肺癌不論在國(guó)內(nèi)還是國(guó)外,都是發(fā)病率最高的癌癥,而肺癌患者的死亡率在所有癌癥中也是最高的。由于肺癌患者在早期并無明顯癥狀,大部分人被確診為肺癌時(shí)已經(jīng)達(dá)到晚期,而此時(shí)手術(shù)方式已經(jīng)無法起到很好的作用,導(dǎo)致患者生存率低。肺癌患者中I或Ⅱ期的五年生存率為25%～73%,而Ⅲ到Ⅳ期患者的五年生存率僅為2%～24%。但是肺癌的早期表現(xiàn)形式,即肺結(jié)節(jié)可通過醫(yī)學(xué)影像進(jìn)行診斷而更早的被發(fā)現(xiàn),對(duì)肺癌的早期診斷有著重要作用。鑒于以上原因,本文從肺結(jié)節(jié)檢查常用的手段即CT圖像數(shù)據(jù)入手,以深度學(xué)習(xí)網(wǎng)絡(luò)模型U-Net為基礎(chǔ),設(shè)計(jì)并實(shí)現(xiàn)肺結(jié)節(jié)輔助檢測(cè)系統(tǒng)。本文主要研究?jī)?nèi)容有:（1）使用LUNA16數(shù)據(jù)集訓(xùn)練U-Net網(wǎng)絡(luò)模型,使用U-Net對(duì)肺部CT圖像數(shù)據(jù)中肺結(jié)節(jié)進(jìn)行分割,實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的檢測(cè)。使用多種算法與U-Net網(wǎng)絡(luò)模型進(jìn)行對(duì)比,分析實(shí)驗(yàn)結(jié)果,對(duì)現(xiàn)有U-Net網(wǎng)絡(luò)所存在的問題進(jìn)行總結(jié);（2）對(duì)U-Net網(wǎng)絡(luò)目前存在的一些問題進(jìn)行分析,并對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)。改進(jìn)方法主要為:在原U-Net的直連結(jié)構(gòu)中加入卷積層,使得上采樣通路獲得來自下采樣通路的高級(jí)語義信息,使分割結(jié)果更為準(zhǔn)確。在加入的卷積層中增加約束條件,使網(wǎng)絡(luò)的訓(xùn)... 

【文章來源】：寧夏大學(xué)寧夏回族自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２常用激活函數(shù)??在上述計(jì)算完成后，數(shù)據(jù)從隱藏層到輸出層，同樣也存在一個(gè)權(quán)重向量，＜９?ｅＲＡ＇ｘ１

ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋Ｏｘｌ＋ｌｘｌ＋ＯｘＯ＋Ｏｘｌ??圖２－３二維卷積??二維卷積的原理如圖２－３所示，一個(gè)二維卷積在圖像上滑動(dòng)，對(duì)卷積區(qū)域內(nèi)的像素相乘再相??加。圖中，原圖像為５Ｘ５大小，卷積核為３Ｘ３大小，卷積核從左上角開始向右向下移動(dòng)，每次??移動(dòng)一個(gè)像素（步長(zhǎng)為１），每次移動(dòng)，卷積核都與原始圖像中對(duì)應(yīng)的位置像素的值相乘然后再相??加，得到新圖像的一個(gè)像素的值。??在圖像處理中，圖像都是用矩陣表示的，對(duì)于圖像分類等任務(wù)來說，其本質(zhì)是尋找圖像中的??特征，而卷積核則代表著某種特征，如圖２￣４所示的卷積核可以檢測(cè)豎線：??０?１０??０?１０??０?１０??圖２４卷積核??卷積神經(jīng)網(wǎng)絡(luò)利用卷積操作來不斷的提取特征，直到實(shí)現(xiàn)網(wǎng)絡(luò)的目標(biāo)位置。??相比于人工神經(jīng)網(wǎng)絡(luò)來說，卷積神經(jīng)網(wǎng)絡(luò)可以提取圖像數(shù)據(jù)在空間上的特征，從而實(shí)現(xiàn)半監(jiān)??督或非監(jiān)督的學(xué)習(xí)。而且由于卷積核的存在

１?０?１０?１?０１?０?１ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋Ｏｘｌ＋ｌｘｌ＋Ｏｘ圖２－３二維卷積??示，一個(gè)二維卷積在圖像上滑動(dòng)，，卷積核為３Ｘ３大小，卷積核從左移動(dòng)，卷積核都與原始圖像中對(duì)應(yīng)。??矩陣表示的，對(duì)于圖像分類等任務(wù)征，如圖２￣４所示的卷積核可以檢０?１０??

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)算法的肺結(jié)節(jié)檢測(cè)模型[J]. 楊晶晶,王騫,宣曉華.  數(shù)學(xué)建模及其應(yīng)用. 2017(04)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的胸片肺結(jié)節(jié)檢測(cè)[J]. 朱國(guó)策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[3]基于局部感受野和半監(jiān)督深度自編碼的肺結(jié)節(jié)檢測(cè)方法[J]. 趙鑫,強(qiáng)彥,強(qiáng)梓林,趙涓涓,杜曉平.  科學(xué)技術(shù)與工程. 2017(33)
[4]人工智能在醫(yī)療肺結(jié)節(jié)檢測(cè)領(lǐng)域的實(shí)踐[J]. 劉聰,殷保才,嚴(yán)峻.  信息技術(shù)與標(biāo)準(zhǔn)化. 2017(11)
[5]基于三維形狀指數(shù)的肺結(jié)節(jié)自動(dòng)檢測(cè)方法[J]. 董林佳,強(qiáng)彥,趙涓涓,原杰,趙文婷.  計(jì)算機(jī)應(yīng)用. 2017(11)
[6]應(yīng)用于平掃CT圖像肺結(jié)節(jié)檢測(cè)的深度學(xué)習(xí)方法綜述[J]. 胡偉儉,陳為,馮浩哲,張?zhí)炱?朱正茂,潘巧明.  浙江大學(xué)學(xué)報(bào)(理學(xué)版). 2017(04)
[7]中國(guó)肺部結(jié)節(jié)分類、診斷與治療指南（2016年版）[J]. 周清華,范亞光,王穎,喬友林,王貴齊,黃云超,王新允,吳寧,張國(guó)楨,鄭向鵬,步宏.  中國(guó)肺癌雜志. 2016(12)
[8]改進(jìn)的RVM在肺結(jié)節(jié)檢測(cè)中的研究與應(yīng)用[J]. 武盼盼,夏克文,林永良,白建川.  計(jì)算機(jī)工程與應(yīng)用. 2016(19)
[9]基于幾何特征的孤立性肺結(jié)節(jié)檢測(cè)[J]. 陳樹越,晁亞,鄒凌.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(04)
[10]基于多維特征和支持向量機(jī)核函數(shù)優(yōu)化的自動(dòng)化肺結(jié)節(jié)檢測(cè)模型[J]. 劉銀鳳,張俊杰,周濤,夏勇,吳翠穎.  生物醫(yī)學(xué)工程研究. 2016(02)



本文編號(hào)：3284739