發(fā)布時間：2017-12-31 04:21

  本文關鍵詞：基于卷積神經網絡的肺部結節(jié)檢測系統研制　出處：《南京大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 肺結節(jié) 肺部分割 形態(tài)學 分水嶺 卷積神經網絡

【摘要】：肺癌作為發(fā)病率最高的癌癥之一,對人類的健康危害甚大。肺結節(jié)是肺癌早期的表現形式,如果能在肺結節(jié)時期就對病人進行針對性治療,病人的生存率就可以大大提高。隨著科技的進步,對肺結節(jié)的檢測方法和手段也越來越多樣,本文提出一種新的檢測方法——基于卷積神經網絡的肺結節(jié)檢測系統。在本系統中,對肺部結節(jié)的檢測過程分為以下幾個部分:首先,對初始CT圖像進行預處理,把圖像的像素值轉化為亨氏單位值,并對圖像進行統一重采樣;其次,對預處理過的圖像進行肺部分割,主要使用了兩種分割方法:使用一般形態(tài)學操作進行分割和使用分水嶺算法進行分割。最后,把兩種分割后的圖像都放入基于卷積神經網絡的Unet模型中。通過實驗數據的驗證集對Unet模型的兩種卷積算子的優(yōu)劣進行了比較,并選定了比較合適的檢測模型。再使用該模型分別得到兩種不同分割方法的結節(jié)檢測評價函數(intersection over union,IOU值),并對兩種方法的優(yōu)劣進行了分析。對于Unet模型來說,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,可能是因為醫(yī)學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容丟失,對檢測結果存在不利影響。而基于一般形態(tài)學的分割和基于分水嶺的分割方法從結節(jié)檢測結果上看,使用分水嶺的分割檢測方法更勝一籌,因為該方法使用黑帽算法對肺部的輪廓線有更進一步的處理,而非簡單地使用膨脹、腐蝕等操作。但是分水嶺分割雖然對成功率有所提升,但檢測過程費時費力,步驟繁瑣,對計算機運算能力有一定要求,而使用一般形態(tài)學的分割檢測勝在步驟簡單、易操作,檢測快捷方便。醫(yī)生可以根據實際需要進行選擇。
[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.
【學位授予單位】：南京大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP183;R563

【相似文獻】

相關期刊論文 前10條

1 李德忠;;神經網絡與人事決策研究的新范式[J];現代生物醫(yī)學進展;2006年04期

2 戴康;王曉瓊;;神經網絡在藥動學評價中的應用[J];醫(yī)藥導報;2007年09期

3 蔡云;;收斂非線性神經網絡的穩(wěn)定性[J];國外醫(yī)學.生物醫(yī)學工程分冊;1991年01期

4 王繼成,呂維雪;基于神經網絡的心電數據壓縮[J];生物醫(yī)學工程學雜志;1993年03期

5 段新昱,林家瑞;神經網絡在心電信號分析處理中的應用[J];國外醫(yī)學.生物醫(yī)學工程分冊;1993年01期

6 Miller A S ,張永紅;神經網絡在醫(yī)學信號處理方面的應用[J];國外醫(yī)學.生物醫(yī)學工程分冊;1993年04期

7 王繼成;呂維雪;;基于符號神經網絡的心臟疾病自動診斷[J];北京生物醫(yī)學工程;1993年03期

8 劉子皇;;胞神經與類胞神經網絡的動力學范圍的準確估計[J];中山大學研究生學刊(自然科學版);1995年03期

9 鄒睿,歐陽楷,劉悅;神經網絡中的微心理學——兼論人工神經網絡框架[J];山東生物醫(yī)學工程;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神經網絡的蛋白質亞細胞定位預測(英文)[J];遺傳學報;2007年12期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經網絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經網絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經網絡和簡單規(guī)劃的識別融合算法[A];2009系統仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經網絡的新機遇——紀念中國神經網絡10周年[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經網絡與圖論[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數值預報產品的神經網絡釋用預報應用[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經網絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經網絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經網絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

8 劉力;我半導體神經網絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經網絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經網絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經網絡的混沌性及幾類時滯神經網絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經網絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經網絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經網絡并行實現及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經網絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經網絡的風力發(fā)電系統預測及控制研究[D];燕山大學;2015年

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

4 陳彥至;神經網絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經網絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經網絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經網絡的上證指數預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經網絡血壓預測研究與系統實現[D];華南理工大學;2015年

9 張韜;幾類時滯神經網絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經網絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1358097