一种用于肺结节恶性度分类的生成对抗网络

doi:10.12068/j.issn.1005-3026.2018.11.008

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (11): 1556-1561.DOI: 10.12068/j.issn.1005-3026.2018.11.008

一种用于肺结节恶性度分类的生成对抗网络

徐久强，洪丽萍，朱宏博，赵海

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2017-07-31 修回日期:2017-07-31 出版日期:2018-11-15 发布日期:2018-11-09
通讯作者: 徐久强
作者简介:徐久强(1966- )，男，辽宁北镇人，东北大学教授；赵海(1959 -)，男，辽宁沈阳人，东北大学教授，博士生导师.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家科技支撑计划项目(2012BAH82F04).

Generative Adversarial Networks for the Classification of Lung Nodules Malignant

XU Jiu-qiang， HONG Li-ping， ZHU Hong-bo， ZHAO Hai

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Received:2017-07-31 Revised:2017-07-31 Online:2018-11-15 Published:2018-11-09
Contact: HONG Li-ping
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对肺结节数据集中良恶性样本数比例失衡的问题，首次引入深度卷积生成对抗网络(deep convolutional generative adversarial networks，DCGAN)模型，该模型根据输入的肺结节图像，生成与输入图像具有相似纹理特征的肺结节并将生成图像用于训练DCGAN模型.此外，将图像来源分类问题改为图像来源分类和肺结节等级1~5分类问题，从而增强了DCGAN模型的抗噪能力和实现了DCGAN模型对肺结节的等级分类.实验表明，改进的DCGAN中G模型在生成图像时具有良好的抗噪能力且生成图像中大约有90.42%的图像判别为真实图像，D模型对肺结节图像的等级分类具有较好的判别能力且肺结节等级分类准确率为70.89%，肺结节良恶性分类准确率为80.13%.

关键词: 肺结节, 深度卷积生成对抗网络(DCGAN), 纹理特征, 改进DCGAN, 肺结节等级分类

Abstract: In order to solve the proportion of benign and malignant lung nodule， a novel model named deep convolutional generative adversarial networks(DCGAN) was introduced. The model generates lung nodule images with similar texture feature from the input lung nodules images， and then using them to train the DCGAN model. In addition， the classification of image source is changed to the classification of image source and lung nodules grade 1~5. thus， the noise immunity of DCGAN model is enhanced and the classification of lung nodules by DCGAN model is realized. Experiments show that the model G in improved DCGAN enhances the performance of anti-noise capability with 90.42% images are distinguished true images when it generating images， and the model D has a good discriminant ability for the classification of lung nodule images and the classification accuracy of lung nodules is 70.89%， the recognition rate of malignant lung nodules is 80.13%.

Key words: lung nodules, DCGAN (deep convolutional generative adversarial networks), texture feature, improved DCGAN, lung nodules rank classification

中图分类号:

TP391

徐久强，洪丽萍，朱宏博，赵海. 一种用于肺结节恶性度分类的生成对抗网络[J]. 东北大学学报:自然科学版, 2018, 39(11): 1556-1561.

XU Jiu-qiang， HONG Li-ping， ZHU Hong-bo， ZHAO Hai. Generative Adversarial Networks for the Classification of Lung Nodules Malignant[J]. Journal of Northeastern University Natural Science, 2018, 39(11): 1556-1561.

参考文献

[1]Jemal A，Bray F，Center M M，et al.Global cancer statistics［J］.Cancer Journal for Clinicians，2011，61(2):59-90.
[2]Hoffman P C，Mauer A M，Vokes E E.Lung cancer［J］.Lancet，2000，355(9202):479-485.
[3]Kumar D，Wong A，Clausi D A.Lung nodule classification using deep features in CT images［C］// Conference on Computer and Robot Vision.New York:IEEE Computer Society，2015:133-138.
[4]Jing Z，Li B，Tian L.Lung nodule classification combining rule-based and SVM［C］//IEEE Fifth International Conference on Bio-Inspired Computing:Theories and Applications.New York:IEEE，2010:1033-1036.
[5]Hua K L，Hsu C H，Hidayati S C，et al.Computeraided classification of lung nodules on computed tomography images via deep learning technique［J］.Oncotargets and Therapy，2015，8(1):2015-2022.
[6]Ciompi F，De H B，van Riel S J，et al.Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box［J］.Medical Image Analysis，2015，26(1):195-202.
[7]Goodfellow I J，Pouget-Abadie J，Mirza M，et al.Generative adversarial nets［J］.Advances in Nevral Information Processing Systems，2014，3(1):2672-2680.
[8]Radford A，Metz L，Chintala S.Unsupervised representation learning with deep convolutional generative adversarial networks［J］.Computer Science，2015，1(1):1-19.
[9]向子云，史长征，周洁，等.肺结节CT图像纹理特征的初步研究［J］.CT理论与应用研究，2013，22(1):155-160.(Xiang Zi-yun，Shi Chang-zheng，Zhou Jie，et al.Application of gray-scale texture feature in the diagnosis of pulmonary nodules on CT imaging［J］.Computerized Tomography Theory and Applications，2013，22(1):155-160.)
[10]Golan R，Jacob C，Denzinger J.Lung nodule detection in CT images using deep convolutional neural networks ［C］// International Joint Conference on Neural Networks.New York:IEEE，2016:243-250..
[11]Odena A，Olah C，Shlens J.Conditional image synthesis with auxiliary classifier GANs［C］//Proceedings of the 34th International Conference on Machine Learning. Sydney，2017:1-12.
[12]Messay T，Hardie R C，Tuinstra T R.Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the lung image database consortium and image database resource initiative dataset［J］.Medical Image Analysis，2015，22(1):48-62.

[1]	罗家健，冯宝，陈相猛，顾正晖. 基于生成对抗网络的肺结节良恶性诊断算法[J]. 东北大学学报（自然科学版）, 2022, 43(1): 24-32.
[2]	魏国辉，齐守良，钱唯，张魁星. 基于相似性度量的肺结节图像检索算法[J]. 东北大学学报:自然科学版, 2018, 39(9): 1226-1231.
[3]	赵海，杨婷婷，朱宏博，窦圣昶. 一种基于ARG的肺结节良恶性度判定方法[J]. 东北大学学报:自然科学版, 2018, 39(7): 942-948.
[4]	王彬，赵海，朱宏博，朴春赫. 基于CT图像3D特征的肺结节检测[J]. 东北大学学报:自然科学版, 2018, 39(2): 181-185.
[5]	窦圣昶，赵海，朱宏博，王彬. 修正与融合的肺部分割算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1562-1566.
[6]	朴春赫，曹鹏，赵海，朱宏博. 基于CV模型与改进ME模型的肺癌检测算法[J]. 东北大学学报:自然科学版, 2017, 38(5): 639-644.
[7]	崔兆华，张萍，李洪军，高立群. 融合结构特征的增强型FCM图像分割算法[J]. 东北大学学报(自然科学版), 2013, 34(7): 922-925.
[8]	依玉峰;高立群;郭丽;. 一种基于改进随机游走的肺结节分割方法[J]. 东北大学学报(自然科学版), 2012, 33(3): 318-322.
[9]	裴晓敏;郭宏宇;戴建平;. 融合像素空间信息及加权模糊聚类的肺结节识别[J]. 东北大学学报(自然科学版), 2010, 31(9): 1250-1253.
[10]	栾国欣;魏颖;薛定宇;. 一种改进的边界法向量叠加疑似肺结节提取[J]. 东北大学学报(自然科学版), 2010, 31(8): 1078-1081.
[11]	刘阳;赵大哲;刘积仁;. 基于K-L变换和支持向量机的三维肺结节识别[J]. 东北大学学报(自然科学版), 2009, 30(9): 1249-1252.
[12]	贾同;孟琭;赵大哲;王旭;. 基于CT图像的自动肺实质分割方法[J]. 东北大学学报(自然科学版), 2008, 29(7): 965-967+975.
[13]	张刚;马宗民;邓立国;蔡志平;. 基于内容图像检索中针对显著方向的有向滤波器[J]. 东北大学学报(自然科学版), 2007, 28(7): 978-981.

一种用于肺结节恶性度分类的生成对抗网络

Generative Adversarial Networks for the Classification of Lung Nodules Malignant

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics

本文评价