典型文献
基于深度学习结合解剖学注意力机制的肺结节良恶性分类
文献摘要：
肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义.为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度.此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化.解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征.本文方法在LIDC-IDRI数据集上进行验证.实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940.由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用.
文献关键词：
肺结节;注意力机制;CT图像;深度学习
中图分类号：
作者姓名：
刘雲;王一达;张成秀;杨光;王成龙
作者机构：
华东师范大学物理与电子科学学院上海市磁共振重点实验室,上海200062
文献出处：
引用格式：
[1]刘雲;王一达;张成秀;杨光;王成龙-.基于深度学习结合解剖学注意力机制的肺结节良恶性分类)[J].中国医学物理学杂志,2022(11):1441-1447
A类：
B类：
解剖学,注意力机制,肺结节良恶性,良恶性分类,良恶性诊断,诊断率,ResNet,注意力模块,分类精度,自动分割,感兴趣区域,全自动化,纹理信息,LIDC,IDRI,测试集
AB值：
0.240018
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
