【摘要】：肺結(jié)核是世界上第二大死亡原因,在傳染病中排名第一。根據(jù)世界衛(wèi)生組織(WHO)發(fā)布的全球報(bào)告,通過(guò)初期醫(yī)治和合適治療可以預(yù)防大多數(shù)結(jié)核病患者的死亡。但不幸的是,目前的大多數(shù)診斷方法的成本都不允許在受結(jié)核病影響最大的發(fā)展中國(guó)家大規(guī)模采用。結(jié)核病的診斷現(xiàn)在仍然是一項(xiàng)重大挑戰(zhàn),在目前的結(jié)核病分析方法中,胸部X光片具有快捷、方便、便宜等特性,常被用作大范圍普查的手段。隨著醫(yī)學(xué)數(shù)據(jù)量的增加,放射科醫(yī)師越來(lái)越難以對(duì)所有患者的胸部X光片維持同等的診斷效率和水平,從而迫切需要高精度的計(jì)算機(jī)輔助診斷體系來(lái)幫助放射科醫(yī)師保持診斷質(zhì)量。本文首先研究了卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其在目標(biāo)檢測(cè)任務(wù)中的應(yīng)用。同時(shí),介紹了肺結(jié)核實(shí)驗(yàn)數(shù)據(jù)集,考慮到醫(yī)學(xué)圖像的特殊性,對(duì)肺結(jié)核胸片進(jìn)行預(yù)處理,使肺部特征增強(qiáng)。接下來(lái),研究了基于深度學(xué)習(xí)的肺結(jié)核自動(dòng)檢測(cè)算法,基礎(chǔ)檢測(cè)網(wǎng)絡(luò)框架采取RetinaNet模型,實(shí)現(xiàn)多尺度檢測(cè)。然后,針對(duì)原始模型漏檢率高的問(wèn)題,從網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)等角度提出了Anchor結(jié)構(gòu)參數(shù)初始化方法、Anchor-Oriented算法以及新的困難學(xué)習(xí)樣本挖掘損失函數(shù)對(duì)原始模型進(jìn)行優(yōu)化,有效降低漏檢率,提高檢測(cè)精度。本文融合胸部分割方法設(shè)計(jì)了一個(gè)高精度的肺結(jié)核分類(lèi)網(wǎng)絡(luò),設(shè)計(jì)作為降假陽(yáng)約束加入到檢測(cè)網(wǎng)絡(luò)中。肺結(jié)核分類(lèi)網(wǎng)絡(luò)由基于U-Net的胸部分割路徑和特征提取路徑組成,全局平均池化運(yùn)算和全卷積層實(shí)現(xiàn)類(lèi)別預(yù)測(cè)。通過(guò)完整胸片和病灶圖像塊作為分類(lèi)網(wǎng)絡(luò)輸入從而有效的利用胸片的全局信息和局部信息。最后,為實(shí)現(xiàn)在不改變漏檢率的條件下,降低模型誤檢率,將設(shè)計(jì)的高精度肺結(jié)核分類(lèi)網(wǎng)絡(luò)作為降假陽(yáng)約束加入到檢測(cè)網(wǎng)絡(luò)中。當(dāng)檢測(cè)網(wǎng)絡(luò)得到預(yù)測(cè)框之后,本文設(shè)計(jì)了一種有效的假陽(yáng)約束算法,通過(guò)整合檢測(cè)模型和分類(lèi)模型的輸出結(jié)果來(lái)獲得最終的肺結(jié)核檢測(cè)。本文提出的肺結(jié)核檢測(cè)模型在兩個(gè)測(cè)試集上達(dá)到了約92%的精確度。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R521;R816.4;TP391.41;TP18
【圖文】：

神經(jīng)科學(xué)家們?cè)趯?duì)動(dòng)物的視覺(jué)組織構(gòu)造進(jìn)行深入研究后，得到結(jié)論：動(dòng)物單獨(dú)的視覺(jué)神經(jīng)元細(xì)胞只負(fù)責(zé)分析某一小的局部區(qū)域的視覺(jué)圖像。根據(jù)這個(gè)現(xiàn)象，科學(xué)家們提出了“感受野”的概念，這是卷積概念的最早由來(lái)。隨后在 1998 年，LeCun 等人設(shè)計(jì)了成功應(yīng)用于手寫(xiě)數(shù)字識(shí)別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò) LeNet[29]，它使用反向傳播算法，通過(guò)梯度前傳實(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)。直到 2013 年 Hinton 等人首次使用卷積網(wǎng)絡(luò)模型 AlexNet 在 ImageNet 圖像分類(lèi)比賽上獲得第一名的成績(jī)，卷積神經(jīng)網(wǎng)絡(luò)逐漸成為最受歡迎的特征提取器。以 AlexNet 網(wǎng)絡(luò)模型為例，卷積神經(jīng)網(wǎng)絡(luò)的前端通常包含有卷積層、池化層和激活函數(shù)。當(dāng)然，為了改善網(wǎng)絡(luò)的性能，諸如正則化層（BN）、空洞卷積層、Dropout 層等各具優(yōu)勢(shì)的結(jié)構(gòu)陸續(xù)被提出，但卷積-激活函數(shù)-池化結(jié)構(gòu)仍然為卷積網(wǎng)絡(luò)不可缺少的基本運(yùn)算單元。輸入的圖片經(jīng)過(guò)一系列的基本運(yùn)算單元被降采樣為一定尺寸的特征圖，后端加入 1~2 層全連接層以及 soft max 函數(shù)，將二維圖向量轉(zhuǎn)換為一維類(lèi)別概率向量。卷積神經(jīng)網(wǎng)絡(luò)利用反向傳播算法（BP）進(jìn)行訓(xùn)練。BP 算法的核心思想為將預(yù)測(cè)值和真實(shí)值之間的偏差逐層向前傳遞，實(shí)現(xiàn)各層網(wǎng)絡(luò)參數(shù)的更新。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文。一般學(xué)習(xí)率是手動(dòng)設(shè)置且網(wǎng)絡(luò)中所以參數(shù)使用相同的學(xué)習(xí)，對(duì)于網(wǎng)絡(luò)不同部分的參數(shù)，其收斂速度、重要程度都不一層參數(shù)設(shè)計(jì)獨(dú)立合適的學(xué)習(xí)率的方法 Adam 優(yōu)化算法應(yīng)運(yùn)而來(lái)，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)有逐漸加深的趨勢(shì)。繼 AlexNet 模列的卷積神經(jīng)網(wǎng)絡(luò)模型被提出來(lái)，包括具有殘差單元的 Re2 層的 GoogleNet 模型等。神經(jīng)網(wǎng)絡(luò)層數(shù)的加深得益于兩個(gè)共享和局部連接，它們有效的解決了深層網(wǎng)絡(luò)參數(shù)眾多，訓(xùn)而使深度學(xué)習(xí)算法得以大范圍應(yīng)用。

作為各類(lèi)復(fù)雜計(jì)算機(jī)視覺(jué)系統(tǒng)的底層任務(wù)，目標(biāo)檢測(cè)的意義不言而喻。不論是工業(yè)機(jī)械臂的抓取任務(wù)還是無(wú)人機(jī)的探測(cè)亦或是醫(yī)學(xué)影像的分析，一個(gè)優(yōu)秀的目標(biāo)檢測(cè)算法可以提供有效的信息，進(jìn)而決定整個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)的成敗。在目標(biāo)自動(dòng)檢測(cè)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)同樣取得了不俗的成績(jī)。其中有兩類(lèi)方法最具代表性，包括以 Ross Girshick 提出的 RCNN 系列方法為代表的兩階段檢測(cè)器和以 Jitendra Malik 等人提出的 YOLO 系列方法為代表的一階段檢測(cè)器。兩階段檢測(cè)器首先通過(guò)訓(xùn)練單獨(dú)的網(wǎng)絡(luò)生成候選區(qū)域，將這些候選區(qū)域送入到全連接網(wǎng)絡(luò)獲得位置坐標(biāo)和類(lèi)別。因?yàn)樾枰獌蓚�(gè)訓(xùn)練步驟，通常兩階段檢測(cè)器的效率不高。圖 2-3 為 Faster RCNN 模型，為了提高效率，F(xiàn)aster RCNN 首先對(duì)整張圖片進(jìn)行特征提取，直接在特征圖上生成一系列候選區(qū)域，這需要通過(guò) RPN 網(wǎng)絡(luò)完成。同時(shí)，使用 ROI pooling 層將這些候選區(qū)域變換為相同尺寸。后端加入 2 個(gè)全連接層，實(shí)現(xiàn)檢測(cè)框的預(yù)測(cè)。在訓(xùn)練過(guò)程中，F(xiàn)aster RCNN 需要先對(duì) RPN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)收斂后，再對(duì)后端的輸出網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這無(wú)疑加重了訓(xùn)練負(fù)擔(dān)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 金愛(ài)順;;結(jié)核性胸膜炎的臨床表現(xiàn)與診斷[J];中國(guó)社區(qū)醫(yī)師;1988年08期

2 盧德超;;利福平致肺結(jié)核病灶擴(kuò)大一例報(bào)告[J];瀘州醫(yī)學(xué)院學(xué)報(bào);1989年01期

3 石廷章;肺結(jié)核基礎(chǔ)上發(fā)生的肺癌[J];北京醫(yī)學(xué);1982年03期

4 栗濤，袁方，張?chǎng)?CT對(duì)胸片隱蔽肺結(jié)核病灶的診斷價(jià)值[J];中原醫(yī)刊;1996年04期

5 馬騏;CT值對(duì)肺結(jié)核病灶活動(dòng)性判斷的探討[J];臨床肺科雜志;1997年02期

6 秦匯藩;;500例浸潤(rùn)型肺結(jié)核病灶的情況分析[J];交通醫(yī)學(xué);1997年02期

7 陳瑞輝;;肺結(jié)核患者CT診斷結(jié)果和價(jià)值分析[J];中國(guó)實(shí)用醫(yī)藥;2014年20期

8 喬翠君;;肺結(jié)核病灶組織IFN-γ表達(dá)及其臨床意義[J];中國(guó)實(shí)用醫(yī)藥;2015年28期

9 李潤(rùn)娜;趙瀅;;56例老年肺結(jié)核合并糖尿病的營(yíng)養(yǎng)健康教育[J];中國(guó)醫(yī)藥指南;2017年09期

10 馬嘉瑾;桃紅四物湯加味促進(jìn)肺結(jié)核病灶吸收28例[J];陜西中醫(yī);1999年06期

相關(guān)會(huì)議論文 前5條

1 陳園園;朱敏;;肺結(jié)核并發(fā)多器官功能障礙綜合征53例臨床分析[A];2010年中國(guó)防癆協(xié)會(huì)臨床/基礎(chǔ)專(zhuān)業(yè)學(xué)術(shù)大會(huì)匯編[C];2010年

2 方毅敏;馬志明;何橋;譚守勇;;肺結(jié)核病灶組織INF-γ表達(dá)及其臨床意義[A];中華醫(yī)學(xué)會(huì)結(jié)核病學(xué)分會(huì)2010年學(xué)術(shù)年會(huì)論文匯編[C];2010年

3 張先明;杜娟;;肺結(jié)核合并糖尿病42例臨床分析[A];中華醫(yī)學(xué)會(huì)結(jié)核病學(xué)分會(huì)2010年學(xué)術(shù)年會(huì)論文匯編[C];2010年

4 朱怡;;肺結(jié)核病灶進(jìn)展的CT影像學(xué)表現(xiàn)及其臨床特征分析[A];中華醫(yī)學(xué)會(huì)結(jié)核病學(xué)分會(huì)2019年全國(guó)結(jié)核病學(xué)術(shù)大會(huì)論文匯編[C];2019年

5 段云芝;吳紀(jì)峰;張剛;王靜;;晚期肺結(jié)核呼吸衰竭的血?dú)夥治鯷A];中國(guó)防癆協(xié)會(huì)全國(guó)學(xué)術(shù)會(huì)議大會(huì)學(xué)術(shù)報(bào)告[C];2001年

相關(guān)重要報(bào)紙文章 前3條

1 黃永良;肺結(jié)核不咯血不是停藥標(biāo)志[N];健康報(bào);2008年

2 嚴(yán)玉蘭;老人肺結(jié)核如何診療[N];醫(yī)藥養(yǎng)生保健報(bào);2008年

3 主任醫(yī)師 容小翔;肺結(jié)核鈣化后還要注意什么？[N];醫(yī)藥養(yǎng)生保健報(bào);2007年

相關(guān)碩士學(xué)位論文 前1條

1 劉洋;肺結(jié)核病灶自動(dòng)檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2019年

本文編號(hào)：2807052