目前,肺癌的發(fā)病率和死亡率在中國乃至全世界排名第一。其早期表現(xiàn)為圓形或不規(guī)則形狀的肺結(jié)節(jié),直徑為30mm或更小。肺結(jié)節(jié)的早期診斷和治療是降低肺癌死亡率的最有效方法。由于肺結(jié)節(jié)的形態(tài)多樣性和分布不均,且每個(gè)醫(yī)生每天要處.理的圖像數(shù).量高達(dá)數(shù)十.萬張,醫(yī)生很容易.造成誤判。因此可以采.取其他輔助技.術(shù)輔助醫(yī)生.診斷,可以顯著.提高診斷結(jié)果.的準(zhǔn)確性和.診斷效率。綜上所述,運(yùn)用其他.輔助手段輔助.肺結(jié)節(jié)的檢測.是很有必要的。傳統(tǒng)的輔助.手段消耗時(shí)間大,誤報(bào)率還高,無法滿足臨床應(yīng)用的需求。本文提出了基于.Faster R-CNN算法來檢測肺結(jié)節(jié),解決了傳統(tǒng)方法的缺陷。首先搭建了深度學(xué)習(xí)的環(huán)境,然后使用LIDC-IDRI數(shù)據(jù)庫作為數(shù)據(jù)來源制作了能供Faster R-CNN模型訓(xùn)練的數(shù)據(jù)集,用于初步驗(yàn)證該方法的可行性,并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和評(píng)價(jià)。但是該方法.在檢測精度.上還有可提.升的空間,可以對(duì)其進(jìn)行進(jìn)一步的改進(jìn)優(yōu)化,以提高檢測精確度。改進(jìn)優(yōu)化的方法從參數(shù)的優(yōu)化和改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)等方面入手,先從理論上分析改進(jìn)優(yōu)化的可行性,再通過多次實(shí)驗(yàn)對(duì)比分析。最后又橫向?qū)Ρ攘四壳皯?yīng)用于物體檢測比較流行的幾種方法,本文所提優(yōu)化改進(jìn)后的算法普遍比其他流行算法在檢測精度上提高了20%以上,實(shí)驗(yàn)證明,該方法在肺結(jié)節(jié)檢測領(lǐng)域具有良好的理論價(jià)值和工程應(yīng)用價(jià)值。最后,基于優(yōu)化改進(jìn)后的算法利用Python的Web框架Django搭建了一個(gè)肺結(jié)節(jié)輔助檢測系統(tǒng),前端框架使用Bootstrap和jQuery的CSS樣式來設(shè)置系統(tǒng)的頁面布局,方便讓醫(yī)生能夠簡單直觀地使用。
【學(xué)位單位】：濟(jì)南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R734.2;TP391.41;TP18
【部分圖文】：

2.1 卷積神經(jīng)網(wǎng)絡(luò)簡介卷積神經(jīng)網(wǎng).絡(luò)（CNN）實(shí)際上就.是在每層網(wǎng).絡(luò)上都進(jìn)行特.征提取。與傳統(tǒng)方.法相比，其優(yōu)點(diǎn)在于：首先，CNN 共.享了權(quán)值，大大減少了數(shù).據(jù)處理的數(shù)量，增加了網(wǎng).絡(luò)的魯棒性，減小了過.擬合現(xiàn)象出.現(xiàn)的幾率；其次，CNN 具有的池.化操作進(jìn)一步減.少了計(jì)算量，大大提升了數(shù).據(jù)處理的效率；然后，整個(gè)過程都是在 GPU 上運(yùn)行，真正實(shí)現(xiàn)自動(dòng)化操作；最后，根據(jù)特征提.取網(wǎng)絡(luò)深度的不同，CNN 可以提.取出很抽.象的特征圖，用以對(duì)物體的分類，分類精度高。在 CNN 結(jié)構(gòu)中，深度是非常重要的。從最簡單的五層 AleNet[15]網(wǎng)絡(luò)到 ZF[36]、VGG[37]、GoogLeNet[38]再到 100 層的 ResNet[39]，深度越來越深，圖像分類的準(zhǔn)確性越來越高。2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)CNN（卷積神經(jīng)網(wǎng)絡(luò)）的基本結(jié)構(gòu)如圖 2.1 所示。

濟(jì)南大學(xué)碩士學(xué)位論文2.3.1 Faster R-CNNFaster R-CNN 由 R-CNN 和 Fast R-CNN 發(fā)展而來，檢測精度越來越高。而且 FasterR-CNN，與 R-CNN 和 Fast R-CNN 最大的區(qū)別在于，目標(biāo)檢測所需的四個(gè)步驟，也就是說，候選區(qū)域生成，特征提取，分類器分類和回歸都被移交給深度神經(jīng)網(wǎng)絡(luò)并在 GPU 上運(yùn)行。這是一項(xiàng)非常重要的改進(jìn)，可大大提高運(yùn)營效率。該模型由兩.部分組成：分別為 RP.N 網(wǎng)絡(luò)和 F.ast R-CNN。輸入的圖.像先經(jīng)由基.礎(chǔ)的特征提取網(wǎng).絡(luò)進(jìn)行卷積和池.化操作，獲取圖像的特.征圖，再將特.征圖傳送到 RP.N 網(wǎng)絡(luò)，由 RP.N 網(wǎng)絡(luò)進(jìn)行初.步的邊框回.歸和分類判別，其中分類的依.據(jù)是候選框中是背.景還是待.識(shí)別物體。RP.N 網(wǎng)絡(luò)輸出候.選框的位置和得.分信息，再由全連.接層發(fā)送到 Fa.st R-CNN網(wǎng)絡(luò)中進(jìn).行最終的處理。分別為邊.框最終的回歸和待.識(shí)別物體的具.體的分類。具體的處理.流程如圖 2.2 所示。

（a）孤立型肺結(jié)節(jié) （b）與血管粘連型肺結(jié)節(jié) （c）和肺壁粘連型肺結(jié)節(jié)圖 3.1 檢測肺結(jié)節(jié)類型3.2.2 數(shù)據(jù)增強(qiáng)一個(gè)深度網(wǎng)絡(luò)模型首先要通過訓(xùn)練足夠多的數(shù)據(jù)，才能獲得比較理想的檢測精度在結(jié)構(gòu)復(fù)雜的網(wǎng)絡(luò)模型中，如果用于訓(xùn)練的數(shù)據(jù)量過少，會(huì)很容易發(fā)生過擬合，最終影響到檢測的精度。尤其是當(dāng)計(jì)算機(jī)技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用時(shí)，醫(yī)療數(shù)據(jù)是很稀缺的，因此有必要對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)。常用的數(shù)據(jù)增強(qiáng)方法有將圖片進(jìn)行水平和垂直方向的翻轉(zhuǎn)、將圖片的尺寸隨機(jī)變化、對(duì)圖片的顏色進(jìn)行變換、對(duì)圖片的仿射或旋轉(zhuǎn)操作以及添加噪聲等。但是實(shí)際的胸部 CT 圖像上述數(shù)據(jù)增強(qiáng)的方法都不適用。綜上所述，本文采用了一種其他的數(shù)據(jù)增強(qiáng)的方法。由于肺結(jié)節(jié)在實(shí)際情況中大多數(shù)都是類球體的，并且放射科醫(yī)生在標(biāo)記的時(shí)候只標(biāo)記了橫截面積最大的那一張 CT 圖像，彼此相鄰的一個(gè)或兩個(gè)切片相當(dāng)于浪費(fèi)了。本文

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 壽偉臻;;肺結(jié)節(jié)，什么時(shí)候需要手術(shù)[J];江蘇衛(wèi)生保健;2019年11期

2 牙祖鴻;;16層螺旋CT在肺結(jié)節(jié)診斷中的應(yīng)用效果評(píng)價(jià)[J];世界最新醫(yī)學(xué)信息文摘;2019年24期

3 肖寧;強(qiáng)彥;趙涓涓;張小龍;;基于分割對(duì)抗網(wǎng)絡(luò)的肺結(jié)節(jié)分割[J];計(jì)算機(jī)工程與設(shè)計(jì);2019年04期

4 王成弟;郭際香;楊陽;徐修遠(yuǎn);胡亦清;楊瀾;章毅;李為民;;利用深度學(xué)習(xí)技術(shù)輔助肺結(jié)節(jié)的人工智能檢測[J];中國呼吸與危重監(jiān)護(hù)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(jié)節(jié)鑒別診斷中的臨床價(jià)值[J];實(shí)用醫(yī)學(xué)影像雜志;2019年03期

6 葉鋼福;;肺結(jié)節(jié)早期診治中應(yīng)用中醫(yī)體質(zhì)學(xué)說干預(yù)72例分析[J];中外醫(yī)療;2019年14期

7 徐久強(qiáng);洪麗萍;朱宏博;趙海;;一種用于肺結(jié)節(jié)惡性度分類的生成對(duì)抗網(wǎng)絡(luò)[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)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(xì)胞癌病人初步評(píng)估中檢出的非特異性肺結(jié)節(jié)的臨床意義[J];國際醫(yī)學(xué)放射學(xué)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(dòng)化肺結(jié)節(jié)分割算法[J];電視技術(shù);2016年08期

10 阮曙芬;;晚期肺結(jié)節(jié)圖像特征準(zhǔn)確識(shí)別仿真研究[J];計(jì)算機(jī)仿真;2015年08期

相關(guān)會(huì)議論文 前10條

1 孫志遠(yuǎn);;數(shù)字化體層融合在肺結(jié)節(jié)探查中的初步應(yīng)用[A];中華醫(yī)學(xué)會(huì)第16次全國放射學(xué)學(xué)術(shù)大會(huì)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(shù)在肺結(jié)節(jié)探查中的應(yīng)用[A];2010中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十八次全國學(xué)術(shù)大會(huì)論文集[C];2010年

3 查開繼;高劍波;張永高;郭華;楊學(xué)華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結(jié)節(jié)的比較研究[A];2010中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十八次全國學(xué)術(shù)大會(huì)論文集[C];2010年

4 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動(dòng)脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學(xué)學(xué)術(shù)年會(huì)論文匯編[C];2006年

5 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動(dòng)脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)第八屆全國心胸影像學(xué)術(shù)大會(huì)暨河南省第十二次放射學(xué)術(shù)會(huì)議論文匯編[C];2006年

6 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動(dòng)脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會(huì)第十三屆全國放射學(xué)大會(huì)論文匯編（下冊(cè)）[C];2006年

7 王建軍;張琴霞;呂群;徐金田;;肺結(jié)核合并類風(fēng)濕肺結(jié)節(jié)一例并文獻(xiàn)復(fù)習(xí)[A];中華醫(yī)學(xué)會(huì)結(jié)核病學(xué)分會(huì)2019年全國結(jié)核病學(xué)術(shù)大會(huì)論文匯編[C];2019年

8 盧亦波;覃春樂;;艾滋病相關(guān)肺結(jié)節(jié)的臨床特征及影像學(xué)分析[A];中華醫(yī)學(xué)會(huì)結(jié)核病學(xué)分會(huì)2019年全國結(jié)核病學(xué)術(shù)大會(huì)論文匯編[C];2019年

9 戚永軍;顧軍華;栗位勛;張亞娟;耿娟平;;基于生成對(duì)抗網(wǎng)絡(luò)的肺結(jié)節(jié)圖像數(shù)據(jù)增強(qiáng)方法[A];中國計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2019年

10 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(jié)節(jié)篩查中的診斷價(jià)值初步評(píng)估[A];2016年浙江省醫(yī)學(xué)會(huì)健康管理學(xué)分會(huì)學(xué)術(shù)年會(huì)暨中國健康管理學(xué)科發(fā)展論壇論文匯編[C];2016年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 馬麗亞;肺結(jié)節(jié)不等于肺癌，應(yīng)避免過度診療[N];上海中醫(yī)藥報(bào);2019年

2 中國婦女報(bào)·中國女網(wǎng)記者 丁秀偉;肺結(jié)節(jié)高發(fā)但不等于肺癌 女性頻頻中招油煙是禍?zhǔn)譡N];中國婦女報(bào);2019年

3 李詩敏 本報(bào)記者 鄧曉洪;早查早診 別讓肺結(jié)節(jié)變成“劫”[N];成都日?qǐng)?bào);2019年

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

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

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

7 廣西南寧 周一海;正確認(rèn)識(shí)肺結(jié)節(jié)[N];上海中醫(yī)藥報(bào);2017年

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

9 復(fù)旦大學(xué)附屬腫瘤醫(yī)院胸外科 陳海泉 葉挺;七成“磨玻璃”肺結(jié)節(jié)無須手術(shù)[N];健康報(bào);2019年

10 本報(bào)見習(xí)記者 趙怡甄;采用全新方法治肺癌[N];經(jīng)濟(jì)信息時(shí)報(bào);2015年

相關(guān)博士學(xué)位論文 前10條

1 陳靜;基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測系統(tǒng)[D];上海交通大學(xué);2018年

2 孫琦;持續(xù)存在肺結(jié)節(jié)的CT體積增長及其相關(guān)因素分析[D];北京協(xié)和醫(yī)學(xué)院;2018年

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

4 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學(xué);2003年

5 張濤;肺結(jié)節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實(shí)驗(yàn)研究[D];中國人民解放軍軍醫(yī)進(jìn)修學(xué)院;2008年

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

7 劉陽;基于肺部高分辨率CT影像的肺結(jié)節(jié)識(shí)別方法研究[D];東北大學(xué);2011年

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

9 李陽;多核學(xué)習(xí)SVM算法研究及肺結(jié)節(jié)識(shí)別[D];吉林大學(xué);2014年

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

相關(guān)碩士學(xué)位論文 前10條

1 張艷;基于CT影像學(xué)特征的肺結(jié)節(jié)良惡性鑒別研究[D];重慶醫(yī)科大學(xué);2019年

2 胡順達(dá);基于CT圖像序列的肺結(jié)節(jié)檢測方法研究[D];電子科技大學(xué);2019年

3 才立娜;CT圖像紋理特征分析在肺結(jié)節(jié)定性診斷中的研究[D];華北理工大學(xué);2019年

4 王夢(mèng)松;基于深度神經(jīng)網(wǎng)絡(luò)的CT影像肺結(jié)節(jié)檢測與診斷研究[D];西北大學(xué);2019年

5 陳萬順;基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測方法[D];電子科技大學(xué);2019年

6 孫建美;基于深度學(xué)習(xí)的肺結(jié)節(jié)CT圖像的檢測與分類[D];湖南師范大學(xué);2019年

7 李媛媛;基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測研究[D];電子科技大學(xué);2019年

8 張琦;基于Faster R-CNN的肺結(jié)節(jié)檢測的研究與應(yīng)用[D];濟(jì)南大學(xué);2019年

9 米軻;基于支持向量機(jī)的肺結(jié)節(jié)自動(dòng)識(shí)別系統(tǒng)[D];海南大學(xué);2019年

10 朱禹萌;基于特征選擇的肺結(jié)節(jié)檢測技術(shù)研究[D];上海交通大學(xué);2018年

本文編號(hào)：2818660