Please wait a minute...
高校应用数学学报
高校应用数学学报  2018, Vol. 33 Issue (2): 127-139    
    
一类用于肺结节检测的深度学习加速方法
李正, 胡贤良, 梁克维, 虞钉钉
浙江大学数学科学学院, 浙江杭州310027
A kind of deep learning acceleration method for pulmonary nodule detection
LI Zheng,    HU Xiang-liang ,  LIANG Ke-wei ,  YU Ding-ding
 全文: PDF(1070 KB)  
摘要： 肺结节检测的深度学习方法一般分为候选结节检测和假阳性结节消除两个阶
段. 基于两阶段方法, 提出了一种整合新数据以提升系统准确性的增量学习加速方案.
利用历史数据的训练模型对新数据进行筛选, 把表现性能不好的数据作为继续训练两
阶段模型的输入. 在LUNA16 和TIANCHI17两个经典数据集上对上述方法进行测试,
只需利用一半以下的新训练数据就能取得与传统两阶段方法相同的效果.
关键词： 肺结节检测 ;   深度学习 ;   ;  两阶段方法 ;   ;  假阳性 ;   ;  增量学习    
Abstract: The deep learning method for pulmonary nodule detection is generally divided into
two stages: candidate nodule detection and false positive nodule elimination. Based on the two-stage
method, an incremental learning acceleration scheme is proposed that integrates new data to improve
the accuracy of the system. The training model of historical data screens new data and selects the
data with poor performance as an input for the continuous training of the two-stage model. The above
methods are tested on LUNA16 and TIANCHI17 two classic data sets. Using only half of the new
ones, the new model can achieve the same e?ect as the traditional two-stage method.
Key words: pulmonary nodule detection         deep learning         two-stage method     false positives     incre-mental learning
出版日期: 2018-07-24
CLC:  TP391  
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　
李正
胡贤良
梁克维
虞钉钉

引用本文:

李正, 胡贤良, 梁克维, 虞钉钉. 一类用于肺结节检测的深度学习加速方法[J]. 高校应用数学学报, 2018, 33(2): 127-139.

链接本文:

http://www.zjujournals.com/amjcua/CN/Y2018/V33/I2/127

[1] 赵远英, 徐登可, 庞一成. 联合均值与方差模型的Bayes分析[J]. 高校应用数学学报, 2018, 33(2): 157-166.
[2] 李坤明, 陈建宝. 非参数空间滞后模型的广义矩估计[J]. 高校应用数学学报, 2018, 33(2): 140-156.
[3] 李晓慧. Sierpinski垫片上分形插值函数的最值问题[J]. 高校应用数学学报, 2017, 32(1): 120-126.