研究人员提出了一种计算机辅助诊断系统，用于使用卷积神经网络自动分类肺部计算机断层扫描图像中的实体，部分固体和非实体结节。CNN仅提供围绕每个结节的二维感兴趣区域，从图像上下文自动推断发现信息性计算特征。因此，不需要图像分割处理来进一步分析结节衰减，从而允许系统避免由不准确的图像处理引起的潜在错误。研究人员实施了两种计算机化的纹理分析方案，分类和回归，以自动分类CT扫描中的实体，部分实体和非实体结节，每种情况下的分层特征由CNN模型直接学习。为了显示基于CNN的CADx的有效性，实施了基于直方图分析的既定方法进行比较。实验结果表明，CNN模型在分类和回归任务中均显着优于HIST，结果分类和评级性能与实践放射科医师一致。采用基于CNN的CADx系统可以减少筛查放射科医师之间的观察者间差异，并为进一步的结节分析提供定量参考。产生结节分类和评级性能与放射科医师一致。采用基于CNN的CADx系统可以减少筛查放射科医师之间的观察者间差异，并为进一步的结节分析提供定量参考。产生结节分类和评级性能与放射科医师一致。采用基于CNN的CADx系统可以减少筛查放射科医师之间的观察者间差异，并为进一步的结节分析提供定量参考。
　　肺结节是肺间质内的小肿块，当通过计算机断层扫描检测时，这是一种困难但非常重要的鉴别诊断。在CT扫描中，肺结节表现为相对明亮的结构，并且可以在肺实质内单独出现或作为肺胸壁，气道，肺血管或裂隙的附着物。最近的研究表明，CT图像中检测到的肺结节的表型特征可预测恶性肿瘤，因此对于确定进一步的诊断，治疗和治疗非常重要。在临床实践中，然而，一个肺结节的CT图像中的鉴别诊断是一个复杂和具有挑战性的决策过程。尽管多年来诊断指南连续修改和完善，医师的诊断性肺结节准确性仍然多样，并且还高度依赖于经验。这些临床挑战激励，在CT图像进行结节的恶性客观，定量的，和一致的识别计算机辅助诊断(的CADx)系统的发展。成功实施后，CADx系统有望改善诊断结果并减少不必要的活组织检查，胸廓切开术和手术10。
　　最近的临床研究表明，非固体和特别是部分实性结节更可能比实性结节被确认为肺腺癌。这促使Fleischner学会和其他，以建议CT诊断程序包括肺结节的分类成固体，部分固体，和非实性结节的类别。但是，与结节恶性肿瘤的诊断一般更为普遍，观察者间不一致也已经证明在根瘤的专家分化成非固体，部分固体和固体类。可以看出 ，这可部分归因于非固体和部分固体结节之间以及部分固体和实体结节之间的视觉模糊。这样，突出的作品指出，计算机化分化肺结节的成三类可用作用于诊断和预后预测的客观参考。但是，迄今为止，关于这种系统的发展几乎没有进行过讨论; 文献检索发现只有少数的临床研究，其中主要集中在主观分类方案。
　　一些专家提出了一种计算机辅助分类方法，用于将CT图像中的结节分类为固体，部分固体和非固体类。然而，这项工作的范围有限，包括每个类别只有50个结节，直径范围为6.0-28.3毫米。此外，纸张采用的基于直方图的方法需要图像分割来界定紧密围绕结节的区域。由于某些结节的边缘定义不明确，特别是在高风险非固体和部分实体结节的情况下，结节分割的任务非常困难并且可能不可靠。此外，在常规的CADx方案的上下文，图像分割的方法通常需要用户干预，以获得准确的轮廓。这种对用户干预的要求导致工程挑战，用户时间和另外的可变性来源。因此，也就不足为奇了过去的研究显示图像的分割结果的正确性要的性能的CADx的关键决定因素。
　　在本文中，研究人员开发了一种新的CADx方法，可以自动分类CT图像中的实体，部分实体和非实体结节，而不依赖于图像分割。此方法使用卷积神经网络构建，需要在每个结节周围仅用户输入二维感兴趣区域，并且因此自动地从图像上下文产生结节评级。CADx使用公共LIDC数据集提供的丰富注释资源构建，并实现分类和回归方案。总之，此次工作是一个新的，无分段的，计算机化的结节衰减参考。
　　非和部分实肺结节的放射学鉴定是肺腺癌的诊断和后续管理必不可少。尽管它的重要性，但是，非，兼职，和实性结节之间进行区分的放射性任务已经证明困难，内和观察者间的变化在结节分类为中度至显著。CADx系统中的定量方法有望提高肺结节分类的一致性和可靠性。在本文中，描述了一种基于卷积神经网络的精确的新CADx算法。
　　本文提出的模型展示了内部一致性以及与专家意见的一致性。在所有测试结节中，报告的平均Cohen kappa值为0.74，表明在与现有技术一致的水平上达到了实质性的一致性。此外，CNN在分类和评分回归任务中与放射科医师注释达成了类似的一致水平。特别感兴趣的是，对于回归比较，由模型计算的CNN得分在一些情况下证明了比实践放射科医师本身中的观察者间评级更低的方差。这可能是因为CNN是使用10多位放射科医师提供的标签进行训练的27具有各种背景和经验，有效地使模型能够融合各种放射科医师的注释知识，从而获得较少的评分变化。
　　对已建立的HIST方法的实现也实现了令人满意的分类性能，尽管不能与CNN的性能相匹配。此外，CNN在回归任务上大大优于HIST方法。尽管合理的分类性能，HIST方法与CNN方法在回归任务上的相对较差的相对表现可能表明CNN方法具有更大的一般能力来学习肺结节的更细粒度的视觉特征。如果是这样，这种更精细的能力可能最终证明对执行腺癌鉴别诊断的最终任务很重要。最后，如上所述，HIST方法需要图像分割，引入潜在的不确定性来源。
　　在分类和回归任务中，模型使用ALL切片选择策略而不是SINGLE切片选择策略实现了最佳性能。预计这是由于结节的实心部分的几何偏心：由于SINGLE策略仅利用来自结节的每个正交视图的中间切片，这种方法将无法表征随意延伸的结节的任何实心部分。在一个或多个狭窄的方向。在这种情况下，每个方向上的单个切片将不能代表整个结节，并且SINGLE策略将是不够的。出于这个原因，研究人员建议包括结节的额外CT切片可以有助于衰减表征任务。