深度學(xué)習(xí)方法
-
單圖識(shí)別
方法簡(jiǎn)介
類(lèi)同于MINST圖像的識(shí)別，將CT圖像分解為64x64大小的圖像，根據(jù)醫(yī)生標(biāo)注，若圖像塊中包含結(jié)節(jié)的中心點(diǎn)(centroid)，則認(rèn)為有結(jié)節(jié)，否則就沒(méi)有。
Model
單圖識(shí)別
-
Input layer：
64x64 images
標(biāo)準(zhǔn)化，取值范圍0~1。原始圖像的范圍為 -1024 ~ 3072(有超出部分則取值為3072)
-
Layer 1:5x5 convolutional：
2x2 max pooling
24 feature map
-
Layer 2:3x3 convolutional：
2x2 max pooling
32 feature map
-
Layer 3:3x3 convolutional：
2x2 max pooling
48 feature map
-
Output layer, full connected：
16 neurons input
2 neurons output
-
多圖識(shí)別
方法簡(jiǎn)介
對(duì)于肺結(jié)節(jié)的識(shí)別來(lái)說(shuō)，結(jié)節(jié)在單張CT圖像中是一個(gè)圓形，而真實(shí)世界中，結(jié)節(jié)可以認(rèn)為是三維立體的類(lèi)球體，所以如果可以用三維圖形來(lái)識(shí)別，應(yīng)該會(huì)提高識(shí)別的準(zhǔn)確率。
Model
多圖識(shí)別
