参考文献

数据来源

数据预处理

算法

分析结果

Chen et al. [19]

LIDC-IDRI

提取Haar特征和Hog特征,利用 SDAE和CNN对每个样本提取 深度特征,将四种特征进行异构

SADE、CNN

研究提出的语义属性 评分方案可以提供更 丰富的结核定量评估

杨佳玲等 [20]

LIDC-IDRI

提取87个不同的特征,它们分别 来自于形状、灰度、纹理和空间 位置这四个方面

DBN

肺结节良恶性分类 准确率高达95.3%

Hua et al. [27]

LIDC-IDRI

选择直径大于3 mm的肺结节 进行实验

2D-CNN

肺结节良恶性分类 灵敏度为73.3%, 特异度为78.8%

Rekka et al. [28]

LUNA 16

利用两个CNN网络分别提取特征, 再通过外矩阵乘积对每个图像、 相同位置的特征进行合并

2D-CNN

肺结节与非结节的分类 准确率可达91.99%

吴世洋等 [29]

LIDC-IDRI

肺部CT图像进行分割获得肺结节 图像,利用CNN进行特征提取, 将每张肺结节图像转化为一个 192维的特征图

2D-CNN

肺结节良恶性分类 准确率为84.4%

Shen et al. [30]

LIDC-IDRI

从不同尺度的肺结节图像中提取 结节特征来捕获良恶结节之间的异 质性,然后将提取的同一个结节的 三种不同尺度的抽象特征进行融合

Multi-scale-CNN

肺结节良恶性分类 准确率达86.8%

Liu et al. [31]

肺癌筛查研究(国家肺 癌筛查试验(NLST)) 40和早期肺癌行动 计划(ELCAP)39

以结节为中心进行裁剪,对裁剪 后的三维图像区域进行重新采样, 得到各向同性的固定大小的 三维图像

3D-CNN

肺结节良恶性分类的 AUC值为0.732

Ciompi et al. [32]

意大利MILD筛查 实验和丹麦DLCST 筛查实验

直接处理原始数据

多流多尺度卷积 神经网络

通过分析任意数量二维 界面图来学习肺结节的 三维表示,能够提取到 多尺度的特征,从而更 加有利于肺结节的分类

Zheng et al. [33]

复旦大学中山医院(ZSDB)提供的CT 数据库

对肺结节图像进行分割

包含尺度转移模块和多特征融合运算的深度卷积神经网络STM-Net

肺腺癌肺结节的精 度和AUC分别为 95.455%和0.987

Shen et al. [34]

LIDC-IDRI

采用多裁剪卷积神经网络对卷积 特征图中裁剪不同区域

Multi-crop-CNN

肺良恶性分类准确率达87.14%