基于U-Net的肺结节辅助检测系统设计与实现

发布时间：2021-07-14 19:21

　　肺癌不论在国内还是国外,都是发病率最高的癌症,而肺癌患者的死亡率在所有癌症中也是最高的。由于肺癌患者在早期并无明显症状,大部分人被确诊为肺癌时已经达到晚期,而此时手术方式已经无法起到很好的作用,导致患者生存率低。肺癌患者中I或Ⅱ期的五年生存率为25%～73%,而Ⅲ到Ⅳ期患者的五年生存率仅为2%～24%。但是肺癌的早期表现形式,即肺结节可通过医学影像进行诊断而更早的被发现,对肺癌的早期诊断有着重要作用。鉴于以上原因,本文从肺结节检查常用的手段即CT图像数据入手,以深度学习网络模型U-Net为基础,设计并实现肺结节辅助检测系统。本文主要研究内容有:（1）使用LUNA16数据集训练U-Net网络模型,使用U-Net对肺部CT图像数据中肺结节进行分割,实现对肺结节的检测。使用多种算法与U-Net网络模型进行对比,分析实验结果,对现有U-Net网络所存在的问题进行总结;（2）对U-Net网络目前存在的一些问题进行分析,并对网络进行改进。改进方法主要为:在原U-Net的直连结构中加入卷积层,使得上采样通路获得来自下采样通路的高级语义信息,使分割结果更为准确。在加入的卷积层中增加约束条件,使网络的训... 

【文章来源】：宁夏大学宁夏回族自治区 211工程院校

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图２－２常用激活函数??在上述计算完成后，数据从隐藏层到输出层，同样也存在一个权重向量，＜９?ｅＲＡ＇ｘ１

ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋Ｏｘｌ＋ｌｘｌ＋ＯｘＯ＋Ｏｘｌ??图２－３二维卷积??二维卷积的原理如图２－３所示，一个二维卷积在图像上滑动，对卷积区域内的像素相乘再相??加。图中，原图像为５Ｘ５大小，卷积核为３Ｘ３大小，卷积核从左上角开始向右向下移动，每次??移动一个像素（步长为１），每次移动，卷积核都与原始图像中对应的位置像素的值相乘然后再相??加，得到新图像的一个像素的值。??在图像处理中，图像都是用矩阵表示的，对于图像分类等任务来说，其本质是寻找图像中的??特征，而卷积核则代表着某种特征，如图２￣４所示的卷积核可以检测竖线：??０?１０??０?１０??０?１０??图２４卷积核??卷积神经网络利用卷积操作来不断的提取特征，直到实现网络的目标位置。??相比于人工神经网络来说，卷积神经网络可以提取图像数据在空间上的特征，从而实现半监??督或非监督的学习。而且由于卷积核的存在

１?０?１０?１?０１?０?１ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋ｌｘＯ＋ｌｘｌ＋Ｏｘｌ＋ｌｘｌ＋Ｏｘ图２－３二维卷积??示，一个二维卷积在图像上滑动，，卷积核为３Ｘ３大小，卷积核从左移动，卷积核都与原始图像中对应。??矩阵表示的，对于图像分类等任务征，如图２￣４所示的卷积核可以检０?１０??

【参考文献】：
期刊论文
[1]基于深度卷积神经网络算法的肺结节检测模型[J]. 杨晶晶,王骞,宣晓华.  数学建模及其应用. 2017(04)
[2]基于卷积神经网络的胸片肺结节检测[J]. 朱国策,李朝锋.  传感器与微系统. 2017(12)
[3]基于局部感受野和半监督深度自编码的肺结节检测方法[J]. 赵鑫,强彦,强梓林,赵涓涓,杜晓平.  科学技术与工程. 2017(33)
[4]人工智能在医疗肺结节检测领域的实践[J]. 刘聪,殷保才,严峻.  信息技术与标准化. 2017(11)
[5]基于三维形状指数的肺结节自动检测方法[J]. 董林佳,强彦,赵涓涓,原杰,赵文婷.  计算机应用. 2017(11)
[6]应用于平扫CT图像肺结节检测的深度学习方法综述[J]. 胡伟俭,陈为,冯浩哲,张天平,朱正茂,潘巧明.  浙江大学学报(理学版). 2017(04)
[7]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)
[8]改进的RVM在肺结节检测中的研究与应用[J]. 武盼盼,夏克文,林永良,白建川.  计算机工程与应用. 2016(19)
[9]基于几何特征的孤立性肺结节检测[J]. 陈树越,晁亚,邹凌.  生物医学工程学杂志. 2016(04)
[10]基于多维特征和支持向量机核函数优化的自动化肺结节检测模型[J]. 刘银凤,张俊杰,周涛,夏勇,吴翠颖.  生物医学工程研究. 2016(02)



本文编号：3284739