张 丽 强 彦 张小龙 王三虎

1(太原理工大学计算机科学与技术学院 山西 太原 030024)2(宾夕法尼亚州立大学信息科学与技术学院 宾西法尼亚州 尤尼弗西蒂帕克 16802)3(吕梁学院计算机科学与技术系 山西 吕梁 033000)

0 引 言

肺癌已成为全世界发病率与致死率最高的恶性肿瘤之一[1]。肺癌死亡率逐年增高的最主要原因是其早期的病变特征不易被发现，一经确诊，治愈率很低。计算机辅助诊断(CAD)系统[2]能通过帮助放射科医师做出正确的分类决策并降低手动读取扫描所产生的成本，显著提高基于计算机断层扫描(CT)的筛查程序的可行性。本文应用基于同步深度监督的多尺度肺结节分类方法显著提高了CAD系统决策的准确率。

1 相关工作

计算机辅助诊断方法在肺癌早期筛查中发挥着重要作用。Li等[3]提出了一种改进的随机森林(RF)算法用于肺结节良恶性分类，在LIDC数据集上达到了0.90的准确率，这是传统的计算机辅助诊断方法。近年来，深度学习已经成功应用于语音识别、图像识别[4-6]等领域，在医学图像处理中深度学习技术也得到广泛的应用[7-8]，其中卷积神经网络(CNN)在肺部医学图像处理中取得一定的研究成果，使用CNN的一个显著优点是它们不需要从图像中手工提取任何类型的特征，而是直接从数据中学习辨别特征。Shen等[9]使用2层卷积神经网络在不同尺度的多个结节上成功地对恶性肺结节进行分类。Ciompi等[10]使用现有的预训练CNN(称为OverFeat[11]，具有8个加权层)对周围结节进行分类。……