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

1、當(dāng)前，肺癌已經(jīng)對(duì)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(cè)出有結(jié)節(jié)的圖像不僅耗時(shí)，而且非常困難。雖然已經(jīng)有計(jì)算機(jī)輔助診斷系統(tǒng)（CAD）被引入到肺結(jié)節(jié)的檢測(cè)中，但是這些CAD系統(tǒng)需要專業(yè)人員花費(fèi)大量時(shí)間標(biāo)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(jìn)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(duì)胸腔CT圖像中肺結(jié)節(jié)的檢測(cè)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(xué)習(xí)模型被提出，用于檢測(cè)包含肺結(jié)節(jié)的胸腔CT圖像?？紤]到人工標(biāo)注肺結(jié)節(jié)ROI區(qū)域需要巨大的人力成本，而且無標(biāo)注的胸腔CT圖像非常豐富的現(xiàn)狀，首先大量無標(biāo)注的胸腔CT

3、圖像patch被用來進(jìn)行無監(jiān)督地學(xué)習(xí)圖像特征，隨后少量的有標(biāo)簽的數(shù)據(jù)被用來進(jìn)行有監(jiān)督地微調(diào)，訓(xùn)練出一個(gè)優(yōu)秀的分類器。整個(gè)模型只需要使用少量標(biāo)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(xué)習(xí)模型能夠自動(dòng)學(xué)習(xí)圖像特征而不需要進(jìn)行手工特征的提取，避免了重要信息的丟失。
　　實(shí)驗(yàn)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(biāo)簽的圖像patch和5500有標(biāo)簽的圖像，分別用于進(jìn)行無監(jiān)督的圖像特征