【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)布的全球報告,通過初期醫(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)展中國家大規(guī)模采用。結(jié)核病的診斷現(xiàn)在仍然是一項重大挑戰(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)師越來越難以對所有患者的胸部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算機輔助診斷體系來幫助放射科醫(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)及其在目標檢測任務(wù)中的應(yīng)用。同時,介紹了肺結(jié)核實驗數(shù)據(jù)集,考慮到醫(yī)學(xué)圖像的特殊性,對肺結(jié)核胸片進行預(yù)處理,使肺部特征增強。接下來,研究了基于深度學(xué)習(xí)的肺結(jié)核自動檢測算法,基礎(chǔ)檢測網(wǎng)絡(luò)框架采取RetinaNet模型,實現(xiàn)多尺度檢測。然后,針對原始模型漏檢率高的問題,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)對原始模型進行優(yōu)化,有效降低漏檢率,提高檢測精度。本文融合胸部分割方法設(shè)計了一個高精度的肺結(jié)核分類網(wǎng)絡(luò),設(shè)計作為降假陽約束加入到檢測網(wǎng)絡(luò)中。肺結(jié)核分類網(wǎng)絡(luò)由基于U-Net的胸部分割路徑和特征提取路徑組成,全局平均池化運算和全卷積層實現(xiàn)類別預(yù)測。通過完整胸片和病灶圖像塊作為分類網(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,為實現(xiàn)在不改變漏檢率的條件下,降低模型誤檢率,將設(shè)計的高精度肺結(jié)核分類網(wǎng)絡(luò)作為降假陽約束加入到檢測網(wǎng)絡(luò)中。當(dāng)檢測網(wǎng)絡(luò)得到預(yù)測框之后,本文設(shè)計了一種有效的假陽約束算法,通過整合檢測模型和分類模型的輸出結(jié)果來獲得最終的肺結(jié)核檢測。本文提出的肺結(jié)核檢測模型在兩個測試集上達到了約92%的精確度。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R521;R816.4;TP391.41;TP18
【圖文】：

神經(jīng)科學(xué)家們在對動物的視覺組織構(gòu)造進行深入研究后，得到結(jié)論：動物單獨的視覺神經(jīng)元細胞只負責(zé)分析某一小的局部區(qū)域的視覺圖像。根據(jù)這個現(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。隨后在 1998 年，LeCun 等人設(shè)計了成功應(yīng)用于手寫數(shù)字識別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò) LeNet[29]，它使用反向傳播算法，通過梯度前傳實現(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 圖像分類比賽上獲得第一名的成績，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)不可缺少的基本運算單元。輸入的圖片經(jīng)過一系列的基本運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)換為一維類別概率向量。卷積神經(jīng)網(wǎng)絡(luò)利用反向傳播算法（BP）進行訓(xùn)練。BP 算法的核心思想為將預(yù)測值和真實值之間的偏差逐層向前傳遞，實現(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)率是手動設(shè)置且網(wǎng)絡(luò)中所以參數(shù)使用相同的學(xué)習(xí)，對于網(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)計獨立合適的學(xué)習(xí)率的方法 Adam 優(yōu)化算法應(yīng)運而來，卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)有逐漸加深的趨勢。繼 AlexNet 模列的卷積神經(jīng)網(wǎng)絡(luò)模型被提出來，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。

作為各類復(fù)雜計算機視覺系統(tǒng)的底層任務(wù)，目標檢測的意義不言而喻。不論是工業(yè)機械臂的抓取任務(wù)還是無人機的探測亦或是醫(yī)學(xué)影像的分析，一個優(yōu)秀的目標檢測算法可以提供有效的信息，進而決定整個計算機視覺系統(tǒng)的成敗。在目標自動檢測領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)同樣取得了不俗的成績。其中有兩類方法最具代表性，包括以 Ross Girshick 提出的 RCNN 系列方法為代表的兩階段檢測器和以 Jitendra Malik 等人提出的 YOLO 系列方法為代表的一階段檢測器。兩階段檢測器首先通過訓(xùn)練單獨的網(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)獲得位置坐標和類別。因為需要兩個訓(xùn)練步驟，通常兩階段檢測器的效率不高。圖 2-3 為 Faster RCNN 模型，為了提高效率，F(xiàn)aster RCNN 首先對整張圖片進行特征提取，直接在特征圖上生成一系列候選區(qū)域，這需要通過 RPN 網(wǎng)絡(luò)完成。同時，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 個全連接層，實現(xiàn)檢測框的預(yù)測。在訓(xùn)練過程中，F(xiàn)aster RCNN 需要先對 RPN 網(wǎng)絡(luò)進行訓(xùn)練，網(wǎng)絡(luò)收斂后，再對后端的輸出網(wǎng)絡(luò)進行訓(xùn)練，這無疑加重了訓(xùn)練負擔(dān)。

【相似文獻】

相關(guān)期刊論文 前10條

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

2 盧德超;;利福平致肺結(jié)核病灶擴大一例報告[J];瀘州醫(yī)學(xué)院學(xué)報;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，張鑫;CT對胸片隱蔽肺結(jié)核病灶的診斷價值[J];中原醫(yī)刊;1996年04期

5 馬騏;CT值對肺結(jié)核病灶活動性判斷的探討[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)果和價值分析[J];中國實用醫(yī)藥;2014年20期

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

9 李潤娜;趙瀅;;56例老年肺結(jié)核合并糖尿病的營養(yǎng)健康教育[J];中國醫(yī)藥指南;2017年09期

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

相關(guān)會議論文 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年中國防癆協(xié)會臨床/基礎(chǔ)專業(yè)學(xué)術(shù)大會匯編[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表達及其臨床意義[A];中華醫(yī)學(xué)會結(jié)核病學(xué)分會2010年學(xué)術(shù)年會論文匯編[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)會結(jié)核病學(xué)分會2010年學(xué)術(shù)年會論文匯編[C];2010年

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

5 段云芝;吳紀峰;張剛;王靜;;晚期肺結(jié)核呼吸衰竭的血氣分析[A];中國防癆協(xié)會全國學(xué)術(shù)會議大會學(xué)術(shù)報告[C];2001年

相關(guān)重要報紙文章 前3條

1 黃永良;肺結(jié)核不咯血不是停藥標志[N];健康報;2008年

2 嚴玉蘭;老人肺結(jié)核如何診療[N];醫(yī)藥養(yǎng)生保健報;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;2007年

相關(guān)碩士學(xué)位論文 前1條

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

本文編號：2807052