深度學習是人工智能領(lǐng)域的研究熱點,基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標檢測是深度學習的一個重要分支,CT圖像病灶檢測是計算機輔助醫(yī)療的重要途徑。肝臟局灶性病變由于其背景肝組織的復(fù)雜性、病灶的多樣性等,給肝臟病灶檢測帶來了很大的挑戰(zhàn),因此如何提高病灶的檢出率是肝臟CT圖像病灶檢測問題研究的一個重點及難點。本文首先基于影像科專業(yè)醫(yī)生標注的肝臟病灶圖片,生成訓練與測試數(shù)據(jù)集,接著分析并搭建廣義的Faster R-CNN。然后利用肝臟病灶CT圖像數(shù)據(jù)的特性,并結(jié)合不同幾何位置的病灶標注信息、合理的數(shù)據(jù)接口格式和訓練與測試數(shù)據(jù)集劃分方案,基于Faster R-CNN建立相應(yīng)的肝臟病灶檢測單分類和多分類初始模型。由于初始模型病灶檢測效果不理想,因此通過對圖像預(yù)處理方式、特征提取網(wǎng)絡(luò)、損失函數(shù)中平衡參數(shù)取值及目標候選框正負樣本比例等方面進行調(diào)優(yōu),特別的本文還利用K-均值聚類算法生成不同的標準框個數(shù)與尺寸并進行了調(diào)優(yōu),得到了優(yōu)化后相應(yīng)的單分類和多分類病灶檢測模型。最后通過數(shù)值實驗驗證了所設(shè)計的肝臟病灶檢測模型具有較高的平均精度和多病種的適用性。 

【文章來源】：湘潭大學湖南省

【文章頁數(shù)】：47 頁

【學位級別】：碩士

【部分圖文】：

歷年目標檢測算法平均精度均值發(fā)展曲線

第二章 預(yù)備知識2.1 幾類肝臟疾病及其 CT 圖像表現(xiàn)2.1.1 肝囊腫(Hepatic Cyst，簡稱 Cyst)肝囊腫[41]是肝部較為常見的疾病之一，其病灶 CT 平掃常表現(xiàn)為單個或多個圓形或橢圓形、密度均勻、邊緣光整的低密度區(qū)，CT 值接近水。若出現(xiàn)其他異常，如囊腫合并感染或出血，病灶密度有增高現(xiàn)象。增強掃描囊腫本身不強化，顯示更清楚。下圖為典型肝囊腫 CT 影像表現(xiàn)，圖中類圓形陰影即為肝囊腫病灶

圖 2-2 典型肝血管瘤 CT 圖像（從左到右分別為平掃、動脈期、門脈期、實質(zhì)期）2.1.3 肝臟局灶性結(jié)節(jié)增生(Focal Nodular Hyperplasia，簡稱 FNH）肝臟局灶性結(jié)節(jié)增生[41]病灶不同時期 CT 圖像表現(xiàn)如下： 平掃：病灶區(qū)密度稍低于正常肝實質(zhì)密度，且邊界欠清晰。 動脈期：病灶區(qū)域明顯均勻強化，但中央瘢痕部分通常不強化。 門靜脈期：病灶區(qū)域強化程度逐漸下降，等于或稍高于正常肝實質(zhì)密度，中央瘢痕通常不強化； 實質(zhì)期：病灶密度等于或稍低于正常肝實質(zhì)，中央瘢痕逐漸強化。下圖為典型 FNH 的 CT 影像表現(xiàn)，紅色方框為 FNH 病灶所在位置，箭頭所指的即為延遲強化的中央瘢痕:


本文編號：3378540