據(jù)世界衛(wèi)生組織統(tǒng)計,肺癌已經(jīng)成為確診病例數(shù)、致死人數(shù)最高的癌癥。利用計算機技術(shù)對肺癌的早期形態(tài)——肺結(jié)節(jié)進行篩查有利于早發(fā)現(xiàn)、早治療,提高肺癌的生存機會,同時也能減輕閱片負擔,輔助醫(yī)生的診斷工作。近年來,深度學習技術(shù)在發(fā)展的同時也被應用到包含醫(yī)學圖像分析的各個領域,利用深度學習進行肺結(jié)節(jié)的檢測與分割就是其中一個熱點研究方向。本文以胸部CT圖像數(shù)據(jù)為研究對象,探索利用深度學習和三維重建技術(shù)提供快捷、準確且易觀察的肺結(jié)節(jié)輔助診斷方法。主要內(nèi)容如下:首先,研究了基于Mask R-CNN的肺結(jié)節(jié)檢測與分割方法。由于醫(yī)學圖像具有樣本量少和正負樣本不平衡的特點,本文采用了具有骨干網(wǎng)絡遷移學習機制、二階段結(jié)構(gòu)控制正負樣本比例、同時具有檢測和分割功能的Mask R-CNN,并探索了具有不同權(quán)重的損失函數(shù)對檢測和分割結(jié)果的影響。目前研究大都是肺結(jié)節(jié)的檢測任務,缺乏含肺結(jié)節(jié)輪廓標簽的數(shù)據(jù)集,本文將LUNA16數(shù)據(jù)集進行預處理,之后在影像科醫(yī)生標記的肺結(jié)節(jié)直徑基礎上,利用labelme標記工具,建立了包含2763張具有肺結(jié)節(jié)輪廓標簽的胸部CT橫截面數(shù)據(jù)集:labeme＿LUNA16;然后分別在數(shù)據(jù)集LUNA... 

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 肺結(jié)節(jié)檢測
        1.2.2 肺結(jié)節(jié)分割
    1.3 研究難點
        1.3.1 肺結(jié)節(jié)尺寸差異大
        1.3.2 肺結(jié)節(jié)CT征象復雜
        1.3.3 掃描圖像質(zhì)量差異
        1.3.4 醫(yī)學圖像本身的限制
    1.4 本文研究內(nèi)容及章節(jié)安排
        1.4.1 本文研究內(nèi)容
        1.4.2 本文章節(jié)安排
第2章 醫(yī)學圖像基礎及其目標檢測分割算法
    2.1 醫(yī)學圖像基礎
        2.1.1 醫(yī)學圖像存儲格式
        2.1.2 CT亨氏值、窗寬和窗位
        2.1.3 三個坐標系
    2.2 肺結(jié)節(jié)的CT征象
    2.3 目標檢測算法
        2.3.1 R-CNN
        2.3.2 SPP-net
        2.3.3 Fast R-CNN
        2.3.4 Faster R-CNN
        2.3.5 Faster R-CNN+FPN
    2.4 醫(yī)學圖像分割
        2.4.1 patch-based architecture
        2.4.2 FCN
        2.4.3 U-net
    2.5 本章小結(jié)
第3章 基于Mask R-CNN的肺結(jié)節(jié)檢測與分割算法
    3.1 Mask R-CNN算法
        3.1.1 骨干網(wǎng)絡(backbone)
        3.1.2 特征金字塔網(wǎng)絡(FPN)
        3.1.3 區(qū)域建議網(wǎng)絡(RPN)
        3.1.4 功能分支:分類、檢測和分割
    3.2 實驗過程
        3.2.1 數(shù)據(jù)庫
        3.2.2 數(shù)據(jù)預處理
        3.2.3 Mask R-CNN參數(shù)設置
        3.2.4 實驗環(huán)境
    3.3 實驗結(jié)果與分析
        3.3.1 肺結(jié)節(jié)檢測結(jié)果
        3.3.2 肺結(jié)節(jié)分割結(jié)果
    3.4 本章小結(jié)
第4章 醫(yī)學圖像三維重建算法
    4.1 移動立方體法
    4.2 光線投射法
    4.3 算法分析與比較
    4.4 三維重建實驗
        4.4.1 三維重建實驗環(huán)境
        4.4.2 實驗過程與結(jié)果
    4.5 本章小結(jié)
第5章 肺結(jié)節(jié)三維可視化輔助診斷系統(tǒng)
    5.1 系統(tǒng)總體架構(gòu)
    5.2 系統(tǒng)開發(fā)平臺
        5.2.1 系統(tǒng)硬件開發(fā)平臺
        5.2.2 系統(tǒng)軟件開發(fā)平臺
    5.3 系統(tǒng)功能與測試
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果


【參考文獻】：
期刊論文
[1]小波能量引導下基于活動輪廓模型的部分實性肺結(jié)節(jié)分割[J]. 馮寶,陳相猛,李浦生,陳業(yè)航,姚楠,龍晚生.  華南理工大學學報(自然科學版). 2019(02)
[2]基于CUDA架構(gòu)的改進Marching Cubes算法[J]. 周筠,蔣富.  計算機科學. 2018(S2)
[3]醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J]. 田娟秀,劉國才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動化學報. 2018(03)
[4]基于深度學習的計算機輔助肺癌診斷方法[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.  計算機輔助設計與圖形學學報. 2018(01)
[5]醫(yī)學影像計算機輔助檢測與診斷系統(tǒng)綜述[J]. 鄭光遠,劉峽壁,韓光輝.  軟件學報. 2018(05)
[6]肺部CT圖像病變區(qū)域檢測方法[J]. 韓光輝,劉峽壁,鄭光遠.  自動化學報. 2017(12)
[7]醫(yī)學圖像三維可視化技術(shù)及其新進展[J]. 王猛,孔繁之.  醫(yī)學影像學雜志. 2015(06)
[8]檢測肺結(jié)節(jié)的3維自適應模板匹配[J]. 高婷,龔敬,王遠軍,聶生東,孫希文.  中國圖象圖形學報. 2014(09)
[9]基于八叉樹編碼的CUDA光線投射算法[J]. 康健超,康寶生,馮筠,王國棟,趙建東,唐斌.  西北大學學報(自然科學版). 2012(01)
[10]Marching Cubes算法改進研究及應用[J]. 僧德文,李仲學,李翠平,李春民.  計算機應用研究. 2006(07)

碩士論文
[1]基于深度學習的肺結(jié)節(jié)檢測研究[D]. 李媛媛.電子科技大學 2019
[2]醫(yī)學CT三維重建技術(shù)的研究與實現(xiàn)[D]. 王曉.華中科技大學 2007



本文編號：3689725