肺癌不論在國內(nèi)還是國外,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已經(jīng)達到晚期,而此時手術方式已經(jīng)無法起到很好的作用,導致患者生存率低。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)學影像進行診斷而更早的被發(fā)現(xiàn),對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,以深度學習網(wǎng)絡模型U-Net為基礎,設計并實現(xiàn)肺結(jié)節(jié)輔助檢測系統(tǒng)。本文主要研究內(nèi)容有:（1）使用LUNA16數(shù)據(jù)集訓練U-Net網(wǎng)絡模型,使用U-Net對肺部CT圖像數(shù)據(jù)中肺結(jié)節(jié)進行分割,實現(xiàn)對肺結(jié)節(jié)的檢測。使用多種算法與U-Net網(wǎng)絡模型進行對比,分析實驗結(jié)果,對現(xiàn)有U-Net網(wǎng)絡所存在的問題進行總結(jié);（2）對U-Net網(wǎng)絡目前存在的一些問題進行分析,并對網(wǎng)絡進行改進。改進方法主要為: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語義信息,使分割結(jié)果更為準確。在加入的卷積層中增加約束條件,使網(wǎng)絡的訓... 

【文章來源】：寧夏大學寧夏回族自治區(qū) 211工程院校

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

圖２－２常用激活函數(shù)??在上述計算完成后，數(shù)據(jù)從隱藏層到輸出層，同樣也存在一個權(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，一個二維卷積在圖像上滑動，對卷積區(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，每次??移動一個像素（步長為１），每次移動，卷積核都與原始圖像中對應的位置像素的值相乘然后再相??加，得到新圖像的一個像素的值。??在圖像處理中，圖像都是用矩陣表示的，對于圖像分類等任務來說，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豎線：??０?１０??０?１０??０?１０??圖２４卷積核??卷積神經(jīng)網(wǎng)絡利用卷積操作來不斷的提取特征，直到實現(xiàn)網(wǎng)絡的目標位置。??相比于人工神經(jīng)網(wǎng)絡來說，卷積神經(jīng)網(wǎng)絡可以提取圖像數(shù)據(jù)在空間上的特征，從而實現(xiàn)半監(jiān)??督或非監(jiān)督的學習。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，一個二維卷積在圖像上滑動，，卷積核為３Ｘ３大小，卷積核從左移動，卷積核都與原始圖像中對應。??矩陣表示的，對于圖像分類等任務征，如圖２￣４所示的卷積核可以檢０?１０??

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡算法的肺結(jié)節(jié)檢測模型[J]. 楊晶晶,王騫,宣曉華.  數(shù)學建模及其應用. 2017(04)
[2]基于卷積神經(jīng)網(wǎng)絡的胸片肺結(jié)節(jié)檢測[J]. 朱國策,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)檢測方法[J]. 趙鑫,強彥,強梓林,趙涓涓,杜曉平.  科學技術與工程. 2017(33)
[4]人工智能在醫(yī)療肺結(jié)節(jié)檢測領域的實踐[J]. 劉聰,殷保才,嚴峻.  信息技術與標準化. 2017(11)
[5]基于三維形狀指數(shù)的肺結(jié)節(jié)自動檢測方法[J]. 董林佳,強彥,趙涓涓,原杰,趙文婷.  計算機應用. 2017(11)
[6]應用于平掃CT圖像肺結(jié)節(jié)檢測的深度學習方法綜述[J]. 胡偉儉,陳為,馮浩哲,張?zhí)炱?朱正茂,潘巧明.  浙江大學學報(理學版). 2017(04)
[7]中國肺部結(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,張國楨,鄭向鵬,步宏.  中國肺癌雜志. 2016(12)
[8]改進的RVM在肺結(jié)節(jié)檢測中的研究與應用[J]. 武盼盼,夏克文,林永良,白建川.  計算機工程與應用. 2016(19)
[9]基于幾何特征的孤立性肺結(jié)節(jié)檢測[J]. 陳樹越,晁亞,鄒凌.  生物醫(yī)學工程學雜志. 2016(04)
[10]基于多維特征和支持向量機核函數(shù)優(yōu)化的自動化肺結(jié)節(jié)檢測模型[J]. 劉銀鳳,張俊杰,周濤,夏勇,吳翠穎.  生物醫(yī)學工程研究. 2016(02)



本文編號：3284739