【摘要】：由于深度學習技術以及深度卷積神經網絡在圖像領域的巨大成功,眾多學者將卷積神經網絡應用到CT圖像肺結節(jié)檢測之中,取得了大量的研究成果,在提高檢測率、降低假陽性率等方面獲得了較好的效果。然而,CT影像中的肺結節(jié),種類繁多、結構各異、體積較小,尺寸和位置千變萬化,一些假陽性候選肺結節(jié)與真結節(jié)有相似形態(tài),且容易與肺內氣管、血管等組織粘連混淆,所有這些都極大增加了肺結節(jié)檢測的難度。雖然卷積神經網絡肺結節(jié)檢測算法已取得較高性能,但是基于臨床應用視角,如何準確、快速和方便地檢測與識別早期肺癌結節(jié),目前仍然是研究的重點與難點。因此深入研究與開發(fā)卷積神經網絡肺結節(jié)檢測算法,具有理論意義與應用價值。在分析研究現(xiàn)有代表性卷積神經網絡肺結節(jié)檢測算法的基礎上,為了降低假陽性率、提高檢測準確率,應用通用目標檢測的領先算法,集成RefineDet算法與SENet算法,設計了一種基于卷積神經網絡的肺結節(jié)檢測算法,主要研究工作包括4個方面。(1)文獻的閱讀與相關知識點的研究。通過查閱文獻,對CT圖像、肺結節(jié)及其檢測相關知識進行深入了解,對卷積神經網絡應用于肺結節(jié)檢測的理論及方法深入研究。結合肺結節(jié)特點,借鑒領先的目標檢測算法,設計了一種基于卷積神經網絡的肺結節(jié)檢測算法。(2)數(shù)據集預處理。由于數(shù)據集原圖像的格式問題,首先對其進行格式轉換,提取相關注釋信息,再根據標注信息進行矩形框的標注。通過篩選合適的數(shù)據進行實驗,并對數(shù)據進行旋轉、噪聲等處理來增加樣本數(shù)量,提高模型的泛化能力。(3)網絡結構的設計。網絡設計主要參考RefineDet網絡,去掉最后兩層卷積及其相關聯(lián)的層。針對本文肺結節(jié)檢測,由于其目標較小且不易被檢測,因此,在網絡中加入SENet模塊,增加圖像特征參數(shù),融合更多的上下文信息,提高模型學習能力。(4)實驗驗證。通過實驗從定性與定量兩方面驗證了本文算法的有效性。使用FROC、AUC以及CPM指標進行效果量化評價,并將本文算法與SSD、RefineDet等算法進行了對比。創(chuàng)新之處:(1)改進通用目標檢測領先算法,構建適應CT圖像肺結節(jié)檢測的CNN網絡結構。采用兩步級聯(lián)策略對候選框進行篩選,使用錨框細化模塊去除負候選框,并對候選框的位置及大小進行調整,使用目標檢測模塊回歸準確的對象位置并預測結節(jié)類別。(2)采用兩級特征提取結構,使特征更豐富。針對肺結節(jié)小目標問題,引入SENet模塊進行特征增強,加強特征傳遞和復用,通過特征重標定來自適應學習特征權重,抑制對當前任務中用處不大的特征,從而提升模型性能。不足之處:(1)未考慮CT圖像的空間信息,對CT圖像序列前后之間的聯(lián)系未進行相應處理。在未來工作中,通過設計三維卷積神經網絡,有效利用空間信息,提高網絡魯棒性。(2)在網絡模型訓練時,采用檢測通用目標的loss函數(shù),未針對肺結節(jié)小目標問題進行改進。在今后工作中,通過改進損失函數(shù)有針對性的實現(xiàn)對肺結節(jié)檢測。
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183;R816.4
【圖文】：

直徑小于 3mm 的結節(jié)被視為良性結節(jié)，癌癥的發(fā)病率較低，并且功能。但隨著時間的推移，小結節(jié)有可能演變?yōu)榇蠼Y節(jié)，導致發(fā)病的可能性大大因此，需要進行定期檢查來降低發(fā)病的可能性。肺結節(jié)的類型復雜多樣，主要表現(xiàn)為毛刺狀、鈣化、粘連血管以及獨立結節(jié)等結節(jié)的復雜多樣也給醫(yī)師的診斷帶來了一定的影響，因此，需要提供更加有效的段來幫助醫(yī)師提高診治的準確度。3 肺結節(jié)檢測基礎知識肺結節(jié)檢測指的是對獲取的醫(yī)學影像中肺結節(jié)的位置進行定位，并對其病變信息斷，其檢測方法主要通過胸部 X光或 CT 掃描來獲取影像信息。X光圖像能夠反病變組織的密度，但是沒有量的概念。CT 圖像不僅以不同灰度顯示其密度的高用組織對 X光的吸收系數(shù)說明其密度高低的程度，具有一個量的概念，并且 CT 圖 2-1 三種類型的結節(jié)

山東師范大學碩士學位論文圖 2-3 AlexNet 網絡結構圖ndrew 領導的團隊在 ILSVRC 競賽中GG 模型，如圖 2-4 所示。該模型在繼加了其網絡深度，由原來的 8 層增加性。

【相似文獻】

相關期刊論文 前10條

1 李哲;;令人糾結的肺結節(jié)[J];開卷有益-求醫(yī)問藥;2019年07期

2 牙祖鴻;;16層螺旋CT在肺結節(jié)診斷中的應用效果評價[J];世界最新醫(yī)學信息文摘;2019年24期

3 肖寧;強彥;趙涓涓;張小龍;;基于分割對抗網絡的肺結節(jié)分割[J];計算機工程與設計;2019年04期

4 王成弟;郭際香;楊陽;徐修遠;胡亦清;楊瀾;章毅;李為民;;利用深度學習技術輔助肺結節(jié)的人工智能檢測[J];中國呼吸與危重監(jiān)護雜志;2019年03期

5 裴東方;陳少武;;多層螺旋CT胸部低劑量掃描在肺結節(jié)鑒別診斷中的臨床價值[J];實用醫(yī)學影像雜志;2019年03期

6 葉鋼福;;肺結節(jié)早期診治中應用中醫(yī)體質學說干預72例分析[J];中外醫(yī)療;2019年14期

7 徐久強;洪麗萍;朱宏博;趙海;;一種用于肺結節(jié)惡性度分類的生成對抗網絡[J];東北大學學報(自然科學版);2018年11期

8 M.Kwon;S.H.Lee;Y.S.Lee;C.W.Lee;J.L.Roh;S.H.Choi;張毓婧;;頭頸部鱗狀細胞癌病人初步評估中檢出的非特異性肺結節(jié)的臨床意義[J];國際醫(yī)學放射學雜志;2017年06期

9 張俊杰;周濤;夏勇;王文文;師宏斌;;基于空間分布的三維自動化肺結節(jié)分割算法[J];電視技術;2016年08期

10 阮曙芬;;晚期肺結節(jié)圖像特征準確識別仿真研究[J];計算機仿真;2015年08期

相關會議論文 前10條

1 孫志遠;;數(shù)字化體層融合在肺結節(jié)探查中的初步應用[A];中華醫(yī)學會第16次全國放射學學術大會論文匯編[C];2009年

2 穆景博;高向東;;X線數(shù)字化體層融合技術在肺結節(jié)探查中的應用[A];2010中華醫(yī)學會影像技術分會第十八次全國學術大會論文集[C];2010年

3 查開繼;高劍波;張永高;郭華;楊學華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結節(jié)的比較研究[A];2010中華醫(yī)學會影像技術分會第十八次全國學術大會論文集[C];2010年

4 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學學術年會論文匯編[C];2006年

5 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結節(jié):提示炎癥?[A];中華醫(yī)學會放射學分會第八屆全國心胸影像學術大會暨河南省第十二次放射學術會議論文匯編[C];2006年

6 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結節(jié):提示炎癥?[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

7 田原成;劉朝陽;鄭蘭條;王新蘭;馮佳俊;林艷霞;曾湘豫;;醫(yī)學氣功社區(qū)內外氣治病經驗淺談[A];中國醫(yī)學氣功學會第六屆會員代表大會暨學術年會論文集[C];2019年

8 陳燕;陳瑜;王苗娟;徐素美;殷瑛;;健康體檢人群中低劑量胸部CT在肺結節(jié)篩查中的診斷價值初步評估[A];2016年浙江省醫(yī)學會健康管理學分會學術年會暨中國健康管理學科發(fā)展論壇論文匯編[C];2016年

9 孫希文;;少見良性肺結節(jié)CT表現(xiàn)[A];中國防癆協(xié)會臨床專業(yè)委員會2012年度學術會議暨專業(yè)學組成立大會論文集[C];2012年

10 徐巖;馬大慶;;計算機輔助檢測肺結節(jié)在數(shù)字化胸片上的應用價值[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

相關重要報紙文章 前10條

1 李詩敏 本報記者 鄧曉洪;早查早診 別讓肺結節(jié)變成“劫”[N];成都日報;2019年

2 中國婦女報·中國女網記者 丁秀偉;肺結節(jié)高發(fā)但不等于肺癌 女性頻頻中招油煙是禍首[N];中國婦女報;2019年

3 本報記者 馬麗亞;肺結節(jié)不等于肺癌，應避免過度診療[N];上海中醫(yī)藥報;2019年

4 蘇惠萍 秦欣欣 北京中醫(yī)藥大學東直門醫(yī)院;莫為肺結節(jié)所困擾[N];中國中醫(yī)藥報;2018年

5 通訊員 崔玉艷;40歲以上“老煙槍”每年做個CT檢查[N];家庭醫(yī)生報;2017年

6 記者 陳鑫龍;中國肺癌防治聯(lián)盟暨肺結節(jié)中心在昆成立[N];云南日報;2017年

7 廣西南寧 周一海;正確認識肺結節(jié)[N];上海中醫(yī)藥報;2017年

8 肖湘生 上海長征醫(yī)院醫(yī)學影像科主任醫(yī)師 教授;肺結節(jié)是怎么回事？[N];文匯報;2013年

9 本報見習記者 趙怡甄;采用全新方法治肺癌[N];經濟信息時報;2015年

10 上海交通大學醫(yī)學院附屬瑞金醫(yī)院胸外科主任醫(yī)師 邱維誠;發(fā)現(xiàn)肺結節(jié) 別輕易下診斷[N];健康報;2013年

相關博士學位論文 前10條

1 孫琦;持續(xù)存在肺結節(jié)的CT體積增長及其相關因素分析[D];北京協(xié)和醫(yī)學院;2018年

2 武盼盼;基于肺部CT圖像的肺結節(jié)檢測技術研究[D];河北工業(yè)大學;2017年

3 李惠民;肺結節(jié)CT研究[D];第二軍醫(yī)大學;2003年

4 張濤;肺結節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實驗研究[D];中國人民解放軍軍醫(yī)進修學院;2008年

5 陳侃;基于活動輪廓模型的肺結節(jié)分割方法研究[D];華南理工大學;2013年

6 劉陽;基于肺部高分辨率CT影像的肺結節(jié)識別方法研究[D];東北大學;2011年

7 孫申申;基于CT影像的肺結節(jié)檢測與分割方法研究[D];東北大學　;2009年

8 李陽;多核學習SVM算法研究及肺結節(jié)識別[D];吉林大學;2014年

9 劉瑛;肺結節(jié)的~(18)F-FDG PET-CT功能代謝與CT形態(tài)學研究[D];中國協(xié)和醫(yī)科大學;2009年

10 裴曉敏;基于CT影像的孤立性肺結節(jié)檢測關鍵技術研究[D];東北大學;2011年

相關碩士學位論文 前10條

1 朱輝;基于CT影像和深度學習的肺結節(jié)精確檢測算法研究[D];中北大學;2019年

2 焦慶磊;基于CNN的X光胸片肺結節(jié)檢測方法研究[D];中國科學技術大學;2019年

3 陳亞楠;基于深度學習的CT影像肺結節(jié)識別方法研究[D];河北地質大學;2018年

4 尚永生;基于卷積神經網絡的胸部CT圖像肺結節(jié)檢測算法研究[D];山東師范大學;2019年

5 張思奇;基于深度學習的CT圖像肺結節(jié)檢測方法研究[D];天津工業(yè)大學;2019年

6 趙彥杰;基于深度卷積神經網絡的肺結節(jié)自動檢測方法研究[D];廈門大學;2018年

7 王芳敏;AI“啄醫(yī)生”對肺結節(jié)良惡性鑒別的價值研究[D];西南醫(yī)科大學;2019年

8 劉詠江;基于改進的卷積神經網絡的肺結節(jié)良惡性分類研究[D];太原理工大學;2019年

9 吳保榮;基于深度卷積神經網絡的肺結節(jié)自動檢測和分類方法研究[D];太原理工大學;2019年

10 羅嘉瀅;基于廣義深度自編碼的肺結節(jié)診斷方法研究[D];太原理工大學;2019年

本文編號：2712940