55、基于高斯拉普拉斯和深度学习的肺结节检测方法

基于高斯拉普拉斯和深度学习的肺结节检测方法

1. 肺结节检测研究进展

在肺结节检测领域，众多学者提出了不同的方法和模型。例如，Zhang 等人提出了一种新的 3D 空间金字塔扩张卷积网络用于肺结节恶性分类，该模型使用 3D 扩张卷积代替池化层，以获取肺结节的精确特征信息，经广泛测试，其准确率达到 88.6%。Karrar 等人描述了一种用于 2D CT 切片中检测候选结节并诊断其为孤立性或胸膜旁结节的 CAD 系统，该系统采用双边滤波、灰度阈值处理、边界框和高强度外推等分割和改进技术，使用 CNN 和 KNN 两种分类器，CNN 的准确率和灵敏度分别达到 96%和 95%。Lin 等人创建了基于 Taguchi 方法的 CNN 用于识别结节是恶性还是良性，在使用最优参数组合时，该方法的准确率达到 99.6%。

2. 数据集介绍

LUNA16 数据集是肺结节检测研究中常用的数据集，它从 LIDC 数据库中提取，包含 888 张 CT 图像和 1186 个阳性肺结节。该数据集的参考标准由四位放射科医生对每次扫描进行两次阅读后手动注释确定。在第一轮盲读中，每位放射科医生将病变分类为非结节、3mm 结节或≥3mm 结节；在第二轮查看中，对所有四位放射科医生的注释进行无混合评估，每位放射科医生决定是否批准每个注释。同时，数据集中切片大小和形状大于 2.5mm 的 CT 图像被移除，剩余扫描图像像素为 512 * 512，并且每个扫描都使用样条插值方法进行预处理，以实现所有三个轴上 1.0mm/体素的有效评估，减少空间分辨率变化带来的干扰。所有被至少 3/4 放射科医生认可的≥3mm 结节作为 LUNA16 挑战的参考标准。

3. 不同研究的结果对比