肺癌目前是我國發(fā)病率和死亡率最高的惡性腫瘤,由于肺癌的早期臨床表現(xiàn)并不明顯,大多數(shù)患者等到出現(xiàn)臨床癥狀時(shí)已處于肺癌中晚期,即使經(jīng)手術(shù)、放療和化療等積極治療,患者的生存率依然較低。因此,如果能夠?qū)Ψ伟┻M(jìn)行早期篩查、早期發(fā)現(xiàn)、早期診斷,這樣就可以有效地提高患者的生存率,改善患者的生活質(zhì)量。肺癌的早期表現(xiàn)形式是肺結(jié)節(jié),因此對肺結(jié)節(jié)的檢測與診斷具有重大意義。近年來,深度學(xué)習(xí)方法在圖像領(lǐng)域取得了巨大成功,深度學(xué)習(xí)技術(shù)在肺癌診斷方面也得到了廣泛的應(yīng)用,主要集中于肺部CT圖像。在肺結(jié)節(jié)檢測系統(tǒng)中,對肺結(jié)節(jié)的快速準(zhǔn)確檢測是一項(xiàng)具有挑戰(zhàn)性的工作,目前已有研究大多存在假陽性率高的問題。針對這樣的問題,本文重點(diǎn)提出了基于ResNet模型的假陽性去除算法。本文的主要工作如下:首先,介紹了DICOM標(biāo)準(zhǔn)和DICOM文件格式的解析,然后對醫(yī)學(xué)CT圖像的特點(diǎn)及數(shù)據(jù)預(yù)處理進(jìn)行介紹,介紹了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展和基本的結(jié)構(gòu),文中介紹了采用的ResNet的結(jié)構(gòu)和特點(diǎn);其次,介紹了本文實(shí)驗(yàn)中所采用的數(shù)據(jù)集,LUNA16數(shù)據(jù)集,對數(shù)據(jù)集中數(shù)據(jù)的分布進(jìn)行了分析,并對數(shù)據(jù)集中體素的距離進(jìn)行了設(shè)定,由于數(shù)據(jù)集中正樣本數(shù)量過少,本文采用... 

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)理論介紹
    2.1 DICOM標(biāo)準(zhǔn)與文件格式
        2.1.1 DICOM標(biāo)準(zhǔn)
        2.1.2 DICOM文件格式
        2.1.3 DICOM文件解析
    2.2 醫(yī)學(xué)CT圖像特點(diǎn)及數(shù)據(jù)預(yù)處理
        2.2.1 醫(yī)學(xué)CT圖像特點(diǎn)
        2.2.2 數(shù)據(jù)預(yù)處理
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第3章 基于ResNet的假陽性去除算法
    3.1 數(shù)據(jù)集的選取與體素距離設(shè)定
        3.1.1 LUNA16 數(shù)據(jù)集
        3.1.2 數(shù)據(jù)集的體素距離設(shè)定
        3.1.3 數(shù)據(jù)增強(qiáng)
    3.2 網(wǎng)絡(luò)設(shè)計(jì)
        3.2.1 patch size大小對模型性能的影響
        3.2.2 基于ResNet模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    3.3 網(wǎng)絡(luò)優(yōu)化
        3.3.1 Batch Normalization
        3.3.2 隨機(jī)梯度下降優(yōu)化算法
    3.4 網(wǎng)絡(luò)訓(xùn)練
    3.5 本章小結(jié)
第4章 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)評價(jià)標(biāo)準(zhǔn)
    4.2 結(jié)果分析
        4.2.1 實(shí)驗(yàn)環(huán)境
        4.2.2 實(shí)驗(yàn)結(jié)果
        4.2.3 集成策略
        4.2.4 實(shí)驗(yàn)分析
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
作者簡介及在學(xué)期間所取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測[J]. 孟以爽,易平,顧問,郭雪君.  計(jì)算機(jī)時(shí)代. 2018(02)
[2]多輸入卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測方法研究[J]. 趙鵬飛,趙涓涓,強(qiáng)彥,王峰智,趙文婷.  計(jì)算機(jī)科學(xué). 2018(01)
[3]基于Bootstrap-異質(zhì)SVM集成學(xué)習(xí)的肺結(jié)節(jié)分類方法[J]. 高峰,代美玲,祁瑾.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2017(03)
[4]基于深度信念網(wǎng)絡(luò)的肺結(jié)節(jié)良惡性分類[J]. 楊佳玲,趙涓涓,強(qiáng)彥,郝曉燕,王峰智.  科學(xué)技術(shù)與工程. 2016(32)
[5]基于有監(jiān)督哈希的肺結(jié)節(jié)CT圖像檢索[J]. 潘玲,杜曉平,趙涓涓.  計(jì)算機(jī)應(yīng)用研究. 2017(09)
[6]CT圖像肺結(jié)節(jié)計(jì)算機(jī)輔助檢測技術(shù)研究進(jìn)展[J]. 龔敬,聶生東.  北京生物醫(yī)學(xué)工程. 2016(01)
[7]基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J]. 楊陽,張文生.  數(shù)據(jù)采集與處理. 2015(01)

博士論文
[1]低劑量螺旋CT早期肺癌篩查—肺結(jié)節(jié)的檢出及其相關(guān)研究[D]. 蔡強(qiáng).北京協(xié)和醫(yī)學(xué)院 2011

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014



本文編號：3722605