基于深度学习的肺结节检测算法研究

发布时间：2021-10-25 05:00

　　近些年,肺癌已经成为发生率和死亡率最高的恶性肿瘤,严重危害着人类的健康。肺癌主要是由于恶性肺结节造成的,早期的肺结节检测和诊断技术能够及时发现病情,显著提高肺癌的存活率,因此肺结节检测的研究具有十分重要的意义。随着人工智能理论和技术的快速发展,它已经开始慢慢地渗透进我们生活的各个方面。其中,尤其是人工智能里面的深度学习,正在快速地应用到许多领域和学科。本文以医学辅助诊断领域中的肺结节检测问题为研究对象,提出了一些基于深度学习的肺结节检测算法。本文的主要贡献如下:1.引入新的数据增强方式Increment方法。训练一个复杂的深度卷积神经模型模型往往需要很大规模的样本,数据集越大,往往越容易训练出泛化能力好的模型,然而医学图像领域的可用数据非常有限。本文对数据集LUNA16,除了使用常规的数据增强方法来扩充数据,还引入了新的数据增强方式Increment方法。在CT影像中添加额外的肺结节立方体,缓解每个CT影像中只含有少量的正样本或者没有正样本的问题和原来肺结节半径的概率分布不均衡的现象。2.提出一种基于改进的3D SENet和3D RPN的候选结节检测模型。该模型首先通过改进的3D SE... 

【文章来源】：浙江理工大学浙江省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图２．１?—维卷积操作示意图??２、二维卷积操作??

浙理工大学硕士学术论文?基于深度学习的肺结节检测算法研究??的检测、视频处理领域（检测动作及人物行为）等领域。??二维卷积操作如图２＿３所不。假设Ｆｅａｔｕｒｅ?ｍａｐ的输入大小为（ｉｎ＿ｄｅｐｔｈ，??ｉｎ＿ｈｅｉｇｈｔ，ｉｎ＿ｗｉｄｔｈ，?ｉｎ＿ｃｈａｎｎｅ丨），卷积核的大小是（ｆｉｌｔｅｒ＿ｄｅｐｔｈ，?ｆｉｌｔｅｒｊｉｅｉｇｌｉｔ，??ｆｉ］ｔｅｒ＿ｗｉｄｔｈ，ｉｎ＿ｃｈａｎｎｅｌ），卷积核的个数是ｏｕｔ＿ｃｈａｎｎｅｌ。类似于二维卷积，在??ｃｈａｎｎｅｌ方向上，做滑窗操作，对每个滑窗，通过将其与卷积核窗口内的所有值??进行卷积操作，得到一个ｖａｌｕｅ，把所有ｃｈａｎｎｅｌ上的ｖａｌｕｅ求和，输出为Ｆｅａｔｕｒｅ??ｍａｐ中的一个值。当滑窗步幅＝１时，三维卷积输出数据的维度：??（ｉｎ＿ｄｅｐｔｈ－ｆｉｌｔｅｒ＿ｄｅｐｔｈ＋ｌ．?ｉｎ＿ｈｅｉｇｈｔ－ｆｉｌｔｅｒ＿ｈｅｉｇｈｔ＋ｌ，?ｉｎ＿ｗｉｄｔｈ－ｆｉｌｔｅｒ＿ｗｉｄｔｈ＋ｌ?，??ｏｕｔ?ｃｈａｎｎｅｌ）?〇??＊??三维卷酿??三维特征图??图２．３三维特征图和三维卷积核??２．１．２池化操作??和卷积神经网络分类相对应，池化操作也分为２类：二维池化操作和三维池??化操作。??１、二维池化操作??在卷积操作之后，输出ｆｅａｔｕｒｅ?ｍａｐ的大小一般都是和输入ｆｅａｔｕｒｅ?ｍａｐ的大??小一致，如果采用多维卷积核的话，即，〇Ｕｔ＿Ｃｈａｎｎｅｌ＞ｌ，那么这个卷积操作的参??数量将会变得非常大。池化操作可以大幅度减少数据的数量，使得模型参数减少，??从而缩短训练时间并防止过度拟合。??一般

浙江理工火学硕士学术论文?基于深度学习的肺结节检测算法研究??因此窗口不重叠。??＿圓＿圓画誦圍＿??＾Ｕ１３１１｜１?２?５?２??８｜７４２｜２１４?３?１?２??ｗｉｎａｏｗ?ａｎｄ?ｓｉｎｃｅ?４??１．５?Ｈｉ?７＾?１?２?４?４??＾?５＞??１?２?１?１?ｍ；不：：?’?５?獨??……；－ｖ２??２?４?２?１?２?３??５?３?３?１?１?２１?１??图２．４二维卷积后的ｍａｘｐｏｏｌｉｎｇ操作示意图??除了?Ｍａｘ?Ｐｏｏｌｉｎｇ，常见的池化处理还有Ｍｅａｎ?Ｐｏｏｌｉｎｇ，即将Ｐｏｏｌｉｎｇ窗口内??的所有数值进行累加，再取平均值，以平均值作为采样值进行输出。??２、三维池化操作??一般在使用三维卷积操作之后，都会跟一个三维池化操作，尤其是针对三维??卷积操作，如果使用比较深的三维网络就很容易超过显存。同样的，三维池化操??作可以减少网络的参数量，从而缩短训练时间并防止过度拟合。??假设?Ｆｅａｔｕｒｅ?ｍａｐ?的输入大小为（ｉｎ＿ｄｅｐｔｈ，?ｉｎ＿＿ｈｅｉｇｈｔ，?ｉｎ＿ｗｉｄｔｈ，?ｉｎ—ｃｈａｎｎｅｌ），窗??口的大小是（ｆｉｌｔｅｒ＿ｄｅｐｔｈ，ｆｉｌｔｅｒｊｉｅｉｇｈｔ，ｆｉｌｔｅｒ?ｗｉｄｔｈ）。当窗口步幅为２时，特征图经??历过三维池化的输出数据的维度：（（ｉｎ＿ｄｅｐｔｈ－ｆｉｌｔｅｒ＿ｄｅｐｔｈ）／２＋ｌ，??（ｉｎ—ｈｅｉｇｈｔ－ｆｉｌｔｅｉ－＿ｈｅｉｇｈｔ）／２＋ｌ，?（ｉｎ—ｗｉｄｔｈ－ｆｉｌｔｅｒ—ｗｉｄｔｈ）／２＋ｌ，?ｉｎ＿ｃｈａｎｎｅｌ）。??２．１．３非线性激活函数??激活函数一直被认为是神经网络具有非线性映射能力的关


本文编号：3456700