• 医学文献
  • 知识库
  • 评价分析
  • 全部
  • 中外期刊
  • 学位
  • 会议
  • 专利
  • 成果
  • 标准
  • 法规
  • 临床诊疗知识库
  • 中医药知识库
  • 机构
  • 作者
热搜词:
换一批
论文 期刊
取消
高级检索

检索历史 清除

医学文献>>
  • 全部
  • 中外期刊
  • 学位
  • 会议
  • 专利
  • 成果
  • 标准
  • 法规
知识库 >>
  • 临床诊疗知识库
  • 中医药知识库
评价分析 >>
  • 机构
  • 作者
热搜词:
换一批

基于半监督学习的肺结节良恶性分类方法

摘要在中国乃至全世界,肺癌的发病率和死亡率均居首位,严重影响广大人民百姓的生命健康。目前医学领域是通过肺部CT图像诊断肺结节的良恶性情况,作为诊断是否患肺癌的重要佐证。尽管医学已经发展得相当完善,但目前医院对肺癌的诊断主要依靠经验丰富的医生通过肉眼阅片来实现。因传统的诊断方法存在误诊、错诊的情况,又因CT图像数据集的制作成本高,本文提出一种基于半监督学习的方法对肺结节CT图像进行良恶性分类,这种方法融合了无监督学习的生成对抗网络与监督学习的卷积神经网络。本文研究内容归结为两部分:基于生成对抗网络的肺部CT图像数据扩增和基于卷积神经网络的肺结节良恶性分类。<br>  一方面是对基于生成对抗网络模型的数据扩增进行研究。传统的数据扩增操作是通过传统图像处理方法,对原图像进行翻转、旋转、平移等操作。而这类操作仅增加了图像数量,图中的信息并没有改变,无法达到真正数据扩增的效果。本文提出的是基于融合DCGAN与WGAN-GP的生成对抗网络,并在模型的训练过程中,引入一种渐进式的训练模式。该模型可生成清晰的图像,以解决对肺部CT图像进行数据扩增。<br>  另一方面是对基于卷积神经网络的分类模型进行研究。通过引入残差块对卷积神经网络结构进行改进,改进后网络深度达42层。在数据集方面,结合生成对抗网络生成的扩增样本进行训练,并且设计了相关参照实验对分类结果与模型性能进行分析。实验结果分类的正确率、敏感性、特异性与AUC值分别为96.5%、96.67%、96.33%与0.953。通过对比,该分类模型在各个指标均优于现存的其他多种方法。同时论证了半监督学习的可行性,且对处理少数据的任务参与深度学习网络提供了新的方法。<br>  本文的主要创新之处是引入基于生成对抗网络的扩增模型、并将其于监督学习融合的半监督学习方法,并将该方法应用于肺结节良恶性分类中,取得较为理想的效果。

更多
广告
  • 浏览0
  • 下载0

加载中!

相似文献

  • 中文期刊
  • 外文期刊
  • 学位论文
  • 会议论文

加载中!

加载中!

加载中!

加载中!

特别提示:本网站仅提供医学学术资源服务,不销售任何药品和器械,有关药品和器械的销售信息,请查阅其他网站。

  • 客服热线:4000-115-888 转3 (周一至周五:8:00至17:00)

  • |
  • 客服邮箱:yiyao@wanfangdata.com.cn

  • 违法和不良信息举报电话:4000-115-888,举报邮箱:problem@wanfangdata.com.cn,举报专区

官方微信
万方医学小程序
new翻译 充值 订阅 收藏 移动端

官方微信

万方医学小程序

使用
帮助
Alternate Text
调查问卷