如需要完整文档点击下方 "点击下载文档" 按钮

由于现有的肺结节检测方法大多局限于形态特征等主观因素所带来的影响,准确率有待提升且假阳性高,而目前的深度学习检测方法较基础,虽然有效降低了假阳率,但准确率也会随之下降。 文中提出了一种结合改进全卷积神经网络(CU-net)和循环 3D Faster-Rcnn(3D CFaster-Rcnn)的肺结节检测方法来解决这一问题。 该方法使用 CU-net 对 CT 图像进行候选区域检测,快速定位出图像的疑似结节区域,输出的图像尺寸不变,通过疑似区域坐标计算,提取候选区域三维立体像素块在 3D CFaster-Rcnn 模型中进行训练,进行假阳性去除。 候选区域检测步骤结节召回率为 98.5%,在进行假阳性处理即模型优化后,在假阳率为 1.65 时得到了 92.6%的准确率。 与其他方法的对比结果表明,该模型在假阳性较低时取得了较高的准确率。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于卷积神经网络的低剂量 CT 图像肺结节检测》

将 完整文档 下载到本地，方便收藏和查阅

文件号：062356

点击下载文档