基于深度卷积神经网络的肺结节检测与良恶性诊断研究

发布时间：2021-06-19 12:36

　　肺癌正威胁着人们的健康,其发病率和死亡率高居不下,如果在发现肺癌的早期进行治疗,能显著提升患者的存活率。CT图像是用于检测肺癌最有效的技术,肺结节是肺癌早期的临床表现,这意味着研究基于CT图像的肺结节检测和肺结节良恶性诊断的技术和算法在科学和医学临床上都具有重要的意义。同时,随着深度学习在图像处理领域的应用范围不断扩大,近年来在医学图像处理上也取得了不错的效果,因而不断有研究者将目光聚焦在利用深度学习的技术进行肺结节的检测和肺结节良恶性诊断。本文主要研究基于深度卷积神经网络的肺结节检测和良恶性诊断,主要内容如下:对肺部CT图像进行预处理,为了避免肺部其他组织对检测造成干扰,利用“阈值法+形态学”的方法进行肺实质分割,并且在分割好的肺实质的CT图像上进行肺结节检测和肺结节良恶性诊断。针对肺结节的检测问题,本文设计了一个基于3D深度卷积神经网络的肺结节检测模型。该模型实现了两个功能:肺结节的提取和假阳性过滤。模型中利用3D多尺度的卷积神经网络进行候选结节提取,U型的双路径网络结构结合了残差学习和跳跃连接的优点,解决了深层网络中容易发生梯度消失的问题,提取的图像特征更加丰富并且对特征进行了充... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

肺结节分类图

图2.2 LetNet-5网络结构图[25]（1）卷积层。卷积层用来学习模型输入数据的特征，通过不同的卷积核计算得不同的特征图。详细来讲就是利用不同的卷积核，卷积核中的每个单元中有不同的

的输入图片，利用金字塔池化将不用大小的特征图转换成固定大小的特征向量，使得网络最终的输出是固定的大小。金字塔池化层结构如图 2.8 所示。图2.8 金字塔池化层结构图[35]在图 2.8 中，对于大小不同的输入图片经过一系列的卷积操作后得到不同大小的

【参考文献】：
期刊论文
[1]多输入卷积神经网络肺结节检测方法研究[J]. 赵鹏飞,赵涓涓,强彦,王峰智,赵文婷.  计算机科学. 2018(01)
[2]中国肺部结节分类、诊断与治疗指南（2016年版）[J]. 周清华,范亚光,王颖,乔友林,王贵齐,黄云超,王新允,吴宁,张国桢,郑向鹏,步宏.  中国肺癌杂志. 2016(12)



本文编号：3237824