多尺度深度特征提取的肝脏肿瘤CT图像分类
目的 肝脏肿瘤是人体最具侵袭性的恶性肿瘤之一,传统的肿瘤诊断依靠观察患者的CT(computed tomo-graphy)图像,工作量大时易造成疲劳,难免会产生误诊,为此使用计算机辅助的方法进行诊断,但现有的深度学习方法中存在肿瘤分类准确率低、网络的特征表达能力和特征提取能力较弱等问题.对此,本文设计了一种多尺度深度特征提取的分类网络模型.方法 首先在原始CT图像中选取感兴趣区域,然后根据CT图像的头文件进行像素值转换,并进行数据增强来扩充构建数据集,最后将处理后的数据输入到本文提出的分类网络模型中输出分类结果.该网络通过多尺度特征提取模块来提取图像的多尺度特征并增加网络的感受野,使用深度特征提取模块降低背景噪声信息,并着重关注病灶区域有效特征,通过集成并行的空洞卷积使得尺度多元化,并将普通卷积用八度卷积替换来减少参数量,提升分类性能,最终实现了对肝脏肿瘤的精确分类.结果 本文模型达到了 87.74％的最高准确率,比原始模型提升了 9.92％;与现有主流分类网络进行比较,多项评价指标占优,达到了 86.04％的召回率,87％的精准率,86.42％的F1分数;此外,通过消融实验进一步验证了所提方法的有效性.结论 本文方法可以较为准确地对肝脏肿瘤进行分类,将此方法结合到专业的医疗软件当中去,能够为医生早期的诊断和治疗提供可靠依据.
深度学习、肝脏肿瘤分类、多尺度特征、特征提取、空洞卷积
26
TP391.4(计算技术、计算机技术)
国家自然科学基金项目;中国博士后科学基金项目;江苏省"六大人才高峰"高层次人才项目;镇江市卫生计生科技重点项目
2021-09-18（万方平台首次上网日期，不代表论文的发表时间）
共12页
1704-1715
