肺癌是對人類生命健康威脅最大的惡性腫瘤之一,人們希望通過盡早診斷來降低肺癌患者的死亡率。而計算機斷層掃描成像（computed tomography,CT）是現(xiàn)代醫(yī)學(xué)中診治肺癌的主要手段之一。但一張肺部CT影像的像素往往達到了百萬級,其中用于判斷是否患肺癌的腫瘤結(jié)節(jié)卻僅僅只有十幾像素,這使得早期肺癌診斷面臨著極大的困難。計算機輔助診斷（Computer Aided Diagnosis,CAD）將CT圖像中提取的肺部區(qū)域的結(jié)構(gòu)特征作為“第二項意見”（secondopinion）,用以輔助醫(yī)師判斷患者的肺結(jié)節(jié)的良惡性,對早期肺癌的篩查有著重要的臨床指導(dǎo)意義。目前,對肺癌領(lǐng)域CAD的研究大多仍停留在人工定義結(jié)節(jié)特征的階段。本文擬采用改進的卷積神經(jīng)網(wǎng)絡(luò)模型（Convolutional Neural Networks,CNN）對肺部CT片進行良惡性診斷,主要進行了四個方面的工作:（1）系統(tǒng)的分析了當(dāng)前計算機輔助診斷以及卷積神經(jīng)網(wǎng)絡(luò)這兩個技術(shù)領(lǐng)域在國內(nèi)外的研究動態(tài),闡明現(xiàn)有技術(shù)存在的可改進之處和本文的實現(xiàn)意義所在。（2）研究了醫(yī)學(xué)影像獨有的DICOM格式的數(shù)據(jù)文件,對實驗樣本的影像信息進行描述分析... 

【文章來源】：中南財經(jīng)政法大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１常見肺部ＣＡＤ流程圖??ＣＡＤ在早期肺癌的臨床上的實際應(yīng)用效果還差強人意

第一章引言別領(lǐng)域進軍［３氣２０１５年，Ｆａｒｆａｄｅ等人設(shè)計出一種無需標(biāo)注面部姿勢的經(jīng)網(wǎng)絡(luò)，在提高模型效率的同時驗證其性能優(yōu)于傳統(tǒng)方法。Ｇｏｏｇｌｅ研發(fā)神經(jīng)網(wǎng)絡(luò)的圍棋人工智能“阿爾法狗（ＡｌｐｈａＧｏ）?”在２０１６年３月的“圍棋擊敗了職業(yè)九段棋手李世石，２０１７年５月又在中國烏鎮(zhèn)圍棋峰會上擊敗冠軍柯潔［３２］。圖１－２對上述卷積神經(jīng)網(wǎng)發(fā)展歷史中的里程碑事件進行了卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力和擬生物結(jié)構(gòu)不僅迎合了時代的需求，了時下圖像識別領(lǐng)域的研宄熱點。??ＢＰ霖法ＩｍａｇｅＮｅｔ?

醫(yī)學(xué)影像技術(shù)主要包括有ＣＴ、ＣＲ、ＭＲＩ等等，并且成像時會經(jīng)由放射科技師進??行調(diào)參和處理，成片后再交由診斷醫(yī)師進行判讀。ＣＴ成像作為一種常用的肺癌普查??的放射醫(yī)學(xué)手段，其實質(zhì)如圖２－１所示：Ｙ射線照射人體器官后，因為人體各組織部??位的結(jié)構(gòu)、密度等差異導(dǎo)致了穿透不同部位的ｉ射線量存在區(qū)別；穿透人體的射線??產(chǎn)生的光信號通過探測器和模擬／數(shù)字轉(zhuǎn)換器（ＡＤＣ，Ａｎａｌｏｇ－ｔｏ－Ｄｉｇｉｔａｌ?Ｃｏｎｖｅｒｔｅｒ）?０１實??現(xiàn)向電信號、數(shù)字信號的轉(zhuǎn)換［４２ｉ，最后由計算機處理后得到重建的人體內(nèi)部器官的黑??白影像。??Ｔ＼?［＞＾＞｜?丨門／＃??ｘ光—１卜—Ｉ?丫?——電信號—?一數(shù)字信號’像＿＋＿??．一＂一：：，／?Ａ．?＇?‘?Ｊ??Ｕ?Ｕ?沒習(xí)．?梭擬／數(shù)ｆ：轉(zhuǎn)換器?計钚機?肺部ＣＴ??ａｎａｌｏ＾ｄｉｇｉｔａ］?ｃｏｎｖｅｒｔｅｒ??圖２－１?ＣＴ成像流程??若假設(shè)Ｙ射線照射某物質(zhì)時有入射強度為Ｓｉｎ，穿透該均勻物質(zhì)后其強度因部分??光子被介質(zhì)吸收而衰減為Ｓ。＾則可定義８？，與Ｓｕｕｔ之間的關(guān)系為：??Ｓｏｕｔ＝Ｓｉｎ．ｅ?一?（２－１）??公式（２－１）中的Ａ表示該物質(zhì)對應(yīng)Ｚ射線的衰減系數(shù)，Ａｄ表示Ｘ射線在物質(zhì)??中所經(jīng)過的距離長度。Ｘ射線穿透ｎ個衰減系數(shù)不同的物質(zhì)時，Ｓｉｎ與Ｓｏｍ之間由（２－１）??式變形為（２－２）的形式。??Ｓ０Ｕｔ＝Ｓｉｎ．（ｅｆ

【參考文獻】：
期刊論文
[1]一種移動式TensorFlow平臺的卷積神經(jīng)網(wǎng)絡(luò)設(shè)計方法[J]. 李河偉.  電腦知識與技術(shù). 2017(22)
[2]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[3]基于區(qū)域信息的深度卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 曹鈺.  電子世界. 2017(06)
[4]基于改進的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類性能[J]. 常祥,楊明.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2017(03)
[5]卷積神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用分析[J]. 史曉霞,譚立輝.  電腦編程技巧與維護. 2017(03)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[7]計算機輔助診斷在醫(yī)學(xué)影像診斷中的基本原理和應(yīng)用進展[J]. 高歌,馬帥,王霄英.  放射學(xué)實踐. 2016(12)
[8]SVM訓(xùn)練數(shù)據(jù)歸一化研究[J]. 湯榮志,段會川,孫海濤.  山東師范大學(xué)學(xué)報(自然科學(xué)版). 2016(04)
[9]機器學(xué)習(xí)在腫瘤早期診斷與預(yù)后預(yù)測中的應(yīng)用[J]. 施維,薛均,潘璀然,任元凱,倪正杰,張遠鵬,王理,吳輝群,蔣葵,董建成.  醫(yī)學(xué)信息學(xué)雜志. 2016(11)
[10]深度學(xué)習(xí)及其在醫(yī)學(xué)圖像分析中的應(yīng)用研究[J]. 王媛媛,周濤,吳翠穎.  電視技術(shù). 2016(10)

博士論文
[1]集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D]. 王清.復(fù)旦大學(xué) 2011
[2]基于CT影像的早期肺癌計算機輔助診斷關(guān)鍵技術(shù)研究[D]. 于洋.東北大學(xué) 2009

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號：3537837