基于深度学习的肺结节检测技术的研究

发布时间：2021-07-10 05:37

　　肺结节作为早期肺癌的主要征象,其检测对肺癌的诊断具有至关重要的意义。CT技术应用的蓬勃发展,有效提高了肺结节的检出率。但是随着影像技术的不断发展和相关临床需求的不断增加,影像诊断医师的工作越来越繁重,长时间阅片后极易疲劳,进而导致出现一定程度的漏诊和误诊。因此迫切需要研究计算机辅助检测和诊断技术来辅助医师。近年来,随着神经网络和深度学习技术的不断发展,将深度学习技术扩展到医疗处理领域已经成了一个大的热门方向。本文主要研究深度学习技术在肺结节检测方面的应用,主要针对CT序列中肺结节的位置和大小进行检测。在进行结节检测前,本文先提出一种基于阈值分割和形态学操作相结合的肺实质分割方法。首先,根据固定阈值将CT序列中的每张切片进行二值化。然后,依次采用二维形态学操作中的消除边缘噪声、二维连通区域标记、腐蚀操作、闭合运算、孔洞填充对二值图像进行处理,此时大致的肺实质区域已经被分割出来。最后采用三维连通区域标记的方式,提取出左肺和右肺区域,得到比较光滑的无杂质的肺实质区域。肺实质分割一方面为肺结节检测提供可靠的检测区域,减少因肺结节检测器检测到肺实质以外组织而造成的假阳。另一方面可以减少检测器的运... 

【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】：85 页

【学位级别】：硕士

【部分图文】：

LUNA16标注文件结节直径分布情况

14(a) 原始 CT 切片数据 (b) 肺实质区域轮廓图2.4 肺部 CT 切片和实质区域可视化作为 LIDC-IDRI 数据集的子集，LUNA16 数据集提供了完备简洁的肺部 CT 序列数据和结节位置和大小信息，并提供了可供参考的肺实质分割区域，便于肺结节检测研究的进行。其中结节位置和大小信息是从 LIDC-IDRI 数据集的 XML 格式的标注信息文件中的结节轮廓转换而来，便于比赛中对检测效果进行评估。LUNA16 本身作为一项比赛，有大量团队在该数据集上进行相应肺结节检测实验和测评，因此在该数据集上进行肺结节检测技术的研究具有很好的可参考性和可对比性。2.2 深度学习方法随着深度学习技术的不断发展，其在图像分割和物体检测等方面取得了较大的进步。将深度学习应用到肺结节检测和诊断中，有助于提高结节检出率，进而及早发现和治疗肺癌，提高病人存活率。传统的肺结节检测流程中需要手动提取和设计结节特征

西安电子科技大学硕士学位论文10( )ni iiy f x b f 的主要目的是实现神经元间的非线性关系，通。在实际神经网络搭建中，常用的激活函数有 S达式和函数图像如下。2Sigmoid1(+)xxey xe22(1anh1T)xxey xe y ReLU( x ) = max( x, 0)

【参考文献】：
期刊论文
[1]基于改进Faster R-CNN和3D DCNN的肺结节检测算法[J]. 胡新颖,陈树越,焦竹青.  计算机应用研究. 2019(11)
[2]基于U-Net的结节分割方法[J]. 徐峰,郑斌,郭进祥,刘立波.  软件导刊. 2018(08)
[3]基于深度学习的计算机辅助肺癌诊断方法[J]. 张鹏,徐欣楠,王洪伟,冯元力,冯浩哲,张建伟,闫守琨,侯宇轩,宋怡文,李佳翔,刘新国.  计算机辅助设计与图形学学报. 2018(01)

博士论文
[1]基于CT图像多维特征的肺结节检测和诊断方法研究[D]. 韩芳芳.东北大学 2015
[2]基于CT影像的孤立性肺结节检测关键技术研究[D]. 裴晓敏.东北大学 2011
[3]肺结节图像的分析与识别[D]. 曹蕾.南方医科大学 2009

硕士论文
[1]基于深度学习的肺结节检测方法研究[D]. 郝欢.西安理工大学 2018
[2]基于深度网络的图像特征提取及应用[D]. 李欣怡.江南大学 2018
[3]基于深度学习的医学图像肺结节检测算法研究[D]. 王厚华.西安电子科技大学 2018
[4]基于深度学习的肺结节检测研究[D]. 方俊炜.广州大学 2018
[5]基于深度学习的肺结节识别与检测研究[D]. 张金.西南大学 2018
[6]基于卷积神经网络的肺部微小结节检测及分类方法研究[D]. 赵鹏飞.太原理工大学 2018
[7]基于深度学习的肺结节的检测和诊断[D]. 赵雷.天津工业大学 2018
[8]胸片的肺结节自动检测方法研究[D]. 蒋翠翠.东南大学 2017
[9]基于DICOM序列影像的肺结节检测算法研究[D]. 罗旋.电子科技大学 2015
[10]CT图像中孤立性肺结节良恶性识别系统[D]. 李佳兴.河北大学 2014



本文编号：3275297