國(guó)家癌癥中心的最新數(shù)據(jù)顯示,肺癌在所有惡性腫瘤發(fā)病率和死亡率的排名中,均處于首位,嚴(yán)重威脅著人們的生命安全。肺癌存活率與確診時(shí)的疾病階段高度相關(guān),早期診斷不僅能夠減少治療費(fèi)用,更能將生存幾率提升至60%以上。由于肺癌患者在早期少有明顯癥狀,難以確診,利用基于醫(yī)療影像學(xué)的肺結(jié)節(jié)檢測(cè)技術(shù)輔助診斷,成為肺癌篩查的重要手段�，F(xiàn)有的很多肺結(jié)節(jié)檢測(cè)算法在實(shí)用性上有很大的問題。一方面,實(shí)驗(yàn)數(shù)據(jù)規(guī)模過小,實(shí)驗(yàn)結(jié)果的可信度不夠;另一方面,肺結(jié)節(jié)種類多樣,不同類型之間,形態(tài)、密度都存在較大的差異,而檢測(cè)算法往往只針對(duì)某一種結(jié)節(jié),難以在所有情況下都取得較好的檢測(cè)效果。本文針對(duì)目前存在的問題,結(jié)合深度網(wǎng)絡(luò)框架,從數(shù)據(jù)增強(qiáng)和特征選擇兩個(gè)方面切入,在收集整理數(shù)據(jù)集的同時(shí),逐步改進(jìn)肺結(jié)節(jié)檢測(cè)框架。我們重點(diǎn)研究了數(shù)據(jù)增強(qiáng)、初步檢測(cè)和誤檢刪除三個(gè)關(guān)鍵的功能模塊,做出了如下的創(chuàng)新性工作:(1)數(shù)據(jù)跨模態(tài)對(duì)齊。高質(zhì)量、大規(guī)模的訓(xùn)練數(shù)據(jù),對(duì)提高模型性能具有重要意義。單一的數(shù)據(jù)集規(guī)模偏小,而不同的數(shù)據(jù)集之間,由于成像設(shè)備不同,存在一定的模態(tài)差異,無法直接混合使用。本文基于循環(huán)一致生成對(duì)抗網(wǎng)絡(luò)(Cycleconsistent G...

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)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 研究基礎(chǔ)與現(xiàn)狀
        1.2.1 公開數(shù)據(jù)集
        1.2.2 肺結(jié)節(jié)CAD系統(tǒng)綜述
        1.2.3 研究現(xiàn)狀總結(jié)
    1.3 論文的主要內(nèi)容與創(chuàng)新工作
    1.4 本文的章節(jié)安排
第二章 肺部CT數(shù)據(jù)集構(gòu)建
    2.1 數(shù)據(jù)收集
        2.1.1 醫(yī)療圖像格式
        2.1.2 敏感信息消除
    2.2 肺結(jié)節(jié)標(biāo)注
        2.2.1 肺部生理解剖結(jié)構(gòu)
        2.2.2 肺結(jié)節(jié)的定義與影像學(xué)特性
        2.2.3 醫(yī)學(xué)圖像標(biāo)注工具
    2.3 數(shù)據(jù)整理
        2.3.1 標(biāo)注結(jié)果數(shù)據(jù)化
        2.3.2 數(shù)據(jù)集分析
    2.4 本章小結(jié)
第三章 基于跨模態(tài)對(duì)齊的聚合通道特征檢測(cè)算法增強(qiáng)
    3.1 ACF算法預(yù)檢測(cè)
        3.1.1 通道特征選擇
        3.1.2 多尺度檢測(cè)快速算法
        3.1.3 自適應(yīng)增強(qiáng)算法
        3.1.4 訓(xùn)練與檢測(cè)
    3.2 模態(tài)差異
    3.3 基于生成對(duì)抗網(wǎng)絡(luò)的圖像變換算法
        3.3.1 基本模型結(jié)構(gòu)
        3.3.2 條件變量約束
        3.3.3 損失函數(shù)設(shè)計(jì)
    3.4 跨模態(tài)對(duì)齊
        3.4.1 雙向?qū)咕W(wǎng)絡(luò)設(shè)計(jì)
        3.4.2 循環(huán)一致性約束
        3.4.3 輔助分類器
        3.4.4 網(wǎng)絡(luò)結(jié)構(gòu)
    3.5 分?jǐn)?shù)整合
    3.6 算法性能評(píng)估
        3.6.1 檢測(cè)性能評(píng)估標(biāo)準(zhǔn)
        3.6.2 ACF預(yù)檢測(cè)算法性能評(píng)估
        3.6.3 模態(tài)轉(zhuǎn)換算法性能分析
        3.6.4 分?jǐn)?shù)融合的性能分析
    3.7 本章小結(jié)
第四章 基于多維度深度特征的結(jié)節(jié)檢測(cè)算法
    4.1 肺部CT圖像的空間特性
    4.2 基于Faster RCNN的預(yù)檢測(cè)算法
        4.2.1 卷積層特征提取
        4.2.2 候選區(qū)域生成
        4.2.3 目標(biāo)分類與位置回歸
        4.2.4 模型訓(xùn)練機(jī)制
    4.3 二維到三維的坐標(biāo)融合
        4.3.1 肺部分割
        4.3.2 坐標(biāo)融合
        4.3.3 樣本標(biāo)簽
    4.4 基于3D CNN的誤檢篩除算法
        4.4.1 殘差網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.2 訓(xùn)練過程
    4.5 算法性能評(píng)估
        4.5.1 檢測(cè)性能評(píng)估標(biāo)準(zhǔn)
        4.5.2 手工特征與深度特征預(yù)檢測(cè)性能對(duì)比
        4.5.3 反卷積層特征提取性能分析
        4.5.4 3D CNN誤檢刪除算法性能分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 主要工作與創(chuàng)新點(diǎn)
    5.2 后續(xù)研究工作
參考文獻(xiàn)
附錄1 集成軟件介紹
    1.1 軟件運(yùn)行環(huán)境
    1.2 軟件基本功能
        1.2.1 模型加載
        1.2.2 視窗選擇
        1.2.3 結(jié)節(jié)檢測(cè)與分析
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文



本文編號(hào)：3849762