基于卷积神经网络的低剂量CT图像肺结节检测

摘要

由于现有的肺结节检测方法大多局限于形态特征等主观因素所带来的影响,准确有待提升且假阳性高,而现有的深度学习检测方法较基础,虽然有效的降低了假阳率,但准确率也会随之下降.本文提出了结合改进全卷积神经网络(CU-net)和循环3D Faster-Rcnn(3D CFaster-Rcnn)的肺结节检测方法来解决这一问题.首先,使用CU-net对CT图像进行候选区域检测,快速定位出图像的疑似结节区域,输出的图像尺寸不变,通过疑似区域坐标计算,提取候选区域三维立体像素块在3D CFaster-Rcnn模型中进行训练,进行假阳性去除.候选区域检测步骤结节召回率为98.5％,在进行假阳性处理即模型优化后,在假阳率为1.65时得到了92.6％的准确率.与其他方法对比表明,该模型在假阳性较低时取得了较高的准确率,具有较高的应用价值.