深度迁移学习鉴别暂时性与持续性亚实性肺结节

作     者：黄楚曦 

作者单位：南京大学 

学位级别：硕士

导师姓名：卢光明

授予年度：2020年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床] 

主      题：亚实性肺结节 暂时性结节 持续性结节 深度学习 迁移学习 

摘      要：目的本研究的目的是利用基线胸部CT影像,建立并验证深度学习模型,在基线CT扫描上鉴别暂时性亚实性结节与持续性亚实性结节,帮助实现亚实性结节持续性的有效早期诊断。方法本研究纳入了从2009年2月到2018年7月在我院行胸部CT检查并发现肺亚实性结节的968名患者,共1414个结节,其中确定暂时性结节319个,持续性结节1095个。收集并统计各结节的临床及CT特征。按70%:15%:15%的比例将结节划分为训练集（共996个结节,221个暂时性结节,775个持续性结节）、调试集（共212个结节,47个暂时性结节,165个持续性结节）和验证集（共206个结节,51个暂时性结节,155个持续性结节）。对图像进行标准化、裁剪及数据增强等预处理后,通过迁移学习的方法建立深度学习模型。模型迁移自我科一项研究中设计的FGP-NET三维卷积神经网络,该网络被用于肺结节良恶性分类,并具有良好的分类性能。计算模型在三个数据集上的AUC、准确性、敏感性和特异性,以在验证集上的表现作为模型真实的分类性能,并将其与两名放射科医师的诊断表现进行比较。把验证集中的结节按Lung-RADS评分系统及结节大小、密度类型、单多发特征分组,计算各分组表现以进一步评估模型的性能和潜在的临床收益。以遮挡测试及t-SNE两种可视化方法来验证模型提取特征的有效性。结果模型在验证集上AUC为0.926（95%CI:0.889～0.962）,准确性为0.859（95%CI:0.804～0.900）,敏感性为 0.863（95%CI:0.809～0.903）,特异性为 0.858（95%CI:0.804～0.899）,整体表现优于两名放射科医师。模型在Lung-RADS 2级结节中表现最好,且在Lung-RADS 4级结节中仍表现良好的分类性能。两种特征可视化方法显示模型可从图像中提取有效特征。在临床及CT特征方面,暂时性与持续性结节在患者性别、结节大小、密度类型、位置及单多发上差异具有统计学意义（P均0.05）,而在患者年龄上差异不显著（P=0.256）。结论本研究建立的深度学习模型在暂时性和持续性亚实性上显示良好的分类性能,在基线CT扫描上可以得到对亚实性结节持续性的较可靠的诊断,因此可以在临床工作中辅助医师进行早期诊断及管理结节,并使患者获益。