基于残差网络深度学习的肺部CT图像结节良恶性分类模型

摘要：

计算机辅助肺结节良恶性诊断对肺癌的及时治疗具有重要意义.针对计算机辅助诊断系统中肺结节良恶性诊断准确率较低,误诊率、错诊率相对较高的现状,提出一种基于残差网络的肺结节良恶性分类模型.首先选择部分LIDC-IDRI的肺部CT图像(共计10 402幅)作为数据集,然后通过图像的水平翻转对数据进行扩增,再将图像转为单通道,并进行裁剪及归一化等处理,最后将数据分为训练集与测试集(7∶3),对所设计的残差网络(ResNet-26)进行训练与测试.完成训练后,测试得到肺结节良恶性分类准确率、敏感性及特异性分别为97.53％,97.91％及97.18％,计算得出AUC为0.958.通过对比,实验结果在各个指标均优于现存的其他多种方法,其分类结果可为医生的诊断提供较好的辅助参考.

关键词：深度学习、残差网络、肺结节、良恶性分类、卷积神经网络

所属期刊栏目：41

分类号：TP391;TH7(计算技术、计算机技术)

资助基金：广州市科技计划珠江科技新星专题项目;广州市科技计划现代产业技术专题项目

在线出版日期：2020-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：248-256