肺癌是一種發(fā)病率和致死率均很高的癌癥,肺結(jié)節(jié)的良惡性分類是肺癌早期診斷的關(guān)鍵。臨床上常用CT圖像來(lái)篩查肺部的惡性肺結(jié)節(jié),但由于肺結(jié)節(jié)大小不一、形態(tài)多樣,導(dǎo)致人工的分類方法極易出現(xiàn)漏檢和誤檢的現(xiàn)象。研究肺結(jié)節(jié)良惡性分類算法,提高分類的準(zhǔn)確性,有助于增加肺癌患者存活的機(jī)率。采用基于深度學(xué)習(xí)方法實(shí)現(xiàn)肺結(jié)節(jié)良惡性分類。在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)上,針對(duì)肺結(jié)節(jié)大小不一、形態(tài)多樣的特點(diǎn),提出了一種多尺度多模型集成的三維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),由MSMME-VggNet、MSMME-ResNet和MSMME-InceResNet三種不同的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)組成,每種基礎(chǔ)網(wǎng)絡(luò)架構(gòu)又包含三個(gè)子網(wǎng)絡(luò),分別處理16*16*16、32*32*32和48*48*48的三維圖像。利用對(duì)比度增強(qiáng)前后的肺結(jié)節(jié)圖像塊組成兩通道的三維數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,凸顯了肺結(jié)節(jié)的特征。在訓(xùn)練網(wǎng)絡(luò)模型時(shí),為解決肺癌影像數(shù)據(jù)集中樣本量較少的問(wèn)題,提出了離線和在線相結(jié)合的兩階段數(shù)據(jù)擴(kuò)充方法,即先利用大部分肺結(jié)節(jié)周圍背景的相似性,采用“隨機(jī)掩碼”的方法對(duì)數(shù)據(jù)集進(jìn)行離線擴(kuò)充;之后再使用常規(guī)圖像處理方法進(jìn)行在線擴(kuò)充,以提高網(wǎng)絡(luò)模型的泛化能力。在肺結(jié)節(jié)的良惡性分類過(guò)程中... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

典型肺結(jié)節(jié)示例圖

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文對(duì)圖像的每塊小區(qū)域單獨(dú)做均衡化。而直方圖規(guī)定化是把原始圖像的灰度直方圖分布轉(zhuǎn)變成特定的灰度直方圖分布，以達(dá)到增強(qiáng)圖像對(duì)比度的目的。圖 3-2 中列舉了幾幅使用前文介紹的各種算法增強(qiáng)前后的肺結(jié)節(jié)效果圖，每行表示一幅圖像使用不同算法的增強(qiáng)效果圖，從左到右依次為原圖、對(duì)比度拉伸、指數(shù)變換、對(duì)數(shù)變換、全局直方圖均衡化、自適應(yīng)直方圖均衡化與直方圖規(guī)定化。需要說(shuō)明的是，這里僅展示了肺結(jié)節(jié)圖像塊的中間層圖像。僅從以下幾幅圖像的視覺(jué)效果上來(lái)看，其中對(duì)比度拉伸與直方圖規(guī)定化兩種方法對(duì)肺結(jié)節(jié)圖像塊的增強(qiáng)效果更好；對(duì)于使用經(jīng)過(guò)不同增強(qiáng)方法處理后的輸入訓(xùn)練出的肺結(jié)節(jié)良惡性分類模型，本文在 4.3 節(jié)的消融實(shí)驗(yàn)部分對(duì)它們進(jìn)行了性能上的比較。本文最終選擇了對(duì)比度拉伸增強(qiáng)算法來(lái)預(yù)處理肺結(jié)節(jié)圖像塊。原圖 對(duì)比度拉伸 指數(shù)變換 對(duì)數(shù)變換 全局均衡 局部均衡 規(guī)定化

中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文性肺結(jié)節(jié)（正樣本）均通過(guò)隨機(jī)掩碼的方式生成了三個(gè)“新惡性肺結(jié)節(jié)”，中惡性肺結(jié)節(jié)的數(shù)量變?yōu)樵瓉?lái)的四倍；對(duì)訓(xùn)練集中的每個(gè)良性肺結(jié)節(jié)（負(fù)機(jī)掩碼的方式生成了一個(gè)“新良性肺結(jié)節(jié)”，這樣訓(xùn)練集中良性肺結(jié)節(jié)的來(lái)的兩倍，訓(xùn)練集中正負(fù)樣本的比例由原來(lái)的 1:2.13 近似變?yōu)?1:1。除了保在樣本總數(shù)量上的平衡外，在訓(xùn)練時(shí)還對(duì)每個(gè) batch 樣本作了正負(fù)樣本平解數(shù)據(jù)擴(kuò)充前正負(fù)樣本數(shù)量上的較大差異給訓(xùn)練的模型性能帶來(lái)的影響。

【參考文獻(xiàn)】：
期刊論文
[1]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)
[2]CT征象用于孤立性肺結(jié)節(jié)良惡性鑒別診斷的Logistic回歸分析及預(yù)測(cè)模型構(gòu)建[J]. 鄧建永,張華山,劉桂安,王乾魁.  中國(guó)數(shù)字醫(yī)學(xué). 2016(11)
[3]胸部CT圖像中孤立性肺結(jié)節(jié)良惡性快速分類[J]. 劉露,劉宛予,楚春雨,吳軍,周洋,張紅霞,鮑劼.  光學(xué)精密工程. 2009(08)
[4]自適應(yīng)區(qū)域生長(zhǎng)算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 陸劍鋒,林海,潘志庚.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2005(10)

碩士論文
[1]基于CT圖像的肺結(jié)節(jié)計(jì)算機(jī)輔助診斷研究[D]. 李靈.大連理工大學(xué) 2017
[2]基于CT圖像的孤立性肺結(jié)節(jié)診斷模型研究[D]. 邸曉東.哈爾濱理工大學(xué) 2010



本文編號(hào)：3510601