發(fā)布時間：2021-06-29 10:20

　　肺癌是當今世界最常見的癌癥殺手之一,對人類健康威脅極大。肺結(jié)節(jié)是肺癌的早期表現(xiàn)形式,準確地篩查肺結(jié)節(jié)對肺癌防治有著重要的積極意義。目前對肺結(jié)節(jié)的篩查主要借助于電子計算機斷層掃描技術(shù)（CT）。醫(yī)生通過肉眼觀察CT影像篩查肺結(jié)節(jié)十分費時耗力且容易發(fā)生漏檢。引入肺結(jié)節(jié)檢測的計算機輔助診斷系統(tǒng),能夠有效地提升肺結(jié)節(jié)檢測的效率并降低漏檢率。傳統(tǒng)的肺結(jié)節(jié)檢測方法檢測過程復(fù)雜,肺結(jié)節(jié)特征提取繁瑣,自動化程度低且檢測效果一般。近年來深度學習發(fā)展十分迅速,卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域大放異彩,這也給肺結(jié)節(jié)檢測問題帶來了新的研究方向。本文的研究目標是基于卷積神經(jīng)網(wǎng)絡(luò)等相關(guān)方法,實現(xiàn)自動化的肺實質(zhì)分割和肺結(jié)節(jié)檢測,并盡可能地提升肺結(jié)節(jié)的檢測的精度。本文首先提出了一種基于改進U-Net的肺實質(zhì)分割方法,將殘差網(wǎng)絡(luò)中的shortcut操作引入U-Net網(wǎng)絡(luò)結(jié)構(gòu)并加深了整體網(wǎng)絡(luò)的深度,文中詳細地闡述了對U-Net網(wǎng)絡(luò)結(jié)構(gòu)的改進過程和改進后的網(wǎng)絡(luò)細節(jié)。與此同時為了提升網(wǎng)絡(luò)對肺實質(zhì)邊緣的分割效果,本文還在肺實質(zhì)分割損失函數(shù)中新設(shè)計了一種邊界懲罰項。其次本文對當前主流目標檢測算法的優(yōu)劣勢進行了評估,經(jīng)過分析對比后選擇了... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【圖文】：

1.b常用的非線性激活函數(shù)激活函數(shù)Sigmoid的輸出在0到1之間，激活函數(shù)Tanh的輸出在-1到1之間，這兩個激

原始 CT 影像數(shù)據(jù)的標準存儲格式是 DICOM[40]，一些公開的數(shù)據(jù)集采用的存儲格式則是RAW 文件格式。無論何種格式的數(shù)據(jù)，在作為輸入送入算法之前都需要進行預(yù)處理，將原始數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的格式，并對數(shù)據(jù)集進行清洗，確保數(shù)據(jù)集不存在臟數(shù)據(jù)干擾實驗結(jié)果。雖然原始數(shù)據(jù)的格式不盡相同，但是預(yù)處理的原理是一致的。只需提取出每一張 CT 影像的切片數(shù)據(jù)，并將 CT 值轉(zhuǎn)化為像素值即可。不同的數(shù)據(jù)集可能有不同的轉(zhuǎn)化方法，只需要按照數(shù)據(jù)集的說明操作即可。每一個切片數(shù)據(jù)是一個 512*512 大小的矩陣，其中元素是 1位的整型數(shù)值。而一般的圖像保存格式位深度都是 8 位的，所以如果需要將 CT 數(shù)據(jù)保存成圖像格式，就需要先把原始數(shù)據(jù)進行歸一化再乘以 255 并轉(zhuǎn)化為整型即可。由于一些公開的 CT 數(shù)據(jù)集的數(shù)據(jù)源往往是來自于不同的醫(yī)院或者組織，導致采集數(shù)據(jù)的 CT 儀器型號未必一致，且采集環(huán)境標準也可能不同。對于這種復(fù)雜混合的數(shù)據(jù)集，如果按照同一種數(shù)據(jù)預(yù)處理方法直接處理，最后生成的數(shù)據(jù)可能存在一些問題。例如，本文使用相同的數(shù)據(jù)預(yù)處理方法，處理同一數(shù)據(jù)集中的兩個樣本時得到的圖像如圖 3.1.a，3.1.b 所示

原始 CT 影像數(shù)據(jù)的標準存儲格式是 DICOM[40]，一些公開的數(shù)據(jù)集采用的存儲格式則是RAW 文件格式。無論何種格式的數(shù)據(jù)，在作為輸入送入算法之前都需要進行預(yù)處理，將原始數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的格式，并對數(shù)據(jù)集進行清洗，確保數(shù)據(jù)集不存在臟數(shù)據(jù)干擾實驗結(jié)果。雖然原始數(shù)據(jù)的格式不盡相同，但是預(yù)處理的原理是一致的。只需提取出每一張 CT 影像的切片數(shù)據(jù)，并將 CT 值轉(zhuǎn)化為像素值即可。不同的數(shù)據(jù)集可能有不同的轉(zhuǎn)化方法，只需要按照數(shù)據(jù)集的說明操作即可。每一個切片數(shù)據(jù)是一個 512*512 大小的矩陣，其中元素是 1位的整型數(shù)值。而一般的圖像保存格式位深度都是 8 位的，所以如果需要將 CT 數(shù)據(jù)保存成圖像格式，就需要先把原始數(shù)據(jù)進行歸一化再乘以 255 并轉(zhuǎn)化為整型即可。由于一些公開的 CT 數(shù)據(jù)集的數(shù)據(jù)源往往是來自于不同的醫(yī)院或者組織，導致采集數(shù)據(jù)的 CT 儀器型號未必一致，且采集環(huán)境標準也可能不同。對于這種復(fù)雜混合的數(shù)據(jù)集，如果按照同一種數(shù)據(jù)預(yù)處理方法直接處理，最后生成的數(shù)據(jù)可能存在一些問題。例如，本文使用相同的數(shù)據(jù)預(yù)處理方法，處理同一數(shù)據(jù)集中的兩個樣本時得到的圖像如圖 3.1.a，3.1.b 所示

【參考文獻】：
期刊論文
[1]深度學習算法中卷積神經(jīng)網(wǎng)絡(luò)的概念綜述[J]. 李策,陳海霞,漢語,左勝甲,趙立剛.  電子測試. 2018(23)
[2]K-means算法研究綜述[J]. 叢思安,王星星.  電子技術(shù)與軟件工程. 2018(17)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的胸片肺結(jié)節(jié)檢測[J]. 朱國策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[4]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)
[5]基于漫水填充算法的肺實質(zhì)分割方法[J]. 馮宗雪,董曉.  電腦知識與技術(shù). 2016(18)
[6]肺癌的流行病學及治療現(xiàn)狀[J]. 姚曉軍,劉倫旭.  現(xiàn)代腫瘤醫(yī)學. 2014(08)
[7]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[8]電子計算機輔助診斷（CAD）的原理及臨床應(yīng)用[J]. 舒榮寶,王成林.  中國CT和MRI雜志. 2004(02)
[9]一種肺部腫瘤CT圖象序列的自動分割方法[J]. 姜曉彤,羅立民,汪家旺,潘曉敏,周正東.  中國圖象圖形學報. 2003(09)
[10]神經(jīng)網(wǎng)絡(luò)綜述[J]. 巫影,陳定方,唐小兵,朱石堅,黃映云,李慶.  科技進步與對策. 2002(06)

博士論文
[1]基于SVM的肺結(jié)節(jié)自動識別方法研究[D]. 張婧.華南理工大學 2011

碩士論文
[1]基于SVM的肺部CT圖像特征提取及分類研究[D]. 馬楊林.西華大學 2012



本文編號：3256266