Predicting malignant nodules by fusing deep features with classical radiomics features论文记录

本文是通过融合深度特征和经典放射学特征预测恶行结节。

本文用到的英文简写：小细胞癌(SCLC)，非小细胞癌(NSCLC)，全国肺筛查试验(NLST)，低剂量计算机断层扫描(LDCT)，肺中间结节(IPNS)，筛查检测肺癌(SDLC)，长短期内存(LSTM)。

从肺部CT图像中提取的经典放射学特征已被证明能够预测癌症发病率和预后。随着深度学习和卷积神经网络的发展，可以识别出肺CTs的深层特征，分析其预后预测和诊断。由于在医学领域可获得的图像数量有限，转移学习概念可能会有所帮助。作者使用了迁移学习来区分肺癌结节和阳性对照，三种不同的预处理CNNs来提取深度特征，并使用五种分类器，还使用来自不同颜色通道的CNN提取深度特征。Radiomics是一种从医疗图像标准中提取定量特征的方法。

用于训练的CNN图像与肺结节图像有两个方面不同：（1）肺结节图像是灰度图像，而ImageNet包含的是彩色RGB图像。（2）肺结节图像的尺寸小的多，即每个ROI区域的像素更少。

之前别人的工作仅使用Red通道对CT图像进行灰度归一化，证明了从预处理的CNN中提取的深度特征可以有效的使用。

数据包括来自NLST（全国肺筛查试验）：用于训练的队列1和用于评价分类器的队列2。

对于训练好的CNN，实验了两种方法，（1）利用CNN的sigmoid输出层进行分类，从CNN最后一个全连接层中提取特征。（2）应用特征选择，利用选择的特征进行构建分类器。

探讨了四种提高分类器预