基于3D卷积网络的肺结节检测与识别方法研究

发布时间：2022-01-01 11:25

　　肺癌是一种全球性的高危疾病,尤其在男性中肺癌是最常见的癌症,而肺癌早期是以肺结节的形式表现出来的,虽然低剂量肺CT筛查肺结节为早期诊断提供了一个有效的方法,大大降低了肺癌的死亡率。但随着信息数据的增加,给医生的工作带来巨大的负担,因此利用计算机辅助肺结节检测十分必要,有利于减少诊断时间,帮助医生提高工作效率。传统的肺结节检测使用的方法大部分都是基于机器学习算法,结合专业的医学领域知识和CT图像的特点,人工提取出特征,并选取有用的特征放到分类器中训练,不仅过程繁琐,而且这样训练出来的模型泛化能力不好,并不能直接运用起到辅助治疗的作用。随着深度卷积神经网络与图像处理领域的结合,深度学习算法渐渐成为热门的研究课题,它不再需要传统方法中手工特征提取设计的步骤,而是由模型以卷积方式自动提取图像的表征,且深层的网络提取的特征更具体,更具有辨识力。因此,越来越多的人开始将深度学习的算法融合到肺结节图像研究中。现已有的方法主要是将传统的机器学习算法与深度学习结合起来,在疑似肺结节区域分割中应用传统的算法,在去除肺结节假阳性中使用深度卷积神经网络,但是这类方法得到的模型往往泛化能力不好,在提取疑似结节过... 

【文章来源】：上海海洋大学上海市

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

语义分割Fig.2-1Semanticsegmentation

图分割Fig.2-2Graphsegmentation

9图 2-3 最小化分割Fig.2-3 Normalized cut的基本思想是按照图像的灰度特征选取阈值，并针对图阈值的比较结果来分类，阈值的最佳求解方法是按照某际上将输入图像 f 转化为输出图像 g（2-3）：， h h图像中各个像素点大于等于阈值 T 时，图像中的像素点输入图像中各个像素点小于阈值 T 时，将图像中的像素，阈值的选取是基于阈值分割算法的关键，确定阈值后值与阈值的大小，对各像素并行地进行输出灰度值，给区域。该算法直接利用图像灰度特性进行分割，易实现、

【参考文献】：
期刊论文
[1]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)
[2]基于多尺度小波变换的医学图像边缘检测[J]. 张剑,金延昊.  医疗卫生装备. 2016(05)
[3]肺结节的CT计算机辅助检测和诊断的基本方法和应用[J]. 崔云,马大庆.  中国医学影像技术. 2007(03)

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]基于深度学习的肺结节检测研究[D]. 方俊炜.广州大学 2018
[3]基于深度学习的肺结节检测与诊断研究[D]. 杨晗.郑州大学 2018
[4]基于机器视觉的肺结节初筛算法研究与实现[D]. 严忱君.浙江大学 2018
[5]基于卷积神经网络的肺结节检测方法研究[D]. 林春伟.华南理工大学 2017
[6]基于形态特征的肺结节CT图像计算机辅助检测和辅助诊断研究[D]. 胡玉娜.复旦大学 2012



本文编号：3562274