提取，而手工特征提取的方法難以確定有效的特征。
　　針對胸腔CT圖像中肺結(jié)節(jié)的檢測中存在的問題，卷積自編碼神經(jīng)網(wǎng)絡(luò)（Convolutional AutoEncoder Neural Network,CAENN）的深度學習模型被提出，用于檢測包含肺結(jié)節(jié)的胸腔CT圖像?？紤]到人工標注肺結(jié)節(jié)ROI區(qū)域需要巨大的人力成本，而且無標注的胸腔CT圖像非常豐富的現(xiàn)狀，首先大量無標注的胸腔CT

3、圖像patch被用來進行無監(jiān)督地學習圖像特征，隨后少量的有標簽的數(shù)據(jù)被用來進行有監(jiān)督地微調(diào)，訓練出一個優(yōu)秀的分類器。整個模型只需要使用少量標注了肺結(jié)節(jié)ROI區(qū)域的胸腔CT圖像，因此節(jié)約了大量的人力成本。而且該深度學習模型能夠自動學習圖像特征而不需要進行手工特征的提取，避免了重要信息的丟失。
　　實驗中LIDC/IDRI肺結(jié)節(jié)公開數(shù)據(jù)集被用來生成了50000張無標簽的圖像patch和5500有標簽的圖像，分別用于進行無監(jiān)督的圖像特征