基于双模态深度自编码的孤立性肺结节诊断方法-计算机科学.PDFVIP

Vo1. 44 No.8 第 44 卷第8 期 计算机科学 2017 年 8 月 COMPUTER SCIENCE Aug.2017 基于双模态深度自编码的孤立性肺结节诊断方法 赵鑫强彦葛磊 (太原理工大学计算机科学与技术学院 太原 030024) 摘 要 近年来，深度学习技术在肺癌诊断方面得到了广泛的应用，但现有的研究主要集中于肺部 CT 图像。为了有 效提高肺结节的诊断性能，提出一种基于双模态深度降嗓自编码的肺结节诊断方法。首先，分别从肺部 CT 和 PET 图像中得到肺结节区域的特征信息;然后，以候选结节的 PET/CT 图像作为整个深度自编码网络的输入，并对高层信 息进行学习;最后，采用融合策略对多种特征进行融合并将其作为整个框架的输出。实验结果表明，提出的方法可以 达到 92.81%的准确率、9 1. 75%的敏感度和1. 58%的特异性，且优于其他方法的诊断性能，更适用于肺结节良/恶性 的辅助诊断。 关键词 降嗓自编码，双模态，深度学习，极限学习机，肺结节辅助诊断 中图法分类号 TP391 文献标识码 A 001 10. 11896/j. issn. 1002-137叉 2017.08.054 Pulmonary Nodule Dia伊osis Using Dual-modal Denoising Autoencoder ßased on Extreme Le町ning Machine ZHAO Xin QIANG Yan GE Lei (College of Computer Science and Technology ,Taiyuan University of Technology ,Taiyuan 030024 ,China) Abstract The existing deep learning framework used in diagnosing lung cancer still mainly focuses on lung Computed Tomography(CT) images ,but it cannot obtain more higher diagnostic rate ,when using only one images in the process of daily diagnosis. Therefore ,in this paper ,a new pulmonary nodule diagnosis method using dual-modal combined with CT and Positron Emission Tomography(PET) deep denoising autoencoder based on extreme learning machine (SDAE- ELM) was proposed to improve the diagnostic performance effectively. First of all ,the method gets discriminative fea tures information separate from the input data CT and PET. Secondly ,it inputs CT and PET about candidate lung re spectively in whole network. Thirdly ,it extracts the high level discriminative features of nodules by alternating stac