【摘要】：由于深度學(xué)習(xí)技術(shù)以及深度卷積神經(jīng)網(wǎng)絡(luò)在圖像領(lǐng)域的巨大成功,眾多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到CT圖像肺結(jié)節(jié)檢測之中,取得了大量的研究成果,在提高檢測率、降低假陽性率等方面獲得了較好的效果。然而,CT影像中的肺結(jié)節(jié),種類繁多、結(jié)構(gòu)各異、體積較小,尺寸和位置千變?nèi)f化,一些假陽性候選肺結(jié)節(jié)與真結(jié)節(jié)有相似形態(tài),且容易與肺內(nèi)氣管、血管等組織粘連混淆,所有這些都極大增加了肺結(jié)節(jié)檢測的難度。雖然卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測算法已取得較高性能,但是基于臨床應(yīng)用視角,如何準(zhǔn)確、快速和方便地檢測與識別早期肺癌結(jié)節(jié),目前仍然是研究的重點(diǎn)與難點(diǎn)。因此深入研究與開發(fā)卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測算法,具有理論意義與應(yīng)用價值。在分析研究現(xiàn)有代表性卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測算法的基礎(chǔ)上,為了降低假陽性率、提高檢測準(zhǔn)確率,應(yīng)用通用目標(biāo)檢測的領(lǐng)先算法,集成RefineDet算法與SENet算法,設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測算法,主要研究工作包括4個方面。(1)文獻(xiàn)的閱讀與相關(guān)知識點(diǎn)的研究。通過查閱文獻(xiàn),對CT圖像、肺結(jié)節(jié)及其檢測相關(guān)知識進(jìn)行深入了解,對卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于肺結(jié)節(jié)檢測的理論及方法深入研究。結(jié)合肺結(jié)節(jié)特點(diǎn),借鑒領(lǐng)先的目標(biāo)檢測算法,設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測算法。(2)數(shù)據(jù)集預(yù)處理。由于數(shù)據(jù)集原圖像的格式問題,首先對其進(jìn)行格式轉(zhuǎn)換,提取相關(guān)注釋信息,再根據(jù)標(biāo)注信息進(jìn)行矩形框的標(biāo)注。通過篩選合適的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),并對數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、噪聲等處理來增加樣本數(shù)量,提高模型的泛化能力。(3)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計。網(wǎng)絡(luò)設(shè)計主要參考RefineDet網(wǎng)絡(luò),去掉最后兩層卷積及其相關(guān)聯(lián)的層。針對本文肺結(jié)節(jié)檢測,由于其目標(biāo)較小且不易被檢測,因此,在網(wǎng)絡(luò)中加入SENet模塊,增加圖像特征參數(shù),融合更多的上下文信息,提高模型學(xué)習(xí)能力。(4)實(shí)驗(yàn)驗(yàn)證。通過實(shí)驗(yàn)從定性與定量兩方面驗(yàn)證了本文算法的有效性。使用FROC、AUC以及CPM指標(biāo)進(jìn)行效果量化評價,并將本文算法與SSD、RefineDet等算法進(jìn)行了對比。創(chuàng)新之處:(1)改進(jìn)通用目標(biāo)檢測領(lǐng)先算法,構(gòu)建適應(yīng)CT圖像肺結(jié)節(jié)檢測的CNN網(wǎng)絡(luò)結(jié)構(gòu)。采用兩步級聯(lián)策略對候選框進(jìn)行篩選,使用錨框細(xì)化模塊去除負(fù)候選框,并對候選框的位置及大小進(jìn)行調(diào)整,使用目標(biāo)檢測模塊回歸準(zhǔn)確的對象位置并預(yù)測結(jié)節(jié)類別。(2)采用兩級特征提取結(jié)構(gòu),使特征更豐富。針對肺結(jié)節(jié)小目標(biāo)問題,引入SENet模塊進(jìn)行特征增強(qiáng),加強(qiáng)特征傳遞和復(fù)用,通過特征重標(biāo)定來自適應(yīng)學(xué)習(xí)特征權(quán)重,抑制對當(dāng)前任務(wù)中用處不大的特征,從而提升模型性能。不足之處:(1)未考慮CT圖像的空間信息,對CT圖像序列前后之間的聯(lián)系未進(jìn)行相應(yīng)處理。在未來工作中,通過設(shè)計三維卷積神經(jīng)網(wǎng)絡(luò),有效利用空間信息,提高網(wǎng)絡(luò)魯棒性。(2)在網(wǎng)絡(luò)模型訓(xùn)練時,采用檢測通用目標(biāo)的loss函數(shù),未針對肺結(jié)節(jié)小目標(biāo)問題進(jìn)行改進(jìn)。在今后工作中,通過改進(jìn)損失函數(shù)有針對性的實(shí)現(xiàn)對肺結(jié)節(jié)檢測。
【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;R816.4
【圖文】：

直徑小于 3mm 的結(jié)節(jié)被視為良性結(jié)節(jié)，癌癥的發(fā)病率較低，并且功能。但隨著時間的推移，小結(jié)節(jié)有可能演變?yōu)榇蠼Y(jié)節(jié)，導(dǎo)致發(fā)病的可能性大大因此，需要進(jìn)行定期檢查來降低發(fā)病的可能性。肺結(jié)節(jié)的類型復(fù)雜多樣，主要表現(xiàn)為毛刺狀、鈣化、粘連血管以及獨(dú)立結(jié)節(jié)等結(jié)節(jié)的復(fù)雜多樣也給醫(yī)師的診斷帶來了一定的影響，因此，需要提供更加有效的段來幫助醫(yī)師提高診治的準(zhǔn)確度。3 肺結(jié)節(jié)檢測基礎(chǔ)知識肺結(jié)節(jié)檢測指的是對獲取的醫(yī)學(xué)影像中肺結(jié)節(jié)的位置進(jìn)行定位，并對其病變信息斷，其檢測方法主要通過胸部 X光或 CT 掃描來獲取影像信息。X光圖像能夠反病變組織的密度，但是沒有量的概念。CT 圖像不僅以不同灰度顯示其密度的高用組織對 X光的吸收系數(shù)說明其密度高低的程度，具有一個量的概念，并且 CT 圖 2-1 三種類型的結(jié)節(jié)

山東師范大學(xué)碩士學(xué)位論文圖 2-3 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)圖ndrew 領(lǐng)導(dǎo)的團(tuán)隊在 ILSVRC 競賽中GG 模型，如圖 2-4 所示。該模型在繼加了其網(wǎng)絡(luò)深度，由原來的 8 層增加性。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李哲;;令人糾結(jié)的肺結(jié)節(jié)[J];開卷有益-求醫(yī)問藥;2019年07期

2 牙祖鴻;;16層螺旋CT在肺結(jié)節(jié)診斷中的應(yīng)用效果評價[J];世界最新醫(yī)學(xué)信息文摘;2019年24期

3 肖寧;強(qiáng)彥;趙涓涓;張小龍;;基于分割對抗網(wǎng)絡(luò)的肺結(jié)節(jié)分割[J];計算機(jī)工程與設(shè)計;2019年04期

4 王成弟;郭際香;楊陽;徐修遠(yuǎn);胡亦清;楊瀾;章毅;李為民;;利用深度學(xué)習(xí)技術(shù)輔助肺結(jié)節(jié)的人工智能檢測[J];中國呼吸與危重監(jiān)護(hù)雜志;2019年03期

5 裴東方;陳少武;;多層螺旋CT胸部低劑量掃描在肺結(jié)節(jié)鑒別診斷中的臨床價值[J];實(shí)用醫(yī)學(xué)影像雜志;2019年03期

6 葉鋼福;;肺結(jié)節(jié)早期診治中應(yīng)用中醫(yī)體質(zhì)學(xué)說干預(yù)72例分析[J];中外醫(yī)療;2019年14期

7 徐久強(qiáng);洪麗萍;朱宏博;趙海;;一種用于肺結(jié)節(jié)惡性度分類的生成對抗網(wǎng)絡(luò)[J];東北大學(xué)學(xué)報(自然科學(xué)版);2018年11期

8 M.Kwon;S.H.Lee;Y.S.Lee;C.W.Lee;J.L.Roh;S.H.Choi;張毓婧;;頭頸部鱗狀細(xì)胞癌病人初步評估中檢出的非特異性肺結(jié)節(jié)的臨床意義[J];國際醫(yī)學(xué)放射學(xué)雜志;2017年06期

9 張俊杰;周濤;夏勇;王文文;師宏斌;;基于空間分布的三維自動化肺結(jié)節(jié)分割算法[J];電視技術(shù);2016年08期

10 阮曙芬;;晚期肺結(jié)節(jié)圖像特征準(zhǔn)確識別仿真研究[J];計算機(jī)仿真;2015年08期

相關(guān)會議論文 前10條

1 孫志遠(yuǎn);;數(shù)字化體層融合在肺結(jié)節(jié)探查中的初步應(yīng)用[A];中華醫(yī)學(xué)會第16次全國放射學(xué)學(xué)術(shù)大會論文匯編[C];2009年

2 穆景博;高向東;;X線數(shù)字化體層融合技術(shù)在肺結(jié)節(jié)探查中的應(yīng)用[A];2010中華醫(yī)學(xué)會影像技術(shù)分會第十八次全國學(xué)術(shù)大會論文集[C];2010年

3 查開繼;高劍波;張永高;郭華;楊學(xué)華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結(jié)節(jié)的比較研究[A];2010中華醫(yī)學(xué)會影像技術(shù)分會第十八次全國學(xué)術(shù)大會論文集[C];2010年

4 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學(xué)學(xué)術(shù)年會論文匯編[C];2006年

5 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會放射學(xué)分會第八屆全國心胸影像學(xué)術(shù)大會暨河南省第十二次放射學(xué)術(shù)會議論文匯編[C];2006年

6 于紅;李惠民;劉士遠(yuǎn);肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

7 田原成;劉朝陽;鄭蘭條;王新蘭;馮佳俊;林艷霞;曾湘豫;;醫(yī)學(xué)氣功社區(qū)內(nèi)外氣治病經(jīng)驗(yàn)淺談[A];中國醫(yī)學(xué)氣功學(xué)會第六屆會員代表大會暨學(xué)術(shù)年會論文集[C];2019年

8 陳燕;陳瑜;王苗娟;徐素美;殷瑛;;健康體檢人群中低劑量胸部CT在肺結(jié)節(jié)篩查中的診斷價值初步評估[A];2016年浙江省醫(yī)學(xué)會健康管理學(xué)分會學(xué)術(shù)年會暨中國健康管理學(xué)科發(fā)展論壇論文匯編[C];2016年

9 孫希文;;少見良性肺結(jié)節(jié)CT表現(xiàn)[A];中國防癆協(xié)會臨床專業(yè)委員會2012年度學(xué)術(shù)會議暨專業(yè)學(xué)組成立大會論文集[C];2012年

10 徐巖;馬大慶;;計算機(jī)輔助檢測肺結(jié)節(jié)在數(shù)字化胸片上的應(yīng)用價值[A];中華醫(yī)學(xué)會第十三屆全國放射學(xué)大會論文匯編（下冊）[C];2006年

相關(guān)重要報紙文章 前10條

1 李詩敏 本報記者 鄧曉洪;早查早診 別讓肺結(jié)節(jié)變成“劫”[N];成都日報;2019年

2 中國婦女報·中國女網(wǎng)記者 丁秀偉;肺結(jié)節(jié)高發(fā)但不等于肺癌 女性頻頻中招油煙是禍?zhǔn)譡N];中國婦女報;2019年

3 本報記者 馬麗亞;肺結(jié)節(jié)不等于肺癌，應(yīng)避免過度診療[N];上海中醫(yī)藥報;2019年

4 蘇惠萍 秦欣欣 北京中醫(yī)藥大學(xué)東直門醫(yī)院;莫為肺結(jié)節(jié)所困擾[N];中國中醫(yī)藥報;2018年

5 通訊員 崔玉艷;40歲以上“老煙槍”每年做個CT檢查[N];家庭醫(yī)生報;2017年

6 記者 陳鑫龍;中國肺癌防治聯(lián)盟暨肺結(jié)節(jié)中心在昆成立[N];云南日報;2017年

7 廣西南寧 周一海;正確認(rèn)識肺結(jié)節(jié)[N];上海中醫(yī)藥報;2017年

8 肖湘生 上海長征醫(yī)院醫(yī)學(xué)影像科主任醫(yī)師 教授;肺結(jié)節(jié)是怎么回事？[N];文匯報;2013年

9 本報見習(xí)記者 趙怡甄;采用全新方法治肺癌[N];經(jīng)濟(jì)信息時報;2015年

10 上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院胸外科主任醫(yī)師 邱維誠;發(fā)現(xiàn)肺結(jié)節(jié) 別輕易下診斷[N];健康報;2013年

相關(guān)博士學(xué)位論文 前10條

1 孫琦;持續(xù)存在肺結(jié)節(jié)的CT體積增長及其相關(guān)因素分析[D];北京協(xié)和醫(yī)學(xué)院;2018年

2 武盼盼;基于肺部CT圖像的肺結(jié)節(jié)檢測技術(shù)研究[D];河北工業(yè)大學(xué);2017年

3 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學(xué);2003年

4 張濤;肺結(jié)節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實(shí)驗(yàn)研究[D];中國人民解放軍軍醫(yī)進(jìn)修學(xué)院;2008年

5 陳侃;基于活動輪廓模型的肺結(jié)節(jié)分割方法研究[D];華南理工大學(xué);2013年

6 劉陽;基于肺部高分辨率CT影像的肺結(jié)節(jié)識別方法研究[D];東北大學(xué);2011年

7 孫申申;基于CT影像的肺結(jié)節(jié)檢測與分割方法研究[D];東北大學(xué)　;2009年

8 李陽;多核學(xué)習(xí)SVM算法研究及肺結(jié)節(jié)識別[D];吉林大學(xué);2014年

9 劉瑛;肺結(jié)節(jié)的~(18)F-FDG PET-CT功能代謝與CT形態(tài)學(xué)研究[D];中國協(xié)和醫(yī)科大學(xué);2009年

10 裴曉敏;基于CT影像的孤立性肺結(jié)節(jié)檢測關(guān)鍵技術(shù)研究[D];東北大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 朱輝;基于CT影像和深度學(xué)習(xí)的肺結(jié)節(jié)精確檢測算法研究[D];中北大學(xué);2019年

2 焦慶磊;基于CNN的X光胸片肺結(jié)節(jié)檢測方法研究[D];中國科學(xué)技術(shù)大學(xué);2019年

3 陳亞楠;基于深度學(xué)習(xí)的CT影像肺結(jié)節(jié)識別方法研究[D];河北地質(zhì)大學(xué);2018年

4 尚永生;基于卷積神經(jīng)網(wǎng)絡(luò)的胸部CT圖像肺結(jié)節(jié)檢測算法研究[D];山東師范大學(xué);2019年

5 張思奇;基于深度學(xué)習(xí)的CT圖像肺結(jié)節(jié)檢測方法研究[D];天津工業(yè)大學(xué);2019年

6 趙彥杰;基于深度卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)自動檢測方法研究[D];廈門大學(xué);2018年

7 王芳敏;AI“啄醫(yī)生”對肺結(jié)節(jié)良惡性鑒別的價值研究[D];西南醫(yī)科大學(xué);2019年

8 劉詠江;基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)良惡性分類研究[D];太原理工大學(xué);2019年

9 吳保榮;基于深度卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)自動檢測和分類方法研究[D];太原理工大學(xué);2019年

10 羅嘉瀅;基于廣義深度自編碼的肺結(jié)節(jié)診斷方法研究[D];太原理工大學(xué);2019年

本文編號：2712940