标题:基于Faster-RCNN的肺结节检测算法
作者:宋尚玲; 杨阳; 李夏; 冯浩
作者机构:[宋尚玲]山东大学第二医院, 济南, 山东 250033, 中国;[杨阳]山东大学信息科学与工程学院, 青岛, 山东 266237, 中国;[李夏]山东大学信息科学与工程学院, 青岛, 山 更多
通讯作者:Yang, Y(yyang@sdu.edu.cn)
通讯作者地址:[Yang, Y] School of Information Science and Engineering, Shandong UniversityChina;
来源:中国生物医学工程学报
出版年:2020
卷:39
期:2
页码:129-136
DOI:10.3969/j.issn.0258-8021.2020.02.01
关键词:肺结节检测; ZF模型; VGG模型; 卷积神经网络
摘要:针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的; 深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-R; CNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2; 000例病人的肺结节数据集,通过不同的卷积神经网络模型(包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏; 检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90.82%,准确率的波动方差为13.30%; ;; VGG模型的检测准确率为87.02%,准确率的波动方差为37.10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优; 于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。
收录类别:CSCD;SCOPUS
资源类型:期刊论文
原文链接:https://www.scopus.com/inward/record.uri?eid=2-s2.0-85091114310&doi=10.3969%2fj.issn.0258-8021.2020.02.01&partnerID=40&md5=be33b76ca23b0768d9a65578e0885fca
TOP