發(fā)布時間：2021-11-22 00:52

　　肺癌是一種發(fā)病率和致死率均很高的癌癥,肺結(jié)節(jié)的良惡性分類是肺癌早期診斷的關(guān)鍵。臨床上常用CT圖像來篩查肺部的惡性肺結(jié)節(jié),但由于肺結(jié)節(jié)大小不一、形態(tài)多樣,導(dǎo)致人工的分類方法極易出現(xiàn)漏檢和誤檢的現(xiàn)象。研究肺結(jié)節(jié)良惡性分類算法,提高分類的準確性,有助于增加肺癌患者存活的機率。采用基于深度學習方法實現(xiàn)肺結(jié)節(jié)良惡性分類。在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計上,針對肺結(jié)節(jié)大小不一、形態(tài)多樣的特點,提出了一種多尺度多模型集成的三維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),由MSMME-VggNet、MSMME-ResNet和MSMME-InceResNet三種不同的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)組成,每種基礎(chǔ)網(wǎng)絡(luò)架構(gòu)又包含三個子網(wǎng)絡(luò),分別處理16*16*16、32*32*32和48*48*48的三維圖像。利用對比度增強前后的肺結(jié)節(jié)圖像塊組成兩通道的三維數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,凸顯了肺結(jié)節(jié)的特征。在訓練網(wǎng)絡(luò)模型時,為解決肺癌影像數(shù)據(jù)集中樣本量較少的問題,提出了離線和在線相結(jié)合的兩階段數(shù)據(jù)擴充方法,即先利用大部分肺結(jié)節(jié)周圍背景的相似性,采用“隨機掩碼”的方法對數(shù)據(jù)集進行離線擴充;之后再使用常規(guī)圖像處理方法進行在線擴充,以提高網(wǎng)絡(luò)模型的泛化能力。在肺結(jié)節(jié)的良惡性分類過程中... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

典型肺結(jié)節(jié)示例圖

華 中 科 技 大 學 碩 士 學 位 論 文對圖像的每塊小區(qū)域單獨做均衡化。而直方圖規(guī)定化是把原始圖像的灰度直方圖分布轉(zhuǎn)變成特定的灰度直方圖分布，以達到增強圖像對比度的目的。圖 3-2 中列舉了幾幅使用前文介紹的各種算法增強前后的肺結(jié)節(jié)效果圖，每行表示一幅圖像使用不同算法的增強效果圖，從左到右依次為原圖、對比度拉伸、指數(shù)變換、對數(shù)變換、全局直方圖均衡化、自適應(yīng)直方圖均衡化與直方圖規(guī)定化。需要說明的是，這里僅展示了肺結(jié)節(jié)圖像塊的中間層圖像。僅從以下幾幅圖像的視覺效果上來看，其中對比度拉伸與直方圖規(guī)定化兩種方法對肺結(jié)節(jié)圖像塊的增強效果更好；對于使用經(jīng)過不同增強方法處理后的輸入訓練出的肺結(jié)節(jié)良惡性分類模型，本文在 4.3 節(jié)的消融實驗部分對它們進行了性能上的比較。本文最終選擇了對比度拉伸增強算法來預(yù)處理肺結(jié)節(jié)圖像塊。原圖 對比度拉伸 指數(shù)變換 對數(shù)變換 全局均衡 局部均衡 規(guī)定化

中 科 技 大 學 碩 士 學 位 論 文性肺結(jié)節(jié)（正樣本）均通過隨機掩碼的方式生成了三個“新惡性肺結(jié)節(jié)”，中惡性肺結(jié)節(jié)的數(shù)量變?yōu)樵瓉淼乃谋�；對訓練集中的每個良性肺結(jié)節(jié)（負機掩碼的方式生成了一個“新良性肺結(jié)節(jié)”，這樣訓練集中良性肺結(jié)節(jié)的來的兩倍，訓練集中正負樣本的比例由原來的 1:2.13 近似變?yōu)?1:1。除了保在樣本總數(shù)量上的平衡外，在訓練時還對每個 batch 樣本作了正負樣本平解數(shù)據(jù)擴充前正負樣本數(shù)量上的較大差異給訓練的模型性能帶來的影響。

【參考文獻】：
期刊論文
[1]中國肺部結(jié)節(jié)分類、診斷與治療指南（2016年版）[J]. 周清華,范亞光,王穎,喬友林,王貴齊,黃云超,王新允,吳寧,張國楨,鄭向鵬,步宏.  中國肺癌雜志. 2016(12)
[2]CT征象用于孤立性肺結(jié)節(jié)良惡性鑒別診斷的Logistic回歸分析及預(yù)測模型構(gòu)建[J]. 鄧建永,張華山,劉桂安,王乾魁.  中國數(shù)字醫(yī)學. 2016(11)
[3]胸部CT圖像中孤立性肺結(jié)節(jié)良惡性快速分類[J]. 劉露,劉宛予,楚春雨,吳軍,周洋,張紅霞,鮑劼.  光學精密工程. 2009(08)
[4]自適應(yīng)區(qū)域生長算法在醫(yī)學圖像分割中的應(yīng)用[J]. 陸劍鋒,林海,潘志庚.  計算機輔助設(shè)計與圖形學學報. 2005(10)

碩士論文
[1]基于CT圖像的肺結(jié)節(jié)計算機輔助診斷研究[D]. 李靈.大連理工大學 2017
[2]基于CT圖像的孤立性肺結(jié)節(jié)診斷模型研究[D]. 邸曉東.哈爾濱理工大學 2010



本文編號：3510601