肺癌目前在全世界范圍內(nèi)被稱為頭號癌癥,并且其發(fā)病率逐年上升,在我國的表現(xiàn)尤為顯著。肺癌的初期表現(xiàn)癥狀以肺結(jié)節(jié)為代表,臨床上肺結(jié)節(jié)檢測是肺癌篩查的第一步,目前對于肺結(jié)節(jié)的檢測主要是使用低劑量的計算機斷層掃描技術（CT）圖像來進行查看。CT影像中的肺結(jié)節(jié)具有種類繁多,結(jié)構各異,體積較小等特點,即使對于具有豐富經(jīng)驗的放射科醫(yī)生,通過肉眼觀察大量的CT切片影像并正確找出所有結(jié)節(jié)都是一件非常費時且費力的任務,并且容易發(fā)生漏診或誤診。隨著深度學習在近些年的迅速發(fā)展,深度卷積神經(jīng)網(wǎng)絡在計算機視覺領域取得了巨大的成功,其在醫(yī)學圖像領域也得到了越來越廣泛的應用。并且目前各個種類的醫(yī)學影像數(shù)據(jù)都得到了一定程度的積累,更是為使用深度卷積神經(jīng)網(wǎng)絡在實現(xiàn)醫(yī)學影像的自動分析和協(xié)助醫(yī)生實現(xiàn)疾病的高精度智能診斷等方面帶來了新的發(fā)展空間。本文使用RetinaNet來實現(xiàn)對肺結(jié)節(jié)的檢測,并為了提升其在肺結(jié)節(jié)檢測上的效果,提出了一種基于改進RetinaNet的肺結(jié)節(jié)檢測方法。為了使得設置的anchor參數(shù)更適合肺結(jié)節(jié)檢測任務,通過使用K-means聚類分析算法對訓練集中的邊界框大小進行聚類來獲得合適的anchor大小;為了... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
        1.1.1 課題背景
        1.1.2 研究的目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 肺結(jié)節(jié)檢測的傳統(tǒng)方法
        1.2.2 肺結(jié)節(jié)檢測的深度學習方法
    1.3 本文主要研究內(nèi)容及章節(jié)安排
第2章 卷積神經(jīng)網(wǎng)絡與目標檢測
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 深度學習概述
        2.2.2 卷積神經(jīng)網(wǎng)絡的基本概念及組成
    2.3 目標檢測概述
    2.4 卷積神經(jīng)網(wǎng)絡在肺結(jié)節(jié)檢測中的應用
    2.5 本章小結(jié)
第3章 基于改進RetinaNet的肺結(jié)節(jié)檢測算法
    3.1 引言
    3.2 基于RetinaNet的肺結(jié)節(jié)檢測網(wǎng)絡
        3.2.1 特征金字塔
        3.2.2 Focal Loss
        3.2.3 骨干網(wǎng)絡ResNet
    3.3 改進RetinaNet
        3.3.1 使用K-means對anchor大小進行聚類
        3.3.2 注意力機制模塊的引入
        3.3.3 雙向特征金字塔
        3.3.4 注意力機制模塊和雙向特征金字塔的結(jié)合
        3.3.5 模型壓縮
    3.4 本章小結(jié)
第4章 肺結(jié)節(jié)檢測算法的實現(xiàn)與驗證
    4.1 引言
    4.2 實驗平臺
    4.3 實驗數(shù)據(jù)
        4.3.1 CT圖像基礎知識
        4.3.2 肺結(jié)節(jié)CT數(shù)據(jù)集來源
        4.3.3 數(shù)據(jù)預處理與數(shù)據(jù)增強
    4.4 評價指標
    4.5 訓練方法
        4.5.1 參數(shù)設置
        4.5.2 損失函數(shù)
    4.6 主要結(jié)果及分析
        4.6.1 消融實驗
        4.6.2 對比實驗
        4.6.3 改進的RetinaNet檢測結(jié)果
        4.6.4 模型壓縮
    4.7 本章小結(jié)
結(jié)論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于深度學習的醫(yī)學影像診斷綜述[J]. 張巧麗,趙地,遲學斌.  計算機科學. 2017(S2)
[2]基于平均密度投影和平移高斯模型的肺結(jié)節(jié)檢測與分割算法[J]. 邱實,汶德勝,王磊.  儀器儀表學報. 2014(11)
[3]基于自適應體窗結(jié)構分析的肺結(jié)節(jié)檢測方法[J]. 王凱,張煜,劉哲星,林炳權,吳志強,曹蕾.  南方醫(yī)科大學學報. 2014(06)
[4]基于局部閾值和聚類中心迭代的肺結(jié)節(jié)檢測算法[J]. 陳侃,李彬,田聯(lián)房.  計算機科學. 2012(02)
[5]基于局部灰度最大和改進Mahalanobis距離分類的肺結(jié)節(jié)檢測算法[J]. 魏穎,郭薇,孫月芳,季策.  中國圖象圖形學報. 2008(09)
[6]支氣管肺癌介入治療的新近進展[J]. 黃軍禎,王大健.  微創(chuàng)醫(yī)學. 2008(03)
[7]電子計算機輔助診斷（CAD）的原理及臨床應用[J]. 舒榮寶,王成林.  中國CT和MRI雜志. 2004(02)



本文編號：3190160