多任務(wù)自主學(xué)習(xí)的肺癌診斷方法

張 翔,陳 欣

(浙江師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,浙江 金華 321004)

0 概述

根據(jù)世界衛(wèi)生組織2016年發(fā)布的報(bào)告,全球癌癥患者數(shù)量急據(jù)增加,其中,肺癌的全球發(fā)病率和死亡率均居第一位[1],嚴(yán)重威脅人類健康。肺癌患者的5年存活率僅為17%,若及早發(fā)現(xiàn)和治療,其5年存活率可提升至55%[2]。

肺癌早期通常表現(xiàn)為肺結(jié)節(jié),在臨床診斷中,肺結(jié)節(jié)是指直徑小于4 cm的肺實(shí)質(zhì)區(qū)域內(nèi)的類圓形病灶,其中,直徑大于1 cm小于3 cm的稱為小結(jié)節(jié),直徑小于1 cm的稱為微結(jié)節(jié)[3],而病灶直徑大于4 cm的部分稱為肺腫塊。在臨床上一般認(rèn)為,體積較大,表面相對(duì)不光滑、有毛刺,且生長(zhǎng)較快的結(jié)節(jié),其為惡性的概率較大[4]。

隨著影像技術(shù)的快速發(fā)展,肺部腫塊的早期診斷率不斷提高。研究發(fā)現(xiàn),在438個(gè)肺腫塊病例中,惡性率高達(dá)86.5%[5]。LIDC-IDRI數(shù)據(jù)集中的注釋結(jié)節(jié)直徑均小于3 cm,因此需結(jié)合肺腫塊和肺結(jié)節(jié)兩種病灶特征進(jìn)行肺癌的輔助診斷。

近年來,以深度學(xué)習(xí)為代表的人工智能技術(shù)在計(jì)算機(jī)視覺[6-7]、自然語言處理和基因組學(xué)等領(lǐng)域不斷突破,取得了一系列前所未有的成就。研究表明,深度卷積神經(jīng)網(wǎng)絡(luò)能夠利用自身結(jié)構(gòu)的特性有效地提取醫(yī)學(xué)圖像中的感興趣區(qū)域,對(duì)病灶進(jìn)行良惡性判斷分類。

然而深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練往往需要大規(guī)模的標(biāo)注數(shù)據(jù),文獻(xiàn)[8]采用6萬張MNIST數(shù)據(jù)集的圖像訓(xùn)練Capsules網(wǎng)絡(luò)模型,文獻(xiàn)[9]利用130萬張ILSVRC數(shù)據(jù)集圖像訓(xùn)練VGG網(wǎng)絡(luò),從而進(jìn)行分類實(shí)驗(yàn),文獻(xiàn)[10]利用128萬張ImageNet圖像訓(xùn)練ResNet網(wǎng)絡(luò)。在實(shí)際任務(wù)中,標(biāo)注數(shù)據(jù)集,特別是醫(yī)療影像數(shù)據(jù)集的獲取成本較高。針對(duì)該問題,文獻(xiàn)[11]利用半監(jiān)督階梯網(wǎng)絡(luò)分割肝臟CT圖像,文獻(xiàn)[12]通過半監(jiān)督Co-Forest算法檢測(cè)肺結(jié)節(jié),文獻(xiàn)[13]則將半監(jiān)督Adapted Mean Teacher模型用于腦損傷分割。

針對(duì)醫(yī)療影像標(biāo)注數(shù)據(jù)集稀少,而存在大量未標(biāo)記數(shù)據(jù)集的實(shí)際問題,本文提出一種多任務(wù)自主學(xué)習(xí)的肺癌診斷方法。采用C3D網(wǎng)絡(luò)模型以及多任務(wù)學(xué)習(xí)方式對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)和評(píng)估,通過半監(jiān)督方法訓(xùn)練肺腫塊檢測(cè)模型,結(jié)合肺結(jié)節(jié)和肺腫塊的檢測(cè)結(jié)果預(yù)測(cè)患者是否患肺癌。

1 相關(guān)工作

1.1 多任務(wù)學(xué)習(xí)

目前,大多數(shù)機(jī)器學(xué)習(xí)任務(wù)為單任務(wù)學(xué)習(xí),在處理復(fù)雜問題時(shí),常將其分解為多個(gè)子問題進(jìn)行處理,最后直接合并各個(gè)子問題的結(jié)果,而忽略了它們之間的相關(guān)性。文獻(xiàn)[14]在結(jié)腸癌分類問題中提出利用多任務(wù)學(xué)習(xí)提取圖像特征。多任務(wù)學(xué)習(xí)將多個(gè)相關(guān)的任務(wù)放在一起學(xué)習(xí),并通過一個(gè)淺層的共享表示來相互分享、補(bǔ)充已學(xué)習(xí)到的相關(guān)信息,從而提升泛化能力。假設(shè)有N個(gè)監(jiān)督任務(wù),則每個(gè)監(jiān)督任務(wù)的訓(xùn)練集為Dn=(xin,yin),其中,i=1,2,…,kn,kn表示第n個(gè)任務(wù)的訓(xùn)練樣本數(shù)量[15]。在多任務(wù)學(xué)習(xí)中,xin∈X(n)和yin∈Y(n),因此需進(jìn)行最小化,具體如下:

(1)

多任務(wù)學(xué)習(xí)也可與深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行結(jié)合。文獻(xiàn)[16]將深度關(guān)系網(wǎng)絡(luò)用于機(jī)器視覺的多任務(wù)場(chǎng)景,以AlexNet為骨干網(wǎng)絡(luò)的多線性網(wǎng)絡(luò)在Office-Caltech數(shù)據(jù)集中的平均精度達(dá)到95.5%,文獻(xiàn)[17]利用多任務(wù)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉鑒別、認(rèn)證鑒別及其屬性分類,文獻(xiàn)[18]在低層次監(jiān)督中通過多任務(wù)學(xué)習(xí)使得不同任務(wù)在不同層次執(zhí)行。

1.2 自主學(xué)習(xí)

在實(shí)際應(yīng)用中,在醫(yī)學(xué)影像數(shù)據(jù)集上標(biāo)注大量的病灶信息較為困難,導(dǎo)致可用于訓(xùn)練學(xué)習(xí)的醫(yī)學(xué)影像標(biāo)注數(shù)據(jù)稀少,因此,需要充分利用其他的未標(biāo)記樣本。本文引入半監(jiān)督的自主學(xué)習(xí)方法,利用較少的標(biāo)注數(shù)據(jù)集以及大量的未標(biāo)注數(shù)據(jù)訓(xùn)練改進(jìn)的U-Net模型,從而構(gòu)建肺腫塊檢測(cè)模型。

U-Net是一種用于圖像分割的網(wǎng)絡(luò)模型[19],其U形結(jié)構(gòu)由收縮路徑和擴(kuò)張路徑兩部分組成,其中,收縮路徑可以有效提取圖像的上下文信息,而擴(kuò)張路徑可預(yù)測(cè)位置信息。

自主學(xué)習(xí)方法的訓(xùn)練思路如算法1所示。將少量標(biāo)注數(shù)據(jù)集作為訓(xùn)練集訓(xùn)練檢測(cè)模型,然后從未標(biāo)注數(shù)據(jù)集中,隨機(jī)選擇少量數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)集,利用已訓(xùn)練的檢測(cè)模型對(duì)其進(jìn)行檢測(cè),并將原數(shù)據(jù)與預(yù)測(cè)結(jié)果成對(duì)加入訓(xùn)練集中,重復(fù)上述過程,直至未標(biāo)注數(shù)據(jù)集為空。

算法1自主學(xué)習(xí)算法

輸入標(biāo)注數(shù)據(jù)(XTure,YTure),未標(biāo)注數(shù)據(jù)Xu,訓(xùn)練模型f

輸出模型f

for x in Xudo

Predict on x ∈ Xu

Add(x,f(x))to labeled data

Retrain model f

end

2 數(shù)據(jù)集及預(yù)處理

2.1 數(shù)據(jù)集

本文使用LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集進(jìn)行模型訓(xùn)練。LUNA16數(shù)據(jù)集由LIDC-IDRI數(shù)據(jù)集轉(zhuǎn)化而來,其包含888個(gè)病例,并由3名經(jīng)驗(yàn)豐富的放射科醫(yī)師對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注,共標(biāo)注1 186個(gè)結(jié)節(jié)。DSB數(shù)據(jù)集的標(biāo)簽為一個(gè)二值標(biāo)簽,表示是否為肺癌,其中,訓(xùn)練集共有1 095個(gè)病例,測(cè)試集共有500個(gè)病例。由于兩個(gè)數(shù)據(jù)集的標(biāo)簽差異過大,因此只對(duì)部分DSB數(shù)據(jù)集進(jìn)行人工標(biāo)注,共標(biāo)注了769個(gè)病例。此外,LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集的病灶直徑分布也存在較大的差異[20]。在LUNA16數(shù)據(jù)集中,其結(jié)節(jié)多為小結(jié)節(jié)(或微結(jié)節(jié)),直徑的平均值為8.31 mm,而在DSB數(shù)據(jù)集中存在大量的腫塊,平均直徑為13.68 mm。針對(duì)該問題,本文對(duì)DSB數(shù)據(jù)集中的肺腫塊病灶構(gòu)建相應(yīng)的腫塊檢測(cè)模型。

2.2 數(shù)據(jù)預(yù)處理及訓(xùn)練集構(gòu)建

2.2.1 預(yù)處理

DSB數(shù)據(jù)集中不包含切片厚度信息,根據(jù)數(shù)據(jù)提供方Kaggle的介紹,該數(shù)據(jù)集的切片厚度均小于3 mm。為了對(duì)切片圖像進(jìn)行重采樣操作,需利用數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)計(jì)算切片厚度,并將其添加至DSB數(shù)據(jù)集中。

將所有原始CT圖像轉(zhuǎn)換為CT值表示的圖像,其中CT值也稱為亨氏單位(Hounsfield Unit,HU),是各組織與X線衰減系數(shù)相當(dāng)?shù)膶?duì)應(yīng)值,其計(jì)算公式如下:

HHU=p×s+i

(2)

其中,p表示切片圖像的像素值,s和i分別表示切片圖像的斜率和截距。

本文的數(shù)據(jù)預(yù)處理主要分為以下3個(gè)部分:

1)重采樣

為確保每一張CT圖像中的體素相同,需對(duì)CT圖像進(jìn)行重采樣,填充Z軸的數(shù)據(jù)信息。本文使用雙線性插值算法,將CT圖像的體素確定為1 mm3。同時(shí)在預(yù)處理過程中,需確保切片方向相同,如若不同,則對(duì)該切片進(jìn)行相應(yīng)的仿射變換。

2)肺部掩膜提取

對(duì)于掩膜的提取,首先需對(duì)切片進(jìn)行邊緣標(biāo)注,然后通過腐蝕和膨脹得到肺部部分掩膜,并將其以灰度圖的方式保存,便于后期構(gòu)建相應(yīng)的訓(xùn)練集。

3)二值化

對(duì)重采樣后的切片進(jìn)行二值化操作,閾值設(shè)定為-1 000和+400。其中,大于+400的部分置為1,小于-1 000的部分置為0。

2.2.2 訓(xùn)練集構(gòu)建

本文訓(xùn)練集主要包括結(jié)節(jié)檢測(cè)模型的訓(xùn)練集和腫塊檢測(cè)模型的訓(xùn)練集。

1)結(jié)節(jié)檢測(cè)模型訓(xùn)練集

LUNA16數(shù)據(jù)集的注釋文件由結(jié)節(jié)注釋文件、無關(guān)注釋文件和假陽性結(jié)節(jié)注釋文件3個(gè)部分組成,而LIDC-IDRI數(shù)據(jù)集的注釋文件主要為正例注釋文件。其中,LUNA16中的無關(guān)注釋文件中包含非結(jié)節(jié)、直徑小于3 mm的結(jié)節(jié)和由1名或2名放射科醫(yī)生注釋的結(jié)節(jié)。

結(jié)節(jié)檢測(cè)模型的訓(xùn)練集構(gòu)建分為以下2個(gè)步驟:

步驟1利用LIDC-IDRI數(shù)據(jù)集和LUNA16數(shù)據(jù)集的注釋文件,生成構(gòu)建結(jié)節(jié)檢測(cè)模型的訓(xùn)練集所需的注釋文件,其主要包含結(jié)節(jié)直徑大小和惡性程度信息。

步驟2根據(jù)上一步生成的注釋文件以及DSB數(shù)據(jù)集的手注文件,分別將LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集中的CT圖像切割為8×8×8大小的小三維圖像,并將小三維圖像組合成64×64×64大小的三維圖像。為了將圖像數(shù)據(jù)快速輸入至結(jié)節(jié)檢測(cè)模型,平鋪重新組合成的三維圖像并以PNG格式保存至本地。

2)腫塊檢測(cè)模型訓(xùn)練集

腫塊檢測(cè)模型的訓(xùn)練集來自DSB大賽中第二名獲獎(jiǎng)?wù)咚峁┑姆文[塊數(shù)據(jù)集。該數(shù)據(jù)共有1 264張切片圖像,其中包含411張DSB數(shù)據(jù)集的切片圖像、800張LUNA16數(shù)據(jù)集的切片圖像和53張其他數(shù)據(jù)集的切片圖像,每張圖像都有對(duì)應(yīng)的肺腫塊掩膜圖像。

在半監(jiān)督訓(xùn)練策略中,剔除53張其他數(shù)據(jù)集的切片圖像,從LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集的切片圖像中分別隨機(jī)挑選165張和161張作為初始訓(xùn)練數(shù)據(jù)集,數(shù)據(jù)集的標(biāo)簽即為肺腫塊掩膜圖像。

3 模型構(gòu)建

本文模型主要包括結(jié)節(jié)檢測(cè)模型和腫塊檢測(cè)模型2個(gè)部分。

3.1 結(jié)節(jié)檢測(cè)模型

在結(jié)節(jié)檢測(cè)模型的訓(xùn)練集構(gòu)建過程中,三維圖像的大小為64×64×64,為了網(wǎng)絡(luò)能夠?qū)W習(xí)到更為精確的特征,將三維圖像縮小至32×32×32。然后,對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行圖像增強(qiáng)處理以避免過擬合問題。

結(jié)節(jié)檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。輸入數(shù)據(jù)首先經(jīng)過平均池化層,池化大小為2×1×1,步長(zhǎng)為2×1×1,對(duì)三維圖像的Z軸進(jìn)行下采樣操作。由于Z軸數(shù)據(jù)較為粗糙,因此下采樣操作并不會(huì)對(duì)網(wǎng)絡(luò)模型提取圖像特征造成影響,反而減少了網(wǎng)絡(luò)的參數(shù)量,加快了網(wǎng)絡(luò)訓(xùn)練速度。然后,數(shù)據(jù)傳輸至2個(gè)3D卷積層,卷積核大小均為3×3×3,padding大小為1,步長(zhǎng)為1,濾波數(shù)分別為64和128。在2個(gè)3D卷積層后均跟隨一個(gè)最大池化層,池化大小分別為1×2×2和2×2×2,步長(zhǎng)分別為1×2×2和2×2×2。其后為2個(gè)3D卷積層,每個(gè)卷積層由2個(gè)3D卷積級(jí)聯(lián)而成,卷積核大小均為3×3×3,padding大小為1,步長(zhǎng)為1,但兩者的濾波數(shù)分別為256和512。在每個(gè)3D卷積層之后均跟隨一個(gè)最大池化層,池化大小均為2×2×2,步長(zhǎng)為2×2×2。在這之后是一個(gè)卷積核大小為1×1×1的3D卷積層,其濾波數(shù)為64,padding大小為0。最后一層由2個(gè)卷積核大小為1×1×1的3D卷積層并行構(gòu)成,其中,一個(gè)3D卷積層的輸出作為結(jié)節(jié)評(píng)估預(yù)測(cè)值,其激活函數(shù)為Sigmoid函數(shù),另一個(gè)3D卷積層的輸出為疑似結(jié)節(jié)位置坐標(biāo)及直徑大小,其不使用任何激活函數(shù)。模型中其余3D卷積層的激活函數(shù)均為ReLU函數(shù)。

由于C3D網(wǎng)絡(luò)模型為多任務(wù)學(xué)習(xí)模型,因此在結(jié)節(jié)檢測(cè)學(xué)習(xí)任務(wù)中,其損失函數(shù)為二元分類交叉熵(C1),而在結(jié)節(jié)惡性評(píng)估學(xué)習(xí)任務(wù)中,其損失函數(shù)為平方絕對(duì)誤差(C2)。網(wǎng)絡(luò)的總損失函數(shù)如式(3)所示。

L=C1+C2

(3)

3.2 腫塊檢測(cè)模型

腫塊檢測(cè)模型的輸入數(shù)據(jù)為320像素×320像素的2D切片圖像,并對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)的相關(guān)操作。該模型基于改進(jìn)的U-Net網(wǎng)絡(luò)模型構(gòu)建而成,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 腫塊檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)

腫塊檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)由收縮路徑和擴(kuò)張路徑兩部分組成。收縮路徑上的網(wǎng)絡(luò)模塊均由2個(gè)卷積層、1個(gè)最大池化層(2×2)和1個(gè)BN層構(gòu)成。擴(kuò)張路徑的網(wǎng)絡(luò)模塊由2個(gè)卷積層開始,然后進(jìn)行一次上采樣操作,并與收縮路徑上相應(yīng)的網(wǎng)絡(luò)層融合,最后通過BN層和2個(gè)卷積層,所有卷積核大小均為3×3。其中,在圖2擴(kuò)張路徑中的dropout設(shè)置為0.35,以避免因數(shù)據(jù)集過小造成的過擬合問題。網(wǎng)絡(luò)模型的損失函數(shù)為Dice相似度系數(shù)(Dice Similarity Coefficient,DSC)。當(dāng)DSC值取最大值時(shí),表明該模型的分割準(zhǔn)確率最高,其數(shù)學(xué)形式化定義如式(4)所示。

(4)

其中,yt表示真值,yp表示預(yù)測(cè)值,Ssmooth表示平滑參數(shù)。

4 模型訓(xùn)練

本文共訓(xùn)練了2個(gè)版本的結(jié)節(jié)檢測(cè)模型,其中一個(gè)版本僅使用LUNA16數(shù)據(jù)集訓(xùn)練(v1),另一個(gè)版本則利用DSB數(shù)據(jù)集和LUNA16數(shù)據(jù)集進(jìn)行訓(xùn)練(v2)。這2個(gè)版本的模型均用于肺癌診斷,其網(wǎng)絡(luò)學(xué)習(xí)率為0.001,批次大小為8,優(yōu)化器采用隨機(jī)梯度下降算法(Stochastic Gradient Descent,SGD),動(dòng)量設(shè)置為0.9,迭代次數(shù)為200次。

肺腫塊檢測(cè)模型的訓(xùn)練分為以下2個(gè)階段:

1)初始階段:將LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集分開訓(xùn)練,直至將各數(shù)據(jù)集中所有未標(biāo)注數(shù)據(jù)擴(kuò)充至訓(xùn)練集中。此階段的網(wǎng)絡(luò)學(xué)習(xí)率為1×10-5,優(yōu)化器采用Adam,DSC的平滑參數(shù)設(shè)為1。

2)融合階段:將2個(gè)數(shù)據(jù)集融合后對(duì)肺腫塊檢測(cè)模型進(jìn)行訓(xùn)練。在訓(xùn)練過程中,不使用dropout,DSC的平滑參數(shù)為100,學(xué)習(xí)率為0.001,優(yōu)化器為具有動(dòng)量的SGD,其動(dòng)量為0.9。

在半監(jiān)督訓(xùn)練過程中,每次從未標(biāo)注數(shù)據(jù)集中隨機(jī)選取5張切片圖像擴(kuò)充樣本,這是因?yàn)檫x取的切片圖像數(shù)過大會(huì)導(dǎo)致學(xué)習(xí)曲線不收斂,且驗(yàn)證集上的DSC值方差較大。在模型訓(xùn)練過程中,迭代次數(shù)均為200次,批次大小均為8。

本文在肺癌預(yù)測(cè)階段使用精度和交叉熵[21]2個(gè)評(píng)價(jià)指標(biāo)。精度的計(jì)算公式如下:

(5)

其中,f(·)表示預(yù)測(cè)值,y表示真值,1(·)表示指示函數(shù),m表示數(shù)據(jù)個(gè)數(shù)。

5 實(shí)驗(yàn)結(jié)果與分析

在本文自主學(xué)習(xí)訓(xùn)練方法的初始階段,165張LUNA16數(shù)據(jù)集的切片圖像的一次訓(xùn)練結(jié)果如圖3(a)所示,經(jīng)過十折交叉驗(yàn)證后,DSC平均值為75%。圖3(b)表示直接將切片圖像用于肺腫塊網(wǎng)絡(luò)模型訓(xùn)練的結(jié)果,可以看出,其最終無法收斂且DSC值方差較大。將161張DSB數(shù)據(jù)集的切片圖像分別基于自主學(xué)習(xí)和通用深度學(xué)習(xí)訓(xùn)練模型,其訓(xùn)練結(jié)果如圖4所示。經(jīng)十折交叉驗(yàn)證后,初始模型訓(xùn)練的DSC平均值為87%,若直接將DSB數(shù)據(jù)集的切片圖像用于最后的肺腫塊網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,其無法收斂且DSC值方差較大。

圖3 LUNA16數(shù)據(jù)集初始階段的訓(xùn)練結(jié)果

Fig.3 Training results of the LUNA16 dataset at the initial stage

圖4 DSB數(shù)據(jù)集的訓(xùn)練結(jié)果

800張LUNA16數(shù)據(jù)集的切片圖像和400張DSB數(shù)據(jù)集的切片圖像基于自主學(xué)習(xí)的訓(xùn)練結(jié)果如圖5所示,其中,LUNA16數(shù)據(jù)集的DSC平均值為85.7%,DSB數(shù)據(jù)集的DSC平均值為89.6%。將這兩個(gè)數(shù)據(jù)集進(jìn)行融合訓(xùn)練,結(jié)果如圖6所示。U-Net網(wǎng)絡(luò)訓(xùn)練DSC值如表1所示。

圖5 自主學(xué)習(xí)訓(xùn)練結(jié)果

圖6 融合訓(xùn)練結(jié)果

表1 U-Net網(wǎng)絡(luò)訓(xùn)練DSC值

肺結(jié)節(jié)檢測(cè)模型的訓(xùn)練結(jié)果如表2所示,可以看出,僅使用LUNA16數(shù)據(jù)的二元分類精度為95.5%,使用LUNA16和DSB數(shù)據(jù)融合的二元分類精度為97.1%。

表2 不同版本模型的訓(xùn)練精度對(duì)比

Table 2 Comparison of training accuracy between different versions of models

模型版本訓(xùn)練精度/%v1(LUNA16)95.5v2(LUNA16數(shù)據(jù)集和DSB數(shù)據(jù)集)97.1

綜合評(píng)估肺腫塊檢測(cè)與肺結(jié)節(jié)檢測(cè)的結(jié)果,3種不同方法的檢測(cè)精度和交叉熵分別如表3和表4所示。

表3 肺癌檢測(cè)精度對(duì)比

表4 肺癌檢測(cè)交叉熵對(duì)比

6 結(jié)束語

本文針對(duì)醫(yī)學(xué)影像標(biāo)注數(shù)據(jù)稀少的問題,提出一種基于半監(jiān)督的自主學(xué)習(xí)方法。利用C3D多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建肺結(jié)節(jié)檢測(cè)模型,基于改進(jìn)的U-Net網(wǎng)絡(luò)建立肺腫塊檢測(cè)模型,采用半監(jiān)督方法進(jìn)行訓(xùn)練,并結(jié)合上述2種模型的檢測(cè)結(jié)果得到肺癌診斷結(jié)果。實(shí)驗(yàn)結(jié)果表明,采用自主學(xué)習(xí)的訓(xùn)練策略,其檢測(cè)精度為85.3%±0.3%,與監(jiān)督學(xué)習(xí)的預(yù)測(cè)精度相近。下一步將利用生成對(duì)抗網(wǎng)絡(luò)生成圖像,以擴(kuò)大訓(xùn)練集,從而改善模型性能。