近些年,肺癌已經(jīng)成為發(fā)生率和死亡率最高的惡性腫瘤,嚴(yán)重危害著人類的健康。肺癌主要是由于惡性肺結(jié)節(jié)造成的,早期的肺結(jié)節(jié)檢測(cè)和診斷技術(shù)能夠及時(shí)發(fā)現(xiàn)病情,顯著提高肺癌的存活率,因此肺結(jié)節(jié)檢測(cè)的研究具有十分重要的意義。隨著人工智能理論和技術(shù)的快速發(fā)展,它已經(jīng)開始慢慢地滲透進(jìn)我們生活的各個(gè)方面。其中,尤其是人工智能里面的深度學(xué)習(xí),正在快速地應(yīng)用到許多領(lǐng)域和學(xué)科。本文以醫(yī)學(xué)輔助診斷領(lǐng)域中的肺結(jié)節(jié)檢測(cè)問題為研究對(duì)象,提出了一些基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)算法。本文的主要貢獻(xiàn)如下:1.引入新的數(shù)據(jù)增強(qiáng)方式Increment方法。訓(xùn)練一個(gè)復(fù)雜的深度卷積神經(jīng)模型模型往往需要很大規(guī)模的樣本,數(shù)據(jù)集越大,往往越容易訓(xùn)練出泛化能力好的模型,然而醫(yī)學(xué)圖像領(lǐng)域的可用數(shù)據(jù)非常有限。本文對(duì)數(shù)據(jù)集LUNA16,除了使用常規(guī)的數(shù)據(jù)增強(qiáng)方法來擴(kuò)充數(shù)據(jù),還引入了新的數(shù)據(jù)增強(qiáng)方式Increment方法。在CT影像中添加額外的肺結(jié)節(jié)立方體,緩解每個(gè)CT影像中只含有少量的正樣本或者沒有正樣本的問題和原來肺結(jié)節(jié)半徑的概率分布不均衡的現(xiàn)象。2.提出一種基于改進(jìn)的3D SENet和3D RPN的候選結(jié)節(jié)檢測(cè)模型。該模型首先通過改進(jìn)的3D SE... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１?—維卷積操作示意圖??２、二維卷積操作??

浙理工大學(xué)碩士學(xué)術(shù)論文?基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)算法研究??的檢測(cè)、視頻處理領(lǐng)域（檢測(cè)動(dòng)作及人物行為）等領(lǐng)域。??二維卷積操作如圖２＿３所不。假設(shè)Ｆｅａｔｕｒｅ?ｍａｐ的輸入大小為（ｉｎ＿ｄｅｐｔｈ，??ｉｎ＿ｈｅｉｇｈｔ，ｉｎ＿ｗｉｄｔｈ，?ｉｎ＿ｃｈａｎｎｅ丨），卷積核的大小是（ｆｉｌｔｅｒ＿ｄｅｐｔｈ，?ｆｉｌｔｅｒｊｉｅｉｇｌｉｔ，??ｆｉ］ｔｅｒ＿ｗｉｄｔｈ，ｉｎ＿ｃｈａｎｎｅｌ），卷積核的個(gè)數(shù)是ｏｕｔ＿ｃｈａｎｎｅｌ。類似于二維卷積，在??ｃｈａｎｎｅｌ方向上，做滑窗操作，對(duì)每個(gè)滑窗，通過將其與卷積核窗口內(nèi)的所有值??進(jìn)行卷積操作，得到一個(gè)ｖａｌｕｅ，把所有ｃｈａｎｎｅｌ上的ｖａｌｕｅ求和，輸出為Ｆｅａｔｕｒｅ??ｍａｐ中的一個(gè)值。當(dāng)滑窗步幅＝１時(shí)，三維卷積輸出數(shù)據(jù)的維度：??（ｉｎ＿ｄｅｐｔｈ－ｆｉｌｔｅｒ＿ｄｅｐｔｈ＋ｌ．?ｉｎ＿ｈｅｉｇｈｔ－ｆｉｌｔｅｒ＿ｈｅｉｇｈｔ＋ｌ，?ｉｎ＿ｗｉｄｔｈ－ｆｉｌｔｅｒ＿ｗｉｄｔｈ＋ｌ?，??ｏｕｔ?ｃｈａｎｎｅｌ）?〇??＊??三維卷釀??三維特征圖??圖２．３三維特征圖和三維卷積核??２．１．２池化操作??和卷積神經(jīng)網(wǎng)絡(luò)分類相對(duì)應(yīng)，池化操作也分為２類：二維池化操作和三維池??化操作。??１、二維池化操作??在卷積操作之后，輸出ｆｅａｔｕｒｅ?ｍａｐ的大小一般都是和輸入ｆｅａｔｕｒｅ?ｍａｐ的大??小一致，如果采用多維卷積核的話，即，〇Ｕｔ＿Ｃｈａｎｎｅｌ＞ｌ，那么這個(gè)卷積操作的參??數(shù)量將會(huì)變得非常大。池化操作可以大幅度減少數(shù)據(jù)的數(shù)量，使得模型參數(shù)減少，??從而縮短訓(xùn)練時(shí)間并防止過度擬合。??一般

浙江理工火學(xué)碩士學(xué)術(shù)論文?基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)算法研究??因此窗口不重疊。??＿圓＿圓畫誦圍＿??＾Ｕ１３１１｜１?２?５?２??８｜７４２｜２１４?３?１?２??ｗｉｎａｏｗ?ａｎｄ?ｓｉｎｃｅ?４??１．５?Ｈｉ?７＾?１?２?４?４??＾?５＞??１?２?１?１?ｍ；不：：?’?５?獨(dú)??……；－ｖ２??２?４?２?１?２?３??５?３?３?１?１?２１?１??圖２．４二維卷積后的ｍａｘｐｏｏｌｉｎｇ操作示意圖??除了?Ｍａｘ?Ｐｏｏｌｉｎｇ，常見的池化處理還有Ｍｅａｎ?Ｐｏｏｌｉｎｇ，即將Ｐｏｏｌｉｎｇ窗口內(nèi)??的所有數(shù)值進(jìn)行累加，再取平均值，以平均值作為采樣值進(jìn)行輸出。??２、三維池化操作??一般在使用三維卷積操作之后，都會(huì)跟一個(gè)三維池化操作，尤其是針對(duì)三維??卷積操作，如果使用比較深的三維網(wǎng)絡(luò)就很容易超過顯存。同樣的，三維池化操??作可以減少網(wǎng)絡(luò)的參數(shù)量，從而縮短訓(xùn)練時(shí)間并防止過度擬合。??假設(shè)?Ｆｅａｔｕｒｅ?ｍａｐ?的輸入大小為（ｉｎ＿ｄｅｐｔｈ，?ｉｎ＿＿ｈｅｉｇｈｔ，?ｉｎ＿ｗｉｄｔｈ，?ｉｎ—ｃｈａｎｎｅｌ），窗??口的大小是（ｆｉｌｔｅｒ＿ｄｅｐｔｈ，ｆｉｌｔｅｒｊｉｅｉｇｈｔ，ｆｉｌｔｅｒ?ｗｉｄｔｈ）。當(dāng)窗口步幅為２時(shí)，特征圖經(jīng)??歷過三維池化的輸出數(shù)據(jù)的維度：（（ｉｎ＿ｄｅｐｔｈ－ｆｉｌｔｅｒ＿ｄｅｐｔｈ）／２＋ｌ，??（ｉｎ—ｈｅｉｇｈｔ－ｆｉｌｔｅｉ－＿ｈｅｉｇｈｔ）／２＋ｌ，?（ｉｎ—ｗｉｄｔｈ－ｆｉｌｔｅｒ—ｗｉｄｔｈ）／２＋ｌ，?ｉｎ＿ｃｈａｎｎｅｌ）。??２．１．３非線性激活函數(shù)??激活函數(shù)一直被認(rèn)為是神經(jīng)網(wǎng)絡(luò)具有非線性映射能力的關(guān)


本文編號(hào)：3456700