29、基于GK - KMA的CT图像分割与PTRNN肺结节检测方法

基于GK - KMA的CT图像分割与PTRNN肺结节检测方法

1. 引言

肺癌（LC）是全球常见疾病之一，也是癌症相关死亡的主要原因。每年因肺癌死亡的人数逐渐增加，在男性中肺癌最为常见，在女性中是第4大常被诊断出的癌症，也是癌症死亡的第2大主要原因。早期进行肺结节（LN）分析，有可能改善预后并挽救许多生命。

随着技术发展，计算机断层扫描（CT）成像已成为检测和评估肺癌的标准方式，可用于高危人群的肺癌筛查。肺结节在早期处于可治疗阶段，若能成功检测，患者生存率较高。然而，肺结节检测存在诸多挑战，如肺结节与周围组织相似度高、外观和空间分布差异大等。

目前，一些现有的肺结节检测方法存在局限性。例如，卷积神经网络（CNN）在早期检测中取得了一定成果，但在肺结节检测中仍面临困难。因此，提出一种有效的基于CT图像的肺结节检测技术具有重要意义。本文将介绍一种新的深度学习方法——参数调优循环神经网络（PTRNN）用于肺结节检测。

2. 相关研究现状

2.1 现有检测方法及成果

• DTCNN - ELM方法 ：Xufeng Huang等人提出的基于深度转移卷积神经网络（DTCNN）和极限学习机（ELM）的诊断技术，结合两种算法对良性和恶性结节进行分类。该方法采用在ImageNet上预训练的最优DTCNN提取肺结节的高级特征，再用ELM进行分类，取得了94.57%的准确率、93.69%的灵敏度、95.15%的特异性和94.94%的曲线下面积（AUC）。但ELM存在过拟合问题。
• CAD混合设计方法 ：Alberto Rey等人