基于卷積神經網絡的肺結節良惡性分類*

吳世洋，任勁松，張冉，錢昊楠，司啟益，鞏萍

（徐州醫科大學 醫學影像學院，江蘇 徐州 221004）

肺癌是我國發病率和死亡率最高的腫瘤，我國肺癌患者5 年生存率僅有16.1%［1］。為了提高患者的生存率，早發現、早診斷、早治療是關鍵。肺癌早期的表現形式是肺結節，因此發展新的肺結節良惡性分類方法是目前臨床中面臨的重點和難點。

傳統的肺結節良惡性分類主要是利用CT 圖像的底層特征，如灰度特征、紋理特征、幾何特征等［2-4］，這些特征一般是人工設計的，存在著主觀差異性。近年來，深度學習作為一種新的特征提取方法，通過建立多層次的學習模型來自動提取圖像特征［5-6］，以提升分類的準確性。常用的深度學習模型有卷積神經網絡（convolutional neural networks,CNN）、自編碼（auto-encoder,AE）、受限玻爾茲曼機（restricted Boltzmann machine, RBM）等。在以上模型中，CNN 在物體的方向、大小和位置等方面抽象特征的敏感性更低，更有助于提高分類的準確性。因此本文提出利用CNN 進行肺結節良惡性分類，其流程如圖1 所示。

1 數據來源

本文所有數據均來自美國國家癌癥研究會頒布的肺部圖像數據庫聯盟（Lung Image Database Consortium, LIDC）［7］。LIDC 包含 1 000 余例肺部CT 圖像，同時提供了一個 XML 的注釋文件［8］。在注釋文件中，4 名放射學專家對大于3 mm 的結節給出了其對應的坐標。

圖1 基于CNN 的肺結節良惡性分類流程

2 肺結節分割

采用基于多專家標注的閾值概率圖方法［9］對肺結節進行分割。該方法根據專家的經驗為每個專家設置一個權重來表示標注的可信程度，相應專家標注的肺結節區域中每個像素設置為相同的權重值，各像素值為所有專家對該像素標記的權重之和。……