發(fā)布時間：2021-03-05 00:52

　　肺癌是最常見的癌癥和癌癥死亡的主要原因,且是一種預后較差的惡性疾病,患者的5年平均生存率不到20%。因此,早期發(fā)現肺部病變以提高治療幾率并增加患者生存率非常重要。然而,由于良性和惡性肺癌結節(jié)之間的細微差別,即使對于人類專家來說,肺癌診斷也是一項艱巨的任務。因此需要發(fā)展計算機輔助診斷系統(tǒng),以協(xié)助醫(yī)生對肺癌結節(jié)進行診斷,提供其診斷準確率。本文以肺癌CT圖像為研究基礎,著重研究肺癌圖像分類,以幫助醫(yī)生對早期肺癌患者進行診斷治療,提高治愈幾率。論文首先介紹了國內外深度學習的研究現狀和肺癌圖像分類方法的研究現狀,然后對肺癌圖像分類典型CNN模型進行分析,對各主流CNN模型分析其特點,對Alex Net、ZFNet、Google Net、VGGNet進行性能比較。實驗表明,基于原始圖像,VGG16相較于其他網絡結構模型具有更高的分類準確率。在此基礎上,基于VGG16卷積神經網絡進行肺癌圖像分類,選擇公共肺癌數據集LIDC-IDRI,對肺癌圖像進行預處理,通過實驗選取激活函數和設置模型參數,選取準確率、敏感性、特異性和ROC曲線為指標與其他論文方法作對比分析。實驗表明基于VGG16的肺癌圖像分類準確... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

LIDC-IDRI數據集圖像

哈爾濱理工大學工學碩士學位論文-9-從標注中提取3D圖像。每個圖像都有三個通道，這些通道是通過串聯三個相鄰的軸向切片而建立的。與單個切片相比，三個切片具有更豐富的特征來區(qū)分肺癌結節(jié)和其他組織。等級從1到5，其中1級和5級分別是良性和惡性的極端。0級表示不可用的診斷，將被忽略，并取小于3的良性值和大于3的惡性值。排除了所有中位數等于3級的結節(jié)。此外，由于缺少切片/或切片厚度不均勻，一些肺癌圖像被丟棄。最后，總共有2052幅肺癌圖像（良性46％，惡性54％）用于實驗。2.2.2數據增強數據增強作為一種擴大樣本數量的方法被廣泛地運用在卷積神經網絡的訓練中[33]。數據增強的適當性將直接影響肺癌圖像分類的最終效果。肺癌圖像屬于醫(yī)學圖像的范疇，因此不可避免的存在醫(yī)學圖像的缺陷。與語音數據或文本數據不同，標簽醫(yī)學圖像不能外包給專業(yè)公司或團隊。因此，這些數據的標記只能由專業(yè)的放射科醫(yī)師完成，并且需要經驗豐富的放射科醫(yī)師花費半小時或更長時間來一次又一次地觀察圖像并標注肺癌結節(jié)的位置。結果是，由于專業(yè)人員的匱乏（遠遠少于能夠標注其他語音或文本數據的專業(yè)人員的數量），醫(yī)學圖像數據不可避免地遭受數據不足的困擾。數據增強的意義在于，在有限的肺癌圖像數據集上，可以充分合理地擴展訓練數據量，以提高模型的泛化能力，提高模型的魯棒性。數據增強是指創(chuàng)建與訓練集相似的新樣本的過程，從訓練集中生成新樣本進行數據增強。下面列出了幾種常用的圖像增強方法：1．旋轉沿水平方向旋轉圖像。旋轉圖像如圖2-2所示。圖2-2旋轉圖像Fig.2-2Rotatetheimage2．噪聲向圖像中每個像素的RGB通道添加隨機擾動（噪聲）。常用的噪聲是高斯噪聲和椒鹽噪聲。添加噪聲的圖像如圖2-3所示。

哈爾濱理工大學工學碩士學位論文-10-圖2-3添加高斯噪聲和椒鹽噪聲的圖像Fig.2-3ImagewithGaussiannoiseandsaltandpeppernoise3．顏色抖動更改圖像色彩空間中色彩飽和度、亮度和對比度等隨機因素。此外常用的數據增強方法還包括：平移。圖像向左或向右移動，可以手動指定平移范圍和步長以更改圖像內容的位置。2.2.3肺實質分割圖像分割是醫(yī)學圖像處理中的重要研究內容之一。從醫(yī)學圖像中準確地提取目標物體是三維重建的基礎，也是醫(yī)學圖像處理系統(tǒng)在臨床上得到實用的基礎，同時又是一個經典難題[34]。圖像分割可以看作不同的劃分問題，而圖可以進行不同的劃分，將圖像映射為圖后，分割問題就可以用圖論方法(如：最小割)求解[35]。肺癌結節(jié)的大孝形狀和位置都有很大的差異。此外，針對不同類別的肺癌結節(jié)，它們周圍的環(huán)境通常是多樣化的。肺癌結節(jié)的邊界相當模糊，因此對肺癌的檢測目前仍停留在肺癌結節(jié)中心的定位上。因此，肺癌結節(jié)輪廓信息的準確檢測對于癌癥治療非常重要。肺是人體呼吸系統(tǒng)的主要器官，由位于胸部胸腔內的左、右肺組成。由于肺還具有相對明亮的成分（例如血管和結節(jié)），因此通過執(zhí)行操作（例如填充孔和形態(tài)腐蝕擴展）將使整個表面變得光滑。為了減少分類復雜度并更容易找到可疑肺癌結節(jié)，有必要從原始CT圖像中分割出肺實質。肺內部仍然存在脂肪、血液和軟組織，需要通過形態(tài)學方法進一步處理，以減少對分類結果的妨礙。對外圍無關區(qū)域過濾，以突顯肺實質的中心圖像。肺實質分割是肺癌圖像分類的前期處理步驟。對肺部CT圖像進行肺實質分割，就是通過分割算法對肺實質進行初步分割和提取，以減少噪聲的干擾，降低肺癌圖像分類的假陽性。肺實質分割操作流程圖如圖2-4所示。

【參考文獻】：
期刊論文
[1]基于圖割的圖像分割方法及其新進展[J]. 劉松濤,殷福亮.  自動化學報. 2012(06)
[2]基于Level Set方法的醫(yī)學圖像分割[J]. 朱付平,田捷,林瑤,葛行飛.  軟件學報. 2002(09)



本文編號：3064262