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)則形狀的肺結節(jié),直徑為30mm或更小。肺結節(jié)的早期診斷和治療是降低肺癌死亡率的最有效方法。由于肺結節(jié)的形態(tài)多樣性和分布不均,且每個醫(yī)生每天要處.理的圖像數(shù).量高達數(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.術輔助醫(yī)生.診斷,可以顯著.提高診斷結果.的準確性和.診斷效率。綜上所述,運用其他.輔助手段輔助.肺結節(jié)的檢測.是很有必要的。傳統(tǒng)的輔助.手段消耗時間大,誤報率還高,無法滿足臨床應用的需求。本文提出了基于.Faster R-CNN算法來檢測肺結節(jié),解決了傳統(tǒng)方法的缺陷。首先搭建了深度學習的環(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模型訓練的數(shù)據(jù)集,用于初步驗證該方法的可行性,并對實驗結果進行分析和評價。但是該方法.在檢測精度.上還有可提.升的空間,可以對其進行進一步的改進優(yōu)化,以提高檢測精確度。改進優(yōu)化的方法從參數(shù)的優(yōu)化和改進網(wǎng)絡結構等方面入手,先從理論上分析改進優(yōu)化的可行性,再通過多次實驗對比分析。最后又橫向?qū)Ρ攘四壳皯糜谖矬w檢測比較流行的幾種方法,本文所提優(yōu)化改進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,實驗證明,該方法在肺結節(jié)檢測領域具有良好的理論價值和工程應用價值。最后,基于優(yōu)化改進后的算法利用Python的Web框架Django搭建了一個肺結節(jié)輔助檢測系統(tǒng),前端框架使用Bootstrap和jQuery的CSS樣式來設置系統(tǒng)的頁面布局,方便讓醫(yī)生能夠簡單直觀地使用。
【學位單位】：濟南大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R734.2;TP391.41;TP18
【部分圖文】：

2.1 卷積神經(jīng)網(wǎng)絡簡介卷積神經(jīng)網(wǎng).絡（CNN）實際上就.是在每層網(wǎng).絡上都進行特.征提取。與傳統(tǒng)方.法相比，其優(yōu)點在于：首先，CNN 共.享了權值，大大減少了數(shù).據(jù)處理的數(shù)量，增加了網(wǎng).絡的魯棒性，減小了過.擬合現(xiàn)象出.現(xiàn)的幾率；其次，CNN 具有的池.化操作進一步減.少了計算量，大大提升了數(shù).據(jù)處理的效率；然后，整個過程都是在 GPU 上運行，真正實現(xiàn)自動化操作；最后，根據(jù)特征提.取網(wǎng)絡深度的不同，CNN 可以提.取出很抽.象的特征圖，用以對物體的分類，分類精度高。在 CNN 結構中，深度是非常重要的。從最簡單的五層 AleNet[15]網(wǎng)絡到 ZF[36]、VGG[37]、GoogLeNet[38]再到 100 層的 ResNet[39]，深度越來越深，圖像分類的準確性越來越高。2.2 卷積神經(jīng)網(wǎng)絡的基本結構CNN（卷積神經(jīng)網(wǎng)絡）的基本結構如圖 2.1 所示。

濟南大學碩士學位論文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，目標檢測所需的四個步驟，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)絡并在 GPU 上運行。這是一項非常重要的改進，可大大提高運營效率。該模型由兩.部分組成：分別為 RP.N 網(wǎng)絡和 F.ast R-CNN。輸入的圖.像先經(jīng)由基.礎的特征提取網(wǎng).絡進行卷積和池.化操作，獲取圖像的特.征圖，再將特.征圖傳送到 RP.N 網(wǎng)絡，由 RP.N 網(wǎng)絡進行初.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.識別物體。RP.N 網(wǎng)絡輸出候.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)絡中進.行最終的處理。分別為邊.框最終的回歸和待.識別物體的具.體的分類。具體的處理.流程如圖 2.2 所示。

（a）孤立型肺結節(jié) （b）與血管粘連型肺結節(jié) （c）和肺壁粘連型肺結節(jié)圖 3.1 檢測肺結節(jié)類型3.2.2 數(shù)據(jù)增強一個深度網(wǎng)絡模型首先要通過訓練足夠多的數(shù)據(jù)，才能獲得比較理想的檢測精度在結構復雜的網(wǎng)絡模型中，如果用于訓練的數(shù)據(jù)量過少，會很容易發(fā)生過擬合，最終影響到檢測的精度。尤其是當計算機技術在醫(yī)學領域應用時，醫(yī)療數(shù)據(jù)是很稀缺的，因此有必要對數(shù)據(jù)進行增強。常用的數(shù)據(jù)增強方法有將圖片進行水平和垂直方向的翻轉(zhuǎn)、將圖片的尺寸隨機變化、對圖片的顏色進行變換、對圖片的仿射或旋轉(zhuǎn)操作以及添加噪聲等。但是實際的胸部 CT 圖像上述數(shù)據(jù)增強的方法都不適用。綜上所述，本文采用了一種其他的數(shù)據(jù)增強的方法。由于肺結節(jié)在實際情況中大多數(shù)都是類球體的，并且放射科醫(yī)生在標記的時候只標記了橫截面積最大的那一張 CT 圖像，彼此相鄰的一個或兩個切片相當于浪費了。本文

【相似文獻】

相關期刊論文 前10條

1 壽偉臻;;肺結節(jié)，什么時候需要手術[J];江蘇衛(wèi)生保健;2019年11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(wǎng)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(zhì)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(wǎng)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 王建軍;張琴霞;呂群;徐金田;;肺結核合并類風濕肺結節(jié)一例并文獻復習[A];中華醫(yī)學會結核病學分會2019年全國結核病學術大會論文匯編[C];2019年

8 盧亦波;覃春樂;;艾滋病相關肺結節(jié)的臨床特征及影像學分析[A];中華醫(yī)學會結核病學分會2019年全國結核病學術大會論文匯編[C];2019年

9 戚永軍;顧軍華;栗位勛;張亞娟;耿娟平;;基于生成對抗網(wǎng)絡的肺結節(jié)圖像數(shù)據(jù)增強方法[A];中國計算機用戶協(xié)會網(wǎng)絡應用分會2019年第二十三屆網(wǎng)絡新技術與應用年會論文集[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

相關重要報紙文章 前10條

1 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

2 中國婦女報·中國女網(wǎng)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 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

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 復旦大學附屬腫瘤醫(yī)院胸外科 陳海泉 葉挺;七成“磨玻璃”肺結節(jié)無須手術[N];健康報;2019年

10 本報見習記者 趙怡甄;采用全新方法治肺癌[N];經(jīng)濟信息時報;2015年

相關博士學位論文 前10條

1 陳靜;基于深度學習的肺結節(jié)檢測系統(tǒng)[D];上海交通大學;2018年

2 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

3 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

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

5 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

6 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

7 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

8 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

9 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

10 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

相關碩士學位論文 前10條

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

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

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

4 王夢松;基于深度神經(jīng)網(wǎng)絡的CT影像肺結節(jié)檢測與診斷研究[D];西北大學;2019年

5 陳萬順;基于深度學習的肺結節(jié)檢測方法[D];電子科技大學;2019年

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

7 李媛媛;基于深度學習的肺結節(jié)檢測研究[D];電子科技大學;2019年

8 張琦;基于Faster R-CNN的肺結節(jié)檢測的研究與應用[D];濟南大學;2019年

9 米軻;基于支持向量機的肺結節(jié)自動識別系統(tǒng)[D];海南大學;2019年

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

本文編號：2818660