肺癌作為我國發(fā)病率及死亡率最高的惡性腫瘤,對人類健康生活和社會發(fā)展帶來了嚴(yán)重的威脅和阻礙,提高肺癌的早期診斷率對于降低肺癌死亡率至關(guān)重要。肺結(jié)節(jié)是肺癌的一種早期表現(xiàn)形式,它是肺部的一種病灶組織,在醫(yī)學(xué)影像上顯示為白色陰影,肺結(jié)節(jié)檢測是肺癌診斷的關(guān)鍵。胸部計算機(jī)斷層掃描(CT)是肺結(jié)節(jié)檢測的常用成像工具,也是肺癌早期診斷的有效途徑之一。由于肺結(jié)節(jié)在CT和X射線等影像下的對比度相對較低,而且存在與肺部及其它周邊組織發(fā)生遮擋重疊等情況,同時結(jié)節(jié)自身的形狀大小以及不透明程度,給肺結(jié)節(jié)的檢測帶來很大挑戰(zhàn)。目前運(yùn)用深度學(xué)習(xí)在醫(yī)療影像方面進(jìn)行輔助診斷已經(jīng)有了廣泛研究與應(yīng)用,對于肺結(jié)節(jié)檢測研究方面,漏檢和誤檢問題較為突出,因此進(jìn)行基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測及假陽性去除算法的研究,提高肺結(jié)節(jié)檢測準(zhǔn)確率,具有重要的意義和實際的應(yīng)用價值。本文基于最大公用肺結(jié)節(jié)數(shù)據(jù)集LIDC-IDRI的子集LUNA16數(shù)據(jù)集,就肺結(jié)節(jié)檢測及假陽性去除的問題展開如下研究:(1)肺結(jié)節(jié)檢測針對肺結(jié)節(jié)檢測的問題構(gòu)建了一個基于改進(jìn)3D Faster R-CNN的肺結(jié)節(jié)檢測模型來生成候選結(jié)節(jié),該模型充分挖掘數(shù)據(jù)中三維空間的有效信息。為更...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢
        1.2.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的肺結(jié)節(jié)檢測方法
        1.2.2 基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測算法研究
        1.2.3 肺結(jié)節(jié)假陽性去除研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及創(chuàng)新點(diǎn)
        1.3.1 本文主要內(nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)論述
第2章 計算機(jī)視覺中的深度學(xué)習(xí)的實現(xiàn)與優(yōu)化
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 殘差層
        2.2.5 反卷積(Deconvolution)
        2.2.6 激活函數(shù)
        2.2.7 批量歸一化(Batch Normalization BN)[49]
        2.2.8 深度卷積神經(jīng)網(wǎng)絡(luò)
    2.3 網(wǎng)絡(luò)優(yōu)化策略
        2.3.1 正則化與Dropout
        2.3.2 優(yōu)化算法
    2.4 Pytorch深度學(xué)習(xí)框架
    2.5 本章小結(jié)
第3章 基于改進(jìn)3D Faster R-CNN的肺結(jié)節(jié)檢測算法
    3.1 引言
    3.2 算法框架
    3.3 特征提取
        3.3.1 SKNet模塊
    3.4 特征融合
    3.5 候選框的生成
        3.5.1 損失函數(shù)
        3.5.2 非極大值抑制
    3.6 訓(xùn)練策略
        3.6.1 正樣本平衡
        3.6.2 難例挖掘
    3.7 數(shù)據(jù)集介紹及預(yù)處理
        3.7.1 數(shù)據(jù)集介紹
        3.7.2 數(shù)據(jù)集的預(yù)處理
        3.7.3 數(shù)據(jù)增強(qiáng)策略
    3.8 實驗設(shè)置
        3.8.1 實驗平臺介紹
    3.9 實驗結(jié)果與分析
        3.9.1 評價指標(biāo)
        3.9.2 實驗結(jié)果與對比分析
    3.10 本章小結(jié)
第4章 基于3D U-Net和3D CNN網(wǎng)絡(luò)的聯(lián)合假陽性去除算法
    4.1 引言
    4.2 基于3D U-Net網(wǎng)絡(luò)的假陽性去除算法
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 基于3D CNN網(wǎng)絡(luò)的假陽性去除算法
        4.3.1 3D CNN模型
        4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 空洞卷積(Dilated Convolution)
    4.4 訓(xùn)練策略
        4.4.1 損失函數(shù)
        4.4.2 數(shù)據(jù)增強(qiáng)
    4.5 實驗設(shè)置
        4.5.1 實驗平臺介紹
    4.6 實驗結(jié)果與分析
    4.7 本章小結(jié)
第5章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝



本文編號：3986148