多尺度卷积神经网络的肺结节分类
摘要
与传统研究主要依赖于结节分割进行区域分析不同,我们解决了一个更有挑战性的问题,即直接建模原始结节斑块,而不需要事先定义结节形态。提出了一个分级学习框架|多尺度卷积神经网络(MCNN)|通过从交替堆叠的层中提取鉴别特征来捕获结节的异质性。特别是,为了充分量化结节特征,我们的框架利用多尺度结节斑块,通过将每个输入尺度的最后一层得到的响应神经元激活串联起来,同时学习一组类特定的特征。
胸部计算机断层定量分析肺结节(CT)已成为早期癌症诊断的中心焦点,CT表型为全面捕获结节特征[2]提供了有力的工具。
结节边界的定义是模糊的,来自放射科医师的主观的|阅读器之间的差异使得精确地描绘结节是一个具有挑战性的任务。鉴于这些挑战,出现以下具体问题:(a)应如何从代表不同诊断组的不同结节数据中学习鉴别特征?(b)如何设计一个稳健的框架,能够从原始结节斑块|中提取数量特征,而不是从分段结节|中提取数量特征,从而完全消除繁琐的预处理步骤,如结节分割?
本文研究了基于胸部CT扫描的肺结节诊断分类问题。与当前的方法主要依赖于结节分割和结构特征描述符的分类任务,我们提出一个学习层次框架来捕获结节异质性利用卷积神经网络(CNN)提取特征。下图为示意图。
本文的三点贡献:
ÿ