發(fā)布時(shí)間：2021-03-05 00:52

　　肺癌是最常見(jiàn)的癌癥和癌癥死亡的主要原因,且是一種預(yù)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(xiàn)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(jié)節(jié)之間的細(xì)微差別,即使對(duì)于人類專家來(lái)說(shuō),肺癌診斷也是一項(xiàng)艱巨的任務(wù)。因此需要發(fā)展計(jì)算機(jī)輔助診斷系統(tǒng),以協(xié)助醫(yī)生對(duì)肺癌結(jié)節(jié)進(jìn)行診斷,提供其診斷準(zhǔn)確率。本文以肺癌CT圖像為研究基礎(chǔ),著重研究肺癌圖像分類,以幫助醫(yī)生對(duì)早期肺癌患者進(jìn)行診斷治療,提高治愈幾率。論文首先介紹了國(guó)內(nèi)外深度學(xué)習(xí)的研究現(xiàn)狀和肺癌圖像分類方法的研究現(xiàn)狀,然后對(duì)肺癌圖像分類典型CNN模型進(jìn)行分析,對(duì)各主流CNN模型分析其特點(diǎn),對(duì)Alex Net、ZFNet、Google Net、VGGNet進(jìn)行性能比較。實(shí)驗(yàn)表明,基于原始圖像,VGG16相較于其他網(wǎng)絡(luò)結(jié)構(gòu)模型具有更高的分類準(zhǔn)確率。在此基礎(chǔ)上,基于VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行肺癌圖像分類,選擇公共肺癌數(shù)據(jù)集LIDC-IDRI,對(duì)肺癌圖像進(jìn)行預(yù)處理,通過(guò)實(shí)驗(yàn)選取激活函數(shù)和設(shè)置模型參數(shù),選取準(zhǔn)確率、敏感性、特異性和ROC曲線為指標(biāo)與其他論文方法作對(duì)比分析。實(shí)驗(yàn)表明基于VGG16的肺癌圖像分類準(zhǔn)確... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LIDC-IDRI數(shù)據(jù)集圖像

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-9-從標(biāo)注中提取3D圖像。每個(gè)圖像都有三個(gè)通道，這些通道是通過(guò)串聯(lián)三個(gè)相鄰的軸向切片而建立的。與單個(gè)切片相比，三個(gè)切片具有更豐富的特征來(lái)區(qū)分肺癌結(jié)節(jié)和其他組織。等級(jí)從1到5，其中1級(jí)和5級(jí)分別是良性和惡性的極端。0級(jí)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(shù)等于3級(jí)的結(jié)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(shí)驗(yàn)。2.2.2數(shù)據(jù)增強(qiáng)數(shù)據(jù)增強(qiáng)作為一種擴(kuò)大樣本數(shù)量的方法被廣泛地運(yùn)用在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中[33]。數(shù)據(jù)增強(qiáng)的適當(dāng)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(xué)圖像的范疇，因此不可避免的存在醫(yī)學(xué)圖像的缺陷。與語(yǔ)音數(shù)據(jù)或文本數(shù)據(jù)不同，標(biāo)簽醫(yī)學(xué)圖像不能外包給專業(yè)公司或團(tuán)隊(duì)。因此，這些數(shù)據(jù)的標(biāo)記只能由專業(yè)的放射科醫(yī)師完成，并且需要經(jīng)驗(yàn)豐富的放射科醫(yī)師花費(fèi)半小時(shí)或更長(zhǎng)時(shí)間來(lái)一次又一次地觀察圖像并標(biāo)注肺癌結(jié)節(jié)的位置。結(jié)果是，由于專業(yè)人員的匱乏（遠(yuǎn)遠(yuǎn)少于能夠標(biāo)注其他語(yǔ)音或文本數(shù)據(jù)的專業(yè)人員的數(shù)量），醫(yī)學(xué)圖像數(shù)據(jù)不可避免地遭受數(shù)據(jù)不足的困擾。數(shù)據(jù)增強(qiáng)的意義在于，在有限的肺癌圖像數(shù)據(jù)集上，可以充分合理地?cái)U(kuò)展訓(xùn)練數(shù)據(jù)量，以提高模型的泛化能力，提高模型的魯棒性。數(shù)據(jù)增強(qiáng)是指創(chuàng)建與訓(xùn)練集相似的新樣本的過(guò)程，從訓(xùn)練集中生成新樣本進(jìn)行數(shù)據(jù)增強(qiáng)。下面列出了幾種常用的圖像增強(qiáng)方法：1．旋轉(zhuǎn)沿水平方向旋轉(zhuǎn)圖像。旋轉(zhuǎn)圖像如圖2-2所示。圖2-2旋轉(zhuǎn)圖像Fig.2-2Rotatetheimage2．噪聲向圖像中每個(gè)像素的RGB通道添加隨機(jī)擾動(dòng)（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(xué)工學(xué)碩士學(xué)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(dòng)更改圖像色彩空間中色彩飽和度、亮度和對(duì)比度等隨機(jī)因素。此外常用的數(shù)據(jù)增強(qiáng)方法還包括：平移。圖像向左或向右移動(dòng)，可以手動(dòng)指定平移范圍和步長(zhǎng)以更改圖像內(nèi)容的位置。2.2.3肺實(shí)質(zhì)分割圖像分割是醫(yī)學(xué)圖像處理中的重要研究?jī)?nèi)容之一。從醫(yī)學(xué)圖像中準(zhǔn)確地提取目標(biāo)物體是三維重建的基礎(chǔ)，也是醫(yī)學(xué)圖像處理系統(tǒng)在臨床上得到實(shí)用的基礎(chǔ)，同時(shí)又是一個(gè)經(jīng)典難題[34]。圖像分割可以看作不同的劃分問(wèn)題，而圖可以進(jìn)行不同的劃分，將圖像映射為圖后，分割問(wèn)題就可以用圖論方法(如：最小割)求解[35]。肺癌結(jié)節(jié)的大孝形狀和位置都有很大的差異。此外，針對(duì)不同類別的肺癌結(jié)節(jié)，它們周圍的環(huán)境通常是多樣化的。肺癌結(jié)節(jié)的邊界相當(dāng)模糊，因此對(duì)肺癌的檢測(cè)目前仍停留在肺癌結(jié)節(jié)中心的定位上。因此，肺癌結(jié)節(jié)輪廓信息的準(zhǔn)確檢測(cè)對(duì)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(nèi)的左、右肺組成。由于肺還具有相對(duì)明亮的成分（例如血管和結(jié)節(jié)），因此通過(guò)執(zhí)行操作（例如填充孔和形態(tài)腐蝕擴(kuò)展）將使整個(gè)表面變得光滑。為了減少分類復(fù)雜度并更容易找到可疑肺癌結(jié)節(jié)，有必要從原始CT圖像中分割出肺實(shí)質(zhì)。肺內(nèi)部仍然存在脂肪、血液和軟組織，需要通過(guò)形態(tài)學(xué)方法進(jìn)一步處理，以減少對(duì)分類結(jié)果的妨礙。對(duì)外圍無(wú)關(guān)區(qū)域過(guò)濾，以突顯肺實(shí)質(zhì)的中心圖像。肺實(shí)質(zhì)分割是肺癌圖像分類的前期處理步驟。對(duì)肺部CT圖像進(jìn)行肺實(shí)質(zhì)分割，就是通過(guò)分割算法對(duì)肺實(shí)質(zhì)進(jìn)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(yáng)性。肺實(shí)質(zhì)分割操作流程圖如圖2-4所示。

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



本文編號(hào)：3064262