10、基于深度学习的肝脏病变检测与PET图像合成技术

基于深度学习的肝脏病变检测与PET图像合成技术

1. 肝脏病变检测系统性能比较

在肝脏病变检测中，使用了FPC（False Positive Count，假阳性计数）和TPR（True Positive Rate，真阳性率）检测指标。由于数据情况，在开发集提取2D的CC（Connected Component，连通分量），而测试集的CC及相应重叠度量为3D。将提出的系统与五种替代分析方案进行了比较：
1. 超像素稀疏字典学习与分类 - 基于稀疏性的方案 ：将CT输入划分为超像素，直接输入到超像素字典学习中，并使用基于超像素稀疏性的分类方法进行分类。这是一种基于局部补丁的分析方法，利用基于超像素的补丁智能选择。
2. 基于Li等人的基于补丁的CNN ：使用17×17像素的补丁输入到CNN中，将其分类为病变/正常区域。使用了一个具有七个隐藏层的CNN模型，包括三个卷积层、两个最大池化层、一个全连接层、ReLU和一个softmax分类器。这也是一种基于局部补丁的分析方法，但没有特殊的补丁选择，而是使用CNN架构进行最终分类。
3. U - Net方案 ：用著名的U - Net架构替代提出的FCN架构，不使用局部分析。与本研究中使用的FCN - 4s相比，U - Net在扩展路径中包括几个跳跃连接和额外的卷积滤波器，使其对图像在低和高尺度上的不同变化更敏感。
4. FCN - 4s ：工作中描述的第一个模块，不使用局部分析。
5. FCN - 4s + 基于稀疏性的方案 ：提出的系统，将FC