肺結(jié)節(jié)作為早期肺癌的主要征象,其檢測(cè)對(duì)肺癌的診斷具有至關(guān)重要的意義。CT技術(shù)應(yīng)用的蓬勃發(fā)展,有效提高了肺結(jié)節(jié)的檢出率。但是隨著影像技術(shù)的不斷發(fā)展和相關(guān)臨床需求的不斷增加,影像診斷醫(yī)師的工作越來越繁重,長(zhǎng)時(shí)間閱片后極易疲勞,進(jìn)而導(dǎo)致出現(xiàn)一定程度的漏診和誤診。因此迫切需要研究計(jì)算機(jī)輔助檢測(cè)和診斷技術(shù)來輔助醫(yī)師。近年來,隨著神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)的不斷發(fā)展,將深度學(xué)習(xí)技術(shù)擴(kuò)展到醫(yī)療處理領(lǐng)域已經(jīng)成了一個(gè)大的熱門方向。本文主要研究深度學(xué)習(xí)技術(shù)在肺結(jié)節(jié)檢測(cè)方面的應(yīng)用,主要針對(duì)CT序列中肺結(jié)節(jié)的位置和大小進(jìn)行檢測(cè)。在進(jìn)行結(jié)節(jié)檢測(cè)前,本文先提出一種基于閾值分割和形態(tài)學(xué)操作相結(jié)合的肺實(shí)質(zhì)分割方法。首先,根據(jù)固定閾值將CT序列中的每張切片進(jìn)行二值化。然后,依次采用二維形態(tài)學(xué)操作中的消除邊緣噪聲、二維連通區(qū)域標(biāo)記、腐蝕操作、閉合運(yùn)算、孔洞填充對(duì)二值圖像進(jìn)行處理,此時(shí)大致的肺實(shí)質(zhì)區(qū)域已經(jīng)被分割出來。最后采用三維連通區(qū)域標(biāo)記的方式,提取出左肺和右肺區(qū)域,得到比較光滑的無雜質(zhì)的肺實(shí)質(zhì)區(qū)域。肺實(shí)質(zhì)分割一方面為肺結(jié)節(jié)檢測(cè)提供可靠的檢測(cè)區(qū)域,減少因肺結(jié)節(jié)檢測(cè)器檢測(cè)到肺實(shí)質(zhì)以外組織而造成的假陽。另一方面可以減少檢測(cè)器的運(yùn)... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LUNA16標(biāo)注文件結(jié)節(jié)直徑分布情況

14(a) 原始 CT 切片數(shù)據(jù) (b) 肺實(shí)質(zhì)區(qū)域輪廓圖2.4 肺部 CT 切片和實(shí)質(zhì)區(qū)域可視化作為 LIDC-IDRI 數(shù)據(jù)集的子集，LUNA16 數(shù)據(jù)集提供了完備簡(jiǎn)潔的肺部 CT 序列數(shù)據(jù)和結(jié)節(jié)位置和大小信息，并提供了可供參考的肺實(shí)質(zhì)分割區(qū)域，便于肺結(jié)節(jié)檢測(cè)研究的進(jìn)行。其中結(jié)節(jié)位置和大小信息是從 LIDC-IDRI 數(shù)據(jù)集的 XML 格式的標(biāo)注信息文件中的結(jié)節(jié)輪廓轉(zhuǎn)換而來，便于比賽中對(duì)檢測(cè)效果進(jìn)行評(píng)估。LUNA16 本身作為一項(xiàng)比賽，有大量團(tuán)隊(duì)在該數(shù)據(jù)集上進(jìn)行相應(yīng)肺結(jié)節(jié)檢測(cè)實(shí)驗(yàn)和測(cè)評(píng)，因此在該數(shù)據(jù)集上進(jìn)行肺結(jié)節(jié)檢測(cè)技術(shù)的研究具有很好的可參考性和可對(duì)比性。2.2 深度學(xué)習(xí)方法隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，其在圖像分割和物體檢測(cè)等方面取得了較大的進(jìn)步。將深度學(xué)習(xí)應(yīng)用到肺結(jié)節(jié)檢測(cè)和診斷中，有助于提高結(jié)節(jié)檢出率，進(jìn)而及早發(fā)現(xiàn)和治療肺癌，提高病人存活率。傳統(tǒng)的肺結(jié)節(jié)檢測(cè)流程中需要手動(dòng)提取和設(shè)計(jì)結(jié)節(jié)特征

西安電子科技大學(xué)碩士學(xué)位論文10( )ni iiy f x b f 的主要目的是實(shí)現(xiàn)神經(jīng)元間的非線性關(guān)系，通。在實(shí)際神經(jīng)網(wǎng)絡(luò)搭建中，常用的激活函數(shù)有 S達(dá)式和函數(shù)圖像如下。2Sigmoid1(+)xxey xe22(1anh1T)xxey xe y ReLU( x ) = max( x, 0)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Faster R-CNN和3D DCNN的肺結(jié)節(jié)檢測(cè)算法[J]. 胡新穎,陳樹越,焦竹青.  計(jì)算機(jī)應(yīng)用研究. 2019(11)
[2]基于U-Net的結(jié)節(jié)分割方法[J]. 徐峰,鄭斌,郭進(jìn)祥,劉立波.  軟件導(dǎo)刊. 2018(08)
[3]基于深度學(xué)習(xí)的計(jì)算機(jī)輔助肺癌診斷方法[J]. 張鵬,徐欣楠,王洪偉,馮元力,馮浩哲,張建偉,閆守琨,侯宇軒,宋怡文,李佳翔,劉新國.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(01)

博士論文
[1]基于CT圖像多維特征的肺結(jié)節(jié)檢測(cè)和診斷方法研究[D]. 韓芳芳.東北大學(xué) 2015
[2]基于CT影像的孤立性肺結(jié)節(jié)檢測(cè)關(guān)鍵技術(shù)研究[D]. 裴曉敏.東北大學(xué) 2011
[3]肺結(jié)節(jié)圖像的分析與識(shí)別[D]. 曹蕾.南方醫(yī)科大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)方法研究[D]. 郝歡.西安理工大學(xué) 2018
[2]基于深度網(wǎng)絡(luò)的圖像特征提取及應(yīng)用[D]. 李欣怡.江南大學(xué) 2018
[3]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像肺結(jié)節(jié)檢測(cè)算法研究[D]. 王厚華.西安電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)研究[D]. 方俊煒.廣州大學(xué) 2018
[5]基于深度學(xué)習(xí)的肺結(jié)節(jié)識(shí)別與檢測(cè)研究[D]. 張金.西南大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的肺部微小結(jié)節(jié)檢測(cè)及分類方法研究[D]. 趙鵬飛.太原理工大學(xué) 2018
[7]基于深度學(xué)習(xí)的肺結(jié)節(jié)的檢測(cè)和診斷[D]. 趙雷.天津工業(yè)大學(xué) 2018
[8]胸片的肺結(jié)節(jié)自動(dòng)檢測(cè)方法研究[D]. 蔣翠翠.東南大學(xué) 2017
[9]基于DICOM序列影像的肺結(jié)節(jié)檢測(cè)算法研究[D]. 羅旋.電子科技大學(xué) 2015
[10]CT圖像中孤立性肺結(jié)節(jié)良惡性識(shí)別系統(tǒng)[D]. 李佳興.河北大學(xué) 2014



本文編號(hào)：3275297