唐思源，刘燕茹，杨 敏

(内蒙古科技大学包头医学院，内蒙古 包头 014040)

CT是检查肺部疾病的重要影像学方法之一，精确检出病变是诊断的关键[1]。深度学习(deep learning， DL)在计算机视觉领域的突破[2]带动了其在医学图像处理方向的应用，其中卷积神经网络(convolutional neural network， CNN)是较好的网络模型，无需人工设计，可根据现有数据自动学习并提取图像特征，适用于处理大数据量医学图像[3]。为解决人工标注数据困难的问题，本研究引入迁移学习[4]辅助检测肺结节，并提出基于迁移学习的多尺度3D CNN检测肺结节方案，以三维空间信息提取并生成更具有代表性的特征，利用多尺度结构检测肺结节，构建多尺度特征检测模型，提升网络特征的表达能力。

1 设计与方法

综合采用多种方法分割肺实质区域。①粗分割出胸腔轮廓区域；②重建肺气管，去除与肺实质相连的主气管和支气管；③判别左、右肺相连情况，分离左、右肺；④修复肺区边界，完整分割肺实质。提取三维候选结节ROI：①为避免受噪声影响而遗漏肺结节，采用阈值法对肺实质区进行二值化；②利用几何特征(面积、体积及最大直径)提取候选结节；③采用公式(1)提取三维候选结节：

ω=V(x-16：x+15，y-16：y+15，z-4：z+3)

(1)

式中ω为提取的三维候选结节，V为肺实质灰度数据，x，y，z为候选结节质心坐标。检测流程见图1。

为减少肺部其他组织对实验结果带来的干扰，根据XML文件中对肺结节位置的标注信息，将含有肺结节的512×512×512原始CT图像裁剪成128×128×128图像。

1.1 多尺度3D CNN 网络传递时，经过层数越多，输入信息和梯度信息的影响力越小，易出现梯度消失现象，可通过缩短初始输入与损失函数之间的连接距离加以解决。……