利用深度学习对医学CT图像中(LIDC-IDRI)的肺结节进行良恶性判断2

在上篇博文中，我们详细介绍了如何分割肺实质，并根据标注信息提取肺结节，本文主要介绍如何利用CNN网络训练分类模型，辅助医生作出判断。

本文网络结构见论文： http://downloads.hindawi.com/journals/jhe/2017/8314740.pdf

数据集

通过上篇博文中的方法，我们最后根据肺结节的**良恶性程度（1-5）**得到了5类肺结节。数目如下：

• 良恶性程度为1：1254
• 良恶性程度为2：1532
• 良恶性程度为3：1721
• 良恶性程度为4：1226
• 良恶性程度为5：1646

之前介绍过，3表示不确定，所以我们训练时舍弃该数据集。我们只需要判断良恶性，因而我们将良恶性程度为1和2归为良性（Malignant），良恶性程度为4和5归为另一类恶性（benign）。主要采取的网络有（CNN、DNN和SAE）。

网络模型

1. CNN的网络结构和参数
   

2. DNN的网络结构和参数
   

3. SAE的网络结构和参数
   

最后在验证集上的测试结果如下：

通过比较可以发现，CNN的分类效果最好。

拓展

尽管CNN模型已经取得了不错的分类效果，但还需要提升。考虑到分类数据集还是太少，我们引入了生成式对抗网络（GAN）来扩充我们的肺结节数据集。关于GAN的介绍可以看我之前的一篇博客深度学习的常见模型 （GAN）,此处不详细介绍。

我们通过CGAN网络训练了生成模型，扩充了我们的数据集，生成示例如下：

然后将生成的数据与原始数据混合，重新训练CNN分类模型，在准确率上果然取得了一定的提升。