基于卷积神经网络的肺癌图像分类

发布时间：2021-03-05 00:52

　　肺癌是最常见的癌症和癌症死亡的主要原因,且是一种预后较差的恶性疾病,患者的5年平均生存率不到20%。因此,早期发现肺部病变以提高治疗几率并增加患者生存率非常重要。然而,由于良性和恶性肺癌结节之间的细微差别,即使对于人类专家来说,肺癌诊断也是一项艰巨的任务。因此需要发展计算机辅助诊断系统,以协助医生对肺癌结节进行诊断,提供其诊断准确率。本文以肺癌CT图像为研究基础,着重研究肺癌图像分类,以帮助医生对早期肺癌患者进行诊断治疗,提高治愈几率。论文首先介绍了国内外深度学习的研究现状和肺癌图像分类方法的研究现状,然后对肺癌图像分类典型CNN模型进行分析,对各主流CNN模型分析其特点,对Alex Net、ZFNet、Google Net、VGGNet进行性能比较。实验表明,基于原始图像,VGG16相较于其他网络结构模型具有更高的分类准确率。在此基础上,基于VGG16卷积神经网络进行肺癌图像分类,选择公共肺癌数据集LIDC-IDRI,对肺癌图像进行预处理,通过实验选取激活函数和设置模型参数,选取准确率、敏感性、特异性和ROC曲线为指标与其他论文方法作对比分析。实验表明基于VGG16的肺癌图像分类准确... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

LIDC-IDRI数据集图像

哈尔滨理工大学工学硕士学位论文-9-从标注中提取3D图像。每个图像都有三个通道，这些通道是通过串联三个相邻的轴向切片而建立的。与单个切片相比，三个切片具有更丰富的特征来区分肺癌结节和其他组织。等级从1到5，其中1级和5级分别是良性和恶性的极端。0级表示不可用的诊断，将被忽略，并取小于3的良性值和大于3的恶性值。排除了所有中位数等于3级的结节。此外，由于缺少切片/或切片厚度不均匀，一些肺癌图像被丢弃。最后，总共有2052幅肺癌图像（良性46％，恶性54％）用于实验。2.2.2数据增强数据增强作为一种扩大样本数量的方法被广泛地运用在卷积神经网络的训练中[33]。数据增强的适当性将直接影响肺癌图像分类的最终效果。肺癌图像属于医学图像的范畴，因此不可避免的存在医学图像的缺陷。与语音数据或文本数据不同，标签医学图像不能外包给专业公司或团队。因此，这些数据的标记只能由专业的放射科医师完成，并且需要经验丰富的放射科医师花费半小时或更长时间来一次又一次地观察图像并标注肺癌结节的位置。结果是，由于专业人员的匮乏（远远少于能够标注其他语音或文本数据的专业人员的数量），医学图像数据不可避免地遭受数据不足的困扰。数据增强的意义在于，在有限的肺癌图像数据集上，可以充分合理地扩展训练数据量，以提高模型的泛化能力，提高模型的鲁棒性。数据增强是指创建与训练集相似的新样本的过程，从训练集中生成新样本进行数据增强。下面列出了几种常用的图像增强方法：1．旋转沿水平方向旋转图像。旋转图像如图2-2所示。图2-2旋转图像Fig.2-2Rotatetheimage2．噪声向图像中每个像素的RGB通道添加随机扰动（噪声）。常用的噪声是高斯噪声和椒盐噪声。添加噪声的图像如图2-3所示。

哈尔滨理工大学工学硕士学位论文-10-图2-3添加高斯噪声和椒盐噪声的图像Fig.2-3ImagewithGaussiannoiseandsaltandpeppernoise3．颜色抖动更改图像色彩空间中色彩饱和度、亮度和对比度等随机因素。此外常用的数据增强方法还包括：平移。图像向左或向右移动，可以手动指定平移范围和步长以更改图像内容的位置。2.2.3肺实质分割图像分割是医学图像处理中的重要研究内容之一。从医学图像中准确地提取目标物体是三维重建的基础，也是医学图像处理系统在临床上得到实用的基础，同时又是一个经典难题[34]。图像分割可以看作不同的划分问题，而图可以进行不同的划分，将图像映射为图后，分割问题就可以用图论方法(如：最小割)求解[35]。肺癌结节的大孝形状和位置都有很大的差异。此外，针对不同类别的肺癌结节，它们周围的环境通常是多样化的。肺癌结节的边界相当模糊，因此对肺癌的检测目前仍停留在肺癌结节中心的定位上。因此，肺癌结节轮廓信息的准确检测对于癌症治疗非常重要。肺是人体呼吸系统的主要器官，由位于胸部胸腔内的左、右肺组成。由于肺还具有相对明亮的成分（例如血管和结节），因此通过执行操作（例如填充孔和形态腐蚀扩展）将使整个表面变得光滑。为了减少分类复杂度并更容易找到可疑肺癌结节，有必要从原始CT图像中分割出肺实质。肺内部仍然存在脂肪、血液和软组织，需要通过形态学方法进一步处理，以减少对分类结果的妨碍。对外围无关区域过滤，以突显肺实质的中心图像。肺实质分割是肺癌图像分类的前期处理步骤。对肺部CT图像进行肺实质分割，就是通过分割算法对肺实质进行初步分割和提取，以减少噪声的干扰，降低肺癌图像分类的假阳性。肺实质分割操作流程图如图2-4所示。

【参考文献】：
期刊论文
[1]基于图割的图像分割方法及其新进展[J]. 刘松涛,殷福亮.  自动化学报. 2012(06)
[2]基于Level Set方法的医学图像分割[J]. 朱付平,田捷,林瑶,葛行飞.  软件学报. 2002(09)



本文编号：3064262