基于CT影像的肺結節(jié)自動檢測對于肺癌的早發(fā)現(xiàn)、早治療,進而挽救患病者的生命具有重要意義。早期的肺結節(jié)自動檢測方法或基于規(guī)則系統(tǒng)或基于手工特征訓練機器學習分類算法,雖已取得了不少成果,但對于肺結節(jié)自動檢測這樣一個目標形態(tài)、尺寸變化大、上下文特性不一,且背景中存在有大量區(qū)域與結節(jié)外觀相似的任務,這兩類方法不僅性能受限,而且通用性不足。近年來,隨著數(shù)據(jù)量的增長及硬件計算能力的提高,深度學習的發(fā)展為諸多研究領域帶來了突破性的進展,其一大優(yōu)勢正是可以自動從大量數(shù)據(jù)中學習到最優(yōu)于特定任務的特征,既無需手工設計特征的繁瑣,又可讓學到的特征具有更強的判別能力及通用性,因此目前有越來越多的研究者開始投身到將深度學習與肺結節(jié)自動檢測相結合的研究中。這些研究雖已初步驗證了深度學習的有效性,但為了更好地將深度學習應用于肺結節(jié)自動檢測中,還須面臨不少問題及挑戰(zhàn),如有標數(shù)據(jù)量不足的問題、類別不均衡的問題以及計算資源消耗大的問題等。針對這些問題,本文以設計一套簡潔、有效的肺結節(jié)自動檢測方法為出發(fā)點,從數(shù)據(jù)準備、模型結構設計、優(yōu)化機制改進及損失函數(shù)設計四個方面提出了相應的應對策略。這些策略均取得了一定的效果,最終整體...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀與趨勢
    1.3 研究內容與創(chuàng)新點
    1.4 論文結構安排
第二章 相關理論基礎
    2.1 經典肺結節(jié)自動檢測方法
    2.2 深度學習基礎
        2.2.1 概述
        2.2.2 反向傳播算法
    2.3 深度卷積神經網絡
        2.3.1 概述
        2.3.2 密集連接卷積神經網絡
第三章 算法模型設計
    3.1 數(shù)據(jù)準備
        3.1.1 數(shù)據(jù)歸一化與坐標系轉換
        3.1.2 基于圖像塊的訓練與數(shù)據(jù)增擴
    3.2 模型結構設計
        3.2.1 模型框架
        3.2.2 關鍵設計
    3.3 優(yōu)化機制改進
    3.4 損失函數(shù)設計
    3.5 本章小結
第四章 實驗驗證與分析
    4.1 數(shù)據(jù)集介紹
    4.2 評價指標
    4.3 定量實驗結果
        4.3.1 模型自我評估
        4.3.2 模型對比評估
    4.4 定性實驗結果
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
附錄I
致謝
攻讀碩士學位期間發(fā)表成果情況



本文編號：3802416