结合Sobel算子和Mask R-CNN的肺结节分割.pdfVIP

小 型 微 型 计 算 机 系 统 2020年1月 第1期 Journal of Chinese Computer Systems Vol.41 No.1 2020 结合 Sobel算子和 Mask R-CNN 的肺结节分割 1 1 1 1 2 1 闫欢兰 ,陆慧娟 ,叶敏超 ,严 珂 ,金 群 ,徐一格 1(中国计量大学 信息工程学院,杭州 310018) 2 (早稻田大学 人间科学学术院,所泽 359-1192,日本) E-mail:hjlu@ 摘 要:肺癌不断威胁着人类健康 ,计算机辅助诊断对肺癌诊断将发挥重要的作用 .卷积神经网络 (CNNs)在对图像的处理上 表现出有目共睹的优秀性能 ,医学ComputedTomography(CT)图像是用来诊断肺癌的主要检查方式 ,用深度学习分割病灶的方 法可以实现端对端的辅助诊断 ,这将节省医生的诊断时间 ,为患者争取最佳治疗时间 .LIDC-IDRI(The Lung Image Database Consortiu )数据集影像中的癌症部分与其他组织部分的放射密度十分接近 ,而且往往癌症部分非常小 ,背景具有非常强的相 似性.本文使用传统的 Sobel算子对图像中放射密度高的部分进行边缘锐化处理 ,用强化边缘特征的方法解决前景与背景灰度 相似的问题,然后在使用传统的分割方法———阈值分割进一步强化.本文减小Regions of Interest(RoIs)的大小以适应肺结节的 特征,减少RoIs 的个数以避免过多的负类样例训练产生退化的模型 ;在传统图像增强处理方法和深度学习的结合下 ,获得了一 个优化的MaskR-CNN模型,在LIDC-IDRI数据集上的测试结果中 ,基于IntersectionoverUnion(IoU)=0.5 的标准下的肺结节 平均精度mAP达到72.2%,在FPR为0.226 时的TPR达到0.915. 关 键 词:计算机辅助诊断;Mask R-CNN;Sobel算子;阈值分割;肺结节分割 中图分类号:TP183 文献标识码:A 文 章 编 号:1000-1220(2020)01-0161-05 Lung Nodule Segmentation CombiningSobel Operator and Mask R-CNN YAN Huan-lan1 1 1 1 2 1 ,LU Hui-juan ,YE Min-chao ,YAN Ke ,JIN Qun ,XU Yi-ge 1 (School of InformationEngineering,China Jiliang University,Hangzhou310018,China) 2 (School of Human Sciences,Waseda University,Tokorozawa359-1192,Japan) Abstract:The lung cancer isa seriousthreattothehealthofhuman,computer-aideddiagnosis(CAD)willplayanincreasinglyimpor- tant role in thediagnosisoflungcancer.Convolutionalneuralnetworks(CNNs)showoutstandingperformanceintheprocessingofim- ages.ComputedTomography(CT)images are the mainmethodsfordiagnosisoflungcancer.Themethodofdeeplearningto segment lesions can achieve end-to-end auxiliary diagnosis,which will savethe doctors diagnosis time and get the best treatment time for the patient.The cancerparti