本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的肺部結(jié)節(jié)檢測(cè)系統(tǒng)研制　出處：《南京大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 肺結(jié)節(jié) 肺部分割 形態(tài)學(xué) 分水嶺 卷積神經(jīng)網(wǎng)絡(luò)

【摘要】：肺癌作為發(fā)病率最高的癌癥之一,對(duì)人類的健康危害甚大。肺結(jié)節(jié)是肺癌早期的表現(xiàn)形式,如果能在肺結(jié)節(jié)時(shí)期就對(duì)病人進(jìn)行針對(duì)性治療,病人的生存率就可以大大提高。隨著科技的進(jìn)步,對(duì)肺結(jié)節(jié)的檢測(cè)方法和手段也越來(lái)越多樣,本文提出一種新的檢測(cè)方法——基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)系統(tǒng)。在本系統(tǒng)中,對(duì)肺部結(jié)節(jié)的檢測(cè)過(guò)程分為以下幾個(gè)部分:首先,對(duì)初始CT圖像進(jìn)行預(yù)處理,把圖像的像素值轉(zhuǎn)化為亨氏單位值,并對(duì)圖像進(jìn)行統(tǒng)一重采樣;其次,對(duì)預(yù)處理過(guò)的圖像進(jìn)行肺部分割,主要使用了兩種分割方法:使用一般形態(tài)學(xué)操作進(jìn)行分割和使用分水嶺算法進(jìn)行分割。最后,把兩種分割后的圖像都放入基于卷積神經(jīng)網(wǎng)絡(luò)的Unet模型中。通過(guò)實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證集對(duì)Unet模型的兩種卷積算子的優(yōu)劣進(jìn)行了比較,并選定了比較合適的檢測(cè)模型。再使用該模型分別得到兩種不同分割方法的結(jié)節(jié)檢測(cè)評(píng)價(jià)函數(shù)(intersection over union,IOU值),并對(duì)兩種方法的優(yōu)劣進(jìn)行了分析。對(duì)于Unet模型來(lái)說(shuō),3*3卷積算子要比5*5卷積算子有著更高的IOU值。究其原因,可能是因?yàn)獒t(yī)學(xué)圖像具診療意義的圖像特征一般都較小,使用較大卷積算子容易造成內(nèi)容丟失,對(duì)檢測(cè)結(jié)果存在不利影響。而基于一般形態(tài)學(xué)的分割和基于分水嶺的分割方法從結(jié)節(jié)檢測(cè)結(jié)果上看,使用分水嶺的分割檢測(cè)方法更勝一籌,因?yàn)樵摲椒ㄊ褂煤诿彼惴▽?duì)肺部的輪廓線有更進(jìn)一步的處理,而非簡(jiǎn)單地使用膨脹、腐蝕等操作。但是分水嶺分割雖然對(duì)成功率有所提升,但檢測(cè)過(guò)程費(fèi)時(shí)費(fèi)力,步驟繁瑣,對(duì)計(jì)算機(jī)運(yùn)算能力有一定要求,而使用一般形態(tài)學(xué)的分割檢測(cè)勝在步驟簡(jiǎn)單、易操作,檢測(cè)快捷方便。醫(yī)生可以根據(jù)實(shí)際需要進(jìn)行選擇。
[Abstract]:Lung cancer, as one of the highest incidence of cancer, is very harmful to human health. Pulmonary nodules are early manifestations of lung cancer. The survival rate of patients can be greatly improved. With the development of science and technology, the detection methods and methods of pulmonary nodules are more and more diverse. In this paper, a new detection method, the pulmonary nodule detection system based on convolution neural network, is proposed. In this system, the detection process of pulmonary nodules is divided into the following parts: first. The initial CT image is preprocessed, the pixel value of the image is converted to the Heinz unit value, and the image is resampled uniformly. Secondly, we use two segmentation methods: general morphological operation and watershed algorithm to segment the preprocessed image. Finally, we use the watershed algorithm to segment the preprocessed image. Finally, we use the general morphological operation to segment the lung. Finally, we use the watershed algorithm to segment the preprocessed image. The two segmented images are put into the Unet model based on convolution neural network. The advantages and disadvantages of the two convolution operators of Unet model are compared by the verification set of experimental data. A more suitable detection model was selected, and then two different segmentation methods were used to obtain the intersection over union. The IOU value and the advantages and disadvantages of the two methods are analyzed. For the Unet model, the IOU value is higher for the 3 ~ 3 convolution operator than for the 5 ~ 5 convolution operator. It may be that the medical image features of diagnostic and therapeutic significance are generally smaller, and the use of larger convolution operator can easily lead to the loss of content. The segmentation method based on general morphology and watershed segmentation method from the point of view of the results of nodule detection, watershed segmentation method is better. Because the method uses black hat algorithm to deal with the lung contour further, rather than simply using expansion, corrosion and other operations. But watershed segmentation has improved the success rate. However, the detection process is time-consuming and laborious, the steps are tedious, and the computer computing ability is required, and the segmentation and detection using general morphology is more simple and easy to operate. The test is quick and convenient. The doctor can choose according to the actual need.
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP183;R563

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李德忠;;神經(jīng)網(wǎng)絡(luò)與人事決策研究的新范式[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2006年04期

2 戴康;王曉瓊;;神經(jīng)網(wǎng)絡(luò)在藥動(dòng)學(xué)評(píng)價(jià)中的應(yīng)用[J];醫(yī)藥導(dǎo)報(bào);2007年09期

3 蔡云;;收斂非線性神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性[J];國(guó)外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè);1991年01期

4 王繼成,呂維雪;基于神經(jīng)網(wǎng)絡(luò)的心電數(shù)據(jù)壓縮[J];生物醫(yī)學(xué)工程學(xué)雜志;1993年03期

5 段新昱,林家瑞;神經(jīng)網(wǎng)絡(luò)在心電信號(hào)分析處理中的應(yīng)用[J];國(guó)外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè);1993年01期

6 Miller A S ,張永紅;神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)信號(hào)處理方面的應(yīng)用[J];國(guó)外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊(cè);1993年04期

7 王繼成;呂維雪;;基于符號(hào)神經(jīng)網(wǎng)絡(luò)的心臟疾病自動(dòng)診斷[J];北京生物醫(yī)學(xué)工程;1993年03期

8 劉子皇;;胞神經(jīng)與類胞神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)范圍的準(zhǔn)確估計(jì)[J];中山大學(xué)研究生學(xué)刊(自然科學(xué)版);1995年03期

9 鄒睿,歐陽(yáng)楷,劉悅;神經(jīng)網(wǎng)絡(luò)中的微心理學(xué)——兼論人工神經(jīng)網(wǎng)絡(luò)框架[J];山東生物醫(yī)學(xué)工程;1998年01期

10 鄒凌云;王正志;黃教民;;基于位置特異性譜和輸入加權(quán)神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)亞細(xì)胞定位預(yù)測(cè)(英文)[J];遺傳學(xué)報(bào);2007年12期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹(shù)德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：1358097