201824

Size: px

Start display at page:

Download "201824"

马嵇
5 years ago
Views:

1 ,54(24) Computer Engineering and Applications 深度卷积神经网络胸片肺结节分类识别研究陈寿宏, 柳馨雨, 马峻, 康怀强 CHEN Shouhong, LIU Xinyu, MA Jun, KANG Huaiqiang 桂林电子科技大学电子工程与自动化学院, 广西桂林 5414 School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin, Guangxi 5414, China CHEN Shouhong, LIU Xinyu, MA Jun, et al. Research of deep convolution neural network in classification of chest radiographs and pulmonary nodules. Computer Engineering and Applications, 218, 54(24): Abstract:The characteristics of pulmonary nodules are complex, which make it difficult to detect lung nodules in chest radiographs. A classification method of lung nodules based on deep neural network is proposed. In this method, the difference between the brightness and the gray level of the chest is reduced by the consistency of the grayscale of the chest. Secondly, the characteristics of the lung nodules can be extracted by the different data amplification methods, and the lung nodules are identified by the improved neural network frame. The proposed algorithm effectively avoids the loss of the feature part of the image during the segmentation of the chest image, and overcomes the shortcomings of the lung nodule characterized by the complexity of the chest image. The results show that the average accuracy of the thoracic lung nodules is 84.2%. It has a certain application value in the classification and identification of pulmonary nodules in medical chest radiographs. Key words:convolution neural network; chest radiographs; pulmonary nodules; image classification 摘要 : 针对肺结节特征复杂且不明显, 难以精确诊断出胸片中是否含有肺结节的问题, 提出将深度神经网络应用于肺结节分类识别之中首先通过将胸片灰度一致化, 减少由于不同设备导致胸片亮度与灰度的差异 ; 其次采用不同的数据扩增方法使得深度卷积神经网络可以充分提取肺结节的特征 ; 最后通过改进的神经网络架构对肺结节进行分类识别提出的算法有效地避免了在对胸片图像进行分割时造成图像特征部分丢失的现象, 同时克服了由于胸片图像的复杂造成的肺结节特征不明显的缺点最终通过实验研究证明胸片肺结节分类识别的平均准确率达到 84.2%, 在医学胸片肺结节的分类识别领域上具有一定的应用价值关键词 : 卷积神经网络 ; 胸片 ; 肺结节 ; 图像分类文献标志码 :A 中图分类号 :TP39 doi:1.3778/j.issn 引言医学图像主要包括 X 射线图片 CT 图像超声波图像和 MRI( 磁共振 ) 图像等其中, 胸部 X 光检查是最常见和最有效的医学影像检查之一 X 线胸片明确胸肺是否正常所以研究胸肺疾病识别检测算法具有特殊的意义 : 一方面通过计算机辅助技术, 为医生提供更加 [1] 准确的诊断环境, 尽可能地减少医生的主观判断 ; 另一方面通过图像处理等技术提取特征图像, 减少伪影对诊断的影响, 从而避免漏诊或误诊图像分类识别在计算机视觉与图像处理方面中重要的研究方向之一在医学图像研究中, 通过自动识别与自动分类能够辅助医生诊断人体器官中是否有病 [2] 变同时在医学图像分类识别中也存在很多的挑战: 医学图像特征相较其他图片特征更加不明显以及医学 [3] 图像的数据维度过高, 在图像处理中更加容易丢失某 [4] 些有用的特征信息基金项目 : 国家自然科学基金 (No ); 广西自然科学基金重点项目 (No.215GXNSFDA1393); 广西自动检测技术与仪器重点实验室基金 (No.YQ14115) 作者简介 : 陈寿宏 (1981), 男, 高级实验师, 研究领域为边界扫描测试图像处理 ; 柳馨雨 (1993), 女, 硕士研究生, 研究领域为模式识别图像处理 ; 马峻 (1977), 通讯作者, 男, 博士, 副教授, 研究领域为测控技术与仪器光电测试技术信号分析与处理, majun@guet.edu.cn 收稿日期 : 修回日期 : 文章编号 : (218)

2 陈寿宏, 等 : 深度卷积神经网络胸片肺结节分类识别研究 218,54(24) 177 近年来, 研究人员通过使用支持向量机 (SVM) 算法逻辑回归算法 BP 神经网络深度神经网络等对医学图像进行分类识别对于胸片疾病分类识别问题, 马杨林 [6] [5] 算法使用支持向量机对肺部图像进行分类分析, 较好地解决了分类问题, 但使用的图像数据的维数不高且准确率仍有提高的可能性 Li 等人 [7] 采用小波变换和收敛指数滤波器提取纹理特征, 并通过 AdaBoost 生成白色结节相似图, 通过相似图提取出肺结节所在位置 Melendezt 等人过采用纹理特征提取和支持向量机 (Support Vector Machine,SVM) 的方法对胸片进行分类识别, 使用机器学习大大增大了识别的精度 Guo 等人 [9] [8] 通提出了最优的实用特征选择方法通过优化特征子集, 消除冗余或无关的特性并获得最佳特征, 以获得更好的分类效果 Ebrahimian 等人 [1] 通过相位一致性的参数估计和判别能力检测胸片中的肺疾病使用相位一致性变换算法获得了鉴别肺结核和肺炎的低错误率, 但精确度仍然需要加强 [11] 使用深度神经网络通过其特征表达与分类器对目标和行为进行识别相对于机器学习, 深度神经网络算法直接对数据进行非线性变换 [12], 当训练样本足够多时, 深度网络可以无监督地从样本中提取特征并学习, 总结样本规律, 从而预测与识别其他样本传统算法在胸片肺结节识别时, 为了使得胸片中肺结节特征更加明显, 通常将完整的胸片分割成或的图像块而本文提出的算法采用的图像为胸片完整图像, 从而有效地避免了胸片肺结节特征的丢失算法将直方图规范化与深度神经网络相结合, 利用直方图规范化将所有图片灰度归一化, 设计一种新的深度卷积网络架构, 并通过数据扩增的方法使得该深度网络充分学习肺结节的特征, 从而将胸片肺结节进行图像分类, 判断胸片中是否含有肺结节, 并使用该模型与其他算法模型进行仿真试验与结果分析 2 卷积神经网络相关介绍卷积神经网络属于前馈神经网络中的一种使用卷积神经网络对维度过高数据量巨大的图像进行处理时的工作效率与精确度较高 [13] 卷积神经网络的网络结构主要包括卷积层 [14] 池化层 [15] 全连接层等 (1) 卷积层 (Convolution Layer) 卷积层主要用来提取图像信息, 将输入的图像通过卷积核进行卷积, 卷积后经过激活函数后输出激活函数的目的是通过引入一些非线性因素, 使神经网络能够更好地解决较为复杂的问题计算公式如下 : n y = f ( ω i x i + b) (1) i = 1 其中 ω i 为权重,b 为偏置 (2) 池化层 (Pooling Layer) 池化层的处理主要有两种方式 : 最大池化 (Max Pooing) 和平均值池化 (Mean Pooling) 池化层能够减少数据处理量, 加快训练网络的速度池化层通过如下公式采样 : y l j = f (down(x i - 1 j ) + b l j) (2) 本文将使用 Max Pooling 作为池化核的方式进行采样处理 (3) 全连接层 (Fully Connected Layer) 全连接层通常将从卷积层与池化层得到的图像特征转化为一个一维向量进行分类卷积神经网络训练使用的是反向传播算法通过反向传播算法不断优化各个全连接层损失函数 (Loss) 的权值与偏置, 从而使得真实值输出与计算值输出间的误差达到最小 [16] 损失函数定义为误差的平方 : Loss(ω,b) = 1 2n y(x) - a) 2 i i = 1 n (3) 其中,n 表示训练数据的个数,a 为输出预测值当 Loss 的值越小, 则表示通过网络训练出的权重与偏置的值越好反向传播算法通过梯度下降算法将误差值达到最小, 从而对权重 ω 与偏置 b 的值优化处理 [17] 本文的研究采用的是小批量梯度下降方法, 当更新每一参数时, 同时更新一部分样本 3 胸片肺结节分类识别方法 3.1 数据集准备本文所使用的 X 光片均由日本放射技术学会科学委员会 ( 简称 JSPT) 创建, 其中包含肺结节和非结节的标准数字图像 [18] 整个数据集共选择了 14 个医学中心的 154 个含有肺结节的常规肺胸片和 93 个无结节的 X 线胸片 3.2 数据图像灰度一致性由于图像分别由不同设备采集得到, 使得不同图像之间的亮度具有一定的差异性 [19] ( 如图 1 所示 ) 因此, 需要对所有图像进行灰度归一化处理针对光照问题, 可以将图片的灰度值均值及方差进行归一化, 从而使得图像的细节更加清楚 ( 如图 2 所示 ) 具体对图像增强处理过程如下 : 将所有图片进行直方图均衡化, 再将每张图片的肺结节部位进行裁剪, 并计算其灰度值在整幅图片中相同灰度值的出现的频率, 如图 3 所示在所有图片中寻找肺结节灰度值出现频率最高的一张图片, 此时被选择的图片中的肺结节对比度最强最后以该张图片作为规范图片, 对其他图片进行匹配处理从而使得所有图片灰度一致

178 218,54(24) Computer Engineering and Applications 图 1 图 2 图 3 原理公式如下 : 像素个数 r/1 5 像素个数 r/1 5 2.5 2. 1.5 1..5 2. 1.8 1.6 1.4 1.2 1..8.6.4.2 原图像直方图 5 1 15 2 25 匹配图像直方图 5 1 15 2 25 原 X 光胸片及其所对应直方图像素个数 r/1 5 像素个数 r/1 5 2.

具有相同的分布情况, 从而得到 r 与 a 的关系表达式 : r = G -1 (a) (6) 3.

3 ,54(24) Computer Engineering and Applications 图 1 图 2 图 3 原理公式如下 : 像素个数 r/1 5 像素个数 r/ 原图像直方图匹配图像直方图原 X 光胸片及其所对应直方图像素个数 r/1 5 像素个数 r/ 匹配之后图像直方图匹配图像直方图处理后胸片及其所对应直方图提取 X 光胸片中的肺结节 s a = T ( s ) = P( s) ds, s 1 (4) r b = G( r ) = P( r) dr, r 1 (5) 将待处理的图片像素点的灰度值由 s 映射到 a, 标准图像灰度值由 r 映射到 b 欲使得 a 与 b 具有相同的分布情况, 从而得到 r 与 a 的关系表达式 : r = G -1 (a) (6) 3.3 数据扩增方法在深度学习过程中, 数据量越大, 计算机自学习能力越突出, 图像分类识别能力越强由于每张胸片只含有一个肺结节, 且图片中肺结节大小不同, 明显程度也有很大的不同为了使得神经网络更好地自学习, 充分提取肺结节特征, 将图片进行扩增 :(1) 将所有图片增加椒盐噪声 ;(2) 将所有图片垂直翻转 ;(3) 将所有图片水平翻转 ;(4) 将所有图片旋转 3 ;(5) 将所有图片进行平移 ;(6) 将图像分辨率进行调整 ;(7) 将所有图片镜像翻转 ;(8) 将所有胸片分为左胸与右胸两部分并进行随机组合数据扩增后, 一共组成 7 79 张图片进行训练 3.4 卷积神经网络的构建本文通过迁移学习, 将几个已训练好的模型参数迁移到肺结节图像分类来帮助训练同时不断改进卷积神经网络结构进行测试与传统的网络结构进行对比, 改进的网络模型在每一池化层之后对所有图像数据进行批量归一化处理, 使得反向传播算法更加有效地对网络进行训练根据本文改进的 CNN 模型, 通过训练, 不断更新权重值与偏置值, 从而得到损失最小值, 训练结束后, 最后通过测试数据与其所对应标签进行对比, 从而得出最终实验结果网络总体结构如表 1 所示命名 image1 cov1 batch1 Relu1 pool1 conv2 batch2 Relu2 pool2 conv3 batch3 Relu3 flat softmax1 classify1 表 1 各个的网络层传输过程如下 : (1) 第一层 (image1): 将图片的尺寸压缩为 64 64, 并且变换为灰度图像总体网络结构类别 imageinputlayer convolution2dlayer batchnormalizationlayer relulayer maxpooling2dlayer convolution2dlayer batchnormalizationlayer relulayer maxpooling2dlayer convolution2dlayer batchnormalizationlayer relulayer fullyconnectedlayer softmaxlayer classificationlayer 大小步长

陈寿宏, 等 : 深度卷积神经网络胸片肺结节分类识别研究 218,54(24) 179 (2) 第二层 (cov1): 第一层输入层与第二层卷积层通过 64 个 5 5 卷积核相连接 (3) 第三层 (batch1): 在训练过程和测试过程中, 输入的分布不同, 会使网络模型训练速度过慢, 收敛性能变差, 而该网络层有效解决该问题并在每一个 mini batch 里, 对每个维度进行归一化

16 (6) 第六层 (conv2): 过程与第二层卷积层类似, 输出的特征图矩阵维度为 14 14, 通道数为 32 (7) 第七层 (batch2): 将此时得到的输出数据的每个维度进行归一化 (8) 第八层 (Relu2): 通过使用激活函数将上层网络转换至下层网络 (9) 第九层 (pool2): 过程与第五层池化层类似, 输出的特征图矩阵维度为 7 7, 通道数为 32 (1)

4 陈寿宏, 等 : 深度卷积神经网络胸片肺结节分类识别研究 218,54(24) 179 (2) 第二层 (cov1): 第一层输入层与第二层卷积层通过 64 个 5 5 卷积核相连接 (3) 第三层 (batch1): 在训练过程和测试过程中, 输入的分布不同, 会使网络模型训练速度过慢, 收敛性能变差, 而该网络层有效解决该问题并在每一个 mini batch 里, 对每个维度进行归一化 (4) 第四层 (Relu1): 通过使用激活函数得到卷积后的特征图矩阵维度为采用的激活函数为 Relu 函数 : y = ì (x ) í î x (x > ) (7) Relu 函数相比较其他激活函数, 在随机梯度下降中能够快速收敛 (5) 第五层 (pool1): 使用 2 2 的卷积核做最大池化, 其中步长设置为 2 此时输出的特征图矩阵维度为 14 14, 通道数为 16 (6) 第六层 (conv2): 过程与第二层卷积层类似, 输出的特征图矩阵维度为 14 14, 通道数为 32 (7) 第七层 (batch2): 将此时得到的输出数据的每个维度进行归一化 (8) 第八层 (Relu2): 通过使用激活函数将上层网络转换至下层网络 (9) 第九层 (pool2): 过程与第五层池化层类似, 输出的特征图矩阵维度为 7 7, 通道数为 32 (1) 第十层 (conv3): 过程与第二层卷积层类似输出的特征图矩阵维度为 7 7, 通道数为 16 (11) 第十一层 (batch3): 将此时得到的输出数据的每个维度进行归一化 (12) 第十二层 (Relu3): 通过使用激活函数将上层网络传递信息至下层网络 (13) 第十三层 (flat): 将第五层的所有神经元全连接, 将此时图像中的所有特征保存并完成分类 (14) 第十四层 (softmax1): 在训练网络与评估网络性能时, 将定义一个 softmax 层进行衡量与最后的分类 (15) 第十五层 (classify1): 添加该分类层, 能够保存用于训练网络的损失函数的名称, 适用于多类分类输出的大小和各个分类标签 [2] 同时将各个网络模型应用于手写体图像识别中 ( 如图 4 所示 ) 改进的网络模型相比于其他网络模型最优, 测试集准确率较高 Test Accuracy/% 图 4 各个网络模型的测试集准确率全连接网络 LeNet-3 AlexNet 本文改进的网络模型 3.5 图像分类本文主要对胸片中的肺结节进行分类识别, 通过以下几个指标对分类结果进行评估和测试分别是 : 准确率 (Accuracy) 召回率 (Recall) 精度 (Precision) 以及综合评价指标 (F1-measure) 其中: Accuracy = TP 1% (8) Total Samples Recall = TP 1% TP + FN (9) TN Precision = 1% TN + FP (1) F1-measure = 2 Recall Precision Recall + Precision (11) TP 表示分类正确的图片个数,Total Samples 代表总图片个数,TN 表示非肺结节图像被分类为非肺结节图像的个数,FN 表示表示肺结节图像被分类成非肺结节图像的个数,FP 表示非肺结节被分类为肺结节的图像个数 4 实验及结果在测试本算法时, 将图片数据集分成训练集与测试集训练集占图片数据集的 8%, 测试集占图片数据集的 2% 训练集与测试集中的图片均为随机获取并交叉验证, 使得分类结果更加具有说服力 4.1 CNN 训练分析卷积神经网络的训练过程, 如图 5 所示随着网络迭代次数的增加, 损失函数 Loss 值在不断降低, 直至损失函数 Loss 值降到并保持不变, 说明该网络结构的学习率选取较优, 使得每次迭代中成本函数最小化 ( 如图 5(a) 所示 ); 随着网络迭代次数的增加, 训练数据的准确率在不断上升, 直至接近 1% 并保持稳定, 说明神经 Loss Accuracy/% 图 (a)loss 变化过程 (b)train accuracy 变化过程肺结节分类时 CNN 训练过程

3 不同模型分类对比分析为了评价算法的有效性, 本文选取了一些在肺结节件下, 从而提升召回率而综合指标 (F1-measure) 被用来综合考虑精度与召回率, 在 F1-measure 较高时, 说明于其他算法 4.4 肺结节尺寸大小实验识别结果在检测胸片的肺结节时, 肺结节的尺寸大小以及明显程度同样需要实验分析本文通过使用公共数据库.85.

5 18 218,54(24) 网络结构较优, 未出现过拟合现象 ( 如图 5(b) 所示 ) 综上, 本文构建的网络结构较好, 更加适宜胸片肺结节的 Computer Engineering and Applications 分类实验方法是较理想的综上, 本文提出的的算法效果优 4.2 实验结果分析本文通过构建卷积网络结构, 对测试样本进行测试, 结果如图 6 所示随着网络训练次数的增加, 测试准确率不断提高直至保持不变时, 训练完成 Accuracy 4.3 不同模型分类对比分析为了评价算法的有效性, 本文选取了一些在肺结节件下, 从而提升召回率而综合指标 (F1-measure) 被用来综合考虑精度与召回率, 在 F1-measure 较高时, 说明于其他算法 4.4 肺结节尺寸大小实验识别结果在检测胸片的肺结节时, 肺结节的尺寸大小以及明显程度同样需要实验分析本文通过使用公共数据库.85.8 的评估系统, 根据肺结节的尺寸分为五大类, 分别是 : 尺寸 5 mm 以上 ( 很容易检出 ) 尺寸 4~5 mm( 容易检出 ) 尺寸 3~4 mm( 比较容易检出 ) 尺寸 2~.75 3 mm( 比较困难检出 ) 尺寸 1~2 mm( 困难检出 ).7 网络训练过程如图 7 所示通过使用该网络结构, 损失函数 Loss 值在不断降低, 直至 Loss 值降到并保持不变 ( 如图 7(a) 所示 ); 同时训练数据的准确率在不断上升, 直至接近 1% 并保持稳定 ( 如图 7(b) 所示 ) 综图 6 测试准确率的迭代过程上, 本文所构建的网络结构较适宜应用于胸片肺结节分图像分类中表现良好的算法与本文算法进行对比表 2 对比了其他传统已有的网络结构算法与改进的网络结构算法表 2 不同网络结构准确率对比类中 Loss 1..5 根据表 2 所示, 本文使用改进的网络结构得到准确率高于使用其他网络模型的算法, 在判断胸片中是否含有肺结节分类中具有一定的优势从而证明了改进网络结构的可行性网络结构全卷积神经网络 LeNet-3 LeNet-5 AlexNet 模型本文模型准确率 /% 针对肺结节分类算法, 传统算法包括支持向量机 (SVM) 算法 K- 近邻算法 (K- NN) [21] 人工神经网络 (ANN) 算法各算法对比如表 3 所示表 3 方法 SVM 算法 ANN 算法文献 [21] 本文算法各个算法准确率召回率精度比较 % 准确率召回率精度 F1-measure 根据表 3 所示, 医学图像的特征较为复杂, 在疾病的分类识别中存在着一定的困难本文提出的算法在准确率与精度指标上均有较优的效果, 均有一定的提高在一般情况下, 精度与召回率的大小是相互影响并成反比, 特别在疾病监测研究中, 通常在保证精度的条 Accuracy/% 图 (a)loss 变化过程 (b)train accuracy 变化过程通过使用本文网络结构, 得出识别率如表 4 所示表 4 等级很容易检出容易检出比较容易检出比较困难检出困难检出肺结节尺寸分类中 CNN 训练过程肺结节尺寸大小的识别率肺结节数识别数根据表 4 示, 尺寸 5 mm 以上的肺结节识别率较高当肺结节过小时, 识别率在 73% 以上识别率 /% 根据表 5 所示, 将各个算法与本文算法进行比较对比影像科医师在识别肺结节时, 识别率仅 44% [22] 文

6 陈寿宏, 等 : 深度卷积神经网络胸片肺结节分类识别研究 218,54(24) 181 献 [23] 与文献 [24] 的算法首先通过对胸片进行滑动窗口剪切, 然后再进行分类识别, 可能会使得胸片中的某些 its application for detecting lung nodules in chest radiographs[c]//6th 特征丢失, 对肺结节的检测带来一定的影响 ; 而本文算 International Conference on Biomedical 法保留了原始胸片的所有特征, 但由于图像特征的复杂性, 在一定程度上增加了实验的难度最终实验结果有效地提高了肺结节分类的识别率, 更加有利于医生对胸 Engineering and Informatics,213: [1] Ebrahimian H,Rijal O M,Noor N M,et al.phase congruency parameter estimation and discrimination abilityin detecting lung disease chest radiograph[c]//214 IEEE 片肺结节的精确诊断实验表明, 本文提出的算法在实 Conference on Biomedical Engineering and Sciences, 际生活中具有一定的应用价值, 并与其他算法相比较优 214:8-1. 表 5 各个算法的识别率比较 [11] 郑胤, 陈权崎, 章毓晋. 深度学习及其在目标和行为识别 5 结束语算法文献 [22] 算法文献 [23] 算法文献 [24] 算法本文算法识别率 /% 本文将胸片图像进行数据扩增和数据归一化结合卷积神经网络对胸片肺结节进行分类, 对比相关传统方法, 得到较优的分类效果同时本文未采用对胸片切割的方法, 保留了胸片特征的完整性, 更加有效地应用于实际诊断过程本文的算法可为医生诊断肺结节提供帮助, 提高医生的诊断效率, 同时降低了肺结节的误诊率参考文献 : [1] Sahiner B,Chan H P,Hadjiiski L M,et al.effect of CAD on radiologists detection of lung nodules on thoracic CT scans:analysis of an observer performance study by nodule size[j].academic Radiology,29,16(12): [2] 田娟秀, 刘国才, 谷珊珊, 等. 医学图像分析深度学习方法研究与挑战 [J]. 自动化学报,218,44(3): [3] 刘飞, 张俊然, 杨豪. 基于深度学习的医学图像识别研究进展 [J]. 中国生物医学工程学报,218,37(1): [4] May M.Life science technologies:big biological impacts from big data[j].science,214,344(6189): [5] 蒋涛. 深度学习在医学图像分析中的应用 [D]. 成都 : 电子科技大学,217. [6] 马杨林. 基于 SVM 的肺部 CT 图像特征提取及分类研究 [D]. 成都 : 西华大学,212. [7] Li Xuechen,Shen Linlin,Luo Suhuai.A solitary featurebased lung nodule detection approach for chest X- Ray radiographs[j].ieee Journal of Biomedical and Health Informatics,218,22(2): [8] Melendezt G P,Cordel M.Texture-based detection of lung pathology in chest radiographs using local binary patterns[c]//biomedical Engineering International Conference, 215. [9] Guo Haoyan,Cheng Yuanzhi,Wang Dazheng.A practical feature selection based on an optimalfeature subset and 中的新进展 [J]. 中国图象图形学报,214,19(2): [12] 张明月. 基于深度学习的图像分割研究 [D]. 长春 : 吉林大学,217. [13] 高扬, 卫峥. 白话深度学习与 TensorFlow[M]. 北京 : 机械工业出版社,217: [14] 刘欢, 邵蔚元, 郭跃飞. 卷积神经网络在验证码识别上的应用与研究 [J].,216,52(18):1-7. [15] Nair V,Hinton G E.Rectified linear units improve restricted Boltzmannmachine[C]//Proceedings of the 27th International Conference on Machine Learning,Haifa,Israel, 21: [16] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网络 [J]. 自动化学报,216,42(9): [17] 周志华. 机器学习 [M]. 北京 : 清华大学出版社,216: [18] Shiraishi J,Katsuragawa S,Ikezoe J.Development of a digital image database for chest radiographs with and without a lung nodule:receiver operating characteristic analysis of radiologists detection of pulmonary nodules[j].american Journal of Roentgenology,2,174(1): [19] 朱浩栋, 陈瑛, 章鲁. 医学图像灰度归一化方法研究 [J]. 国际生物医学工程杂志,26,29(3): [2] Lecun Y,Bottou L,Bengio Y,et al.gradient-based learning applied to document recognition[j].proceedings of the IEEE,1998,86(11): [21] Joykutty B,Satheeshkumar K G,Samuvel B.Automatic tuberculosis detection using adaptive thresholding in chest radiographs[c]//international Conference on Emerging Technological Trends,216:1-7. [22] Schilham A M R,Van Ginneken B,Loog M.A computeraided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database[j].medical Image Analysis,26,1(2): [23] Chen S,Suzuki K.Computerized detection of lung nodules by means of Virtual Dual-Energy radiography[j]. IEEE Transactions on Biomedical Engineering,213,6 (2): [24] 朱国策, 李朝锋. 基于卷积神经网络的胸片肺结节检测 [J]. 传感器与微系统,217,36(12):

报告 1: 郑斌教授, 美国俄克拉荷马大学医学图像特征分析与癌症风险评估方法摘要 : 准确的评估癌症近期发病风险和预后或者治疗效果是发展和建立精准医学的一个重要前

报告 1: 郑斌教授, 美国俄克拉荷马大学医学图像特征分析与癌症风险评估方法摘要 : 准确的评估癌症近期发病风险和预后或者治疗效果是发展和建立精准医学的一个重要前东北大学中荷生物医学与信息工程学院 2016 年度生物医学与信息工程论坛会议时间 2016 年 6 月 8 日, 星期三,9:30 至 16:00 会议地址会议网址主办单位东北大学浑南校区沈阳市浑南区创新路 195 号生命科学大楼 B 座 619 报告厅 http://www.bmie.neu.edu.cn