基于卷积神经网络的胸部CT图像肺结节检测算法研究

发布时间：2020-06-14 14:53

【摘要】：由于深度学习技术以及深度卷积神经网络在图像领域的巨大成功,众多学者将卷积神经网络应用到CT图像肺结节检测之中,取得了大量的研究成果,在提高检测率、降低假阳性率等方面获得了较好的效果。然而,CT影像中的肺结节,种类繁多、结构各异、体积较小,尺寸和位置千变万化,一些假阳性候选肺结节与真结节有相似形态,且容易与肺内气管、血管等组织粘连混淆,所有这些都极大增加了肺结节检测的难度。虽然卷积神经网络肺结节检测算法已取得较高性能,但是基于临床应用视角,如何准确、快速和方便地检测与识别早期肺癌结节,目前仍然是研究的重点与难点。因此深入研究与开发卷积神经网络肺结节检测算法,具有理论意义与应用价值。在分析研究现有代表性卷积神经网络肺结节检测算法的基础上,为了降低假阳性率、提高检测准确率,应用通用目标检测的领先算法,集成RefineDet算法与SENet算法,设计了一种基于卷积神经网络的肺结节检测算法,主要研究工作包括4个方面。(1)文献的阅读与相关知识点的研究。通过查阅文献,对CT图像、肺结节及其检测相关知识进行深入了解,对卷积神经网络应用于肺结节检测的理论及方法深入研究。结合肺结节特点,借鉴领先的目标检测算法,设计了一种基于卷积神经网络的肺结节检测算法。(2)数据集预处理。由于数据集原图像的格式问题,首先对其进行格式转换,提取相关注释信息,再根据标注信息进行矩形框的标注。通过筛选合适的数据进行实验,并对数据进行旋转、噪声等处理来增加样本数量,提高模型的泛化能力。(3)网络结构的设计。网络设计主要参考RefineDet网络,去掉最后两层卷积及其相关联的层。针对本文肺结节检测,由于其目标较小且不易被检测,因此,在网络中加入SENet模块,增加图像特征参数,融合更多的上下文信息,提高模型学习能力。(4)实验验证。通过实验从定性与定量两方面验证了本文算法的有效性。使用FROC、AUC以及CPM指标进行效果量化评价,并将本文算法与SSD、RefineDet等算法进行了对比。创新之处:(1)改进通用目标检测领先算法,构建适应CT图像肺结节检测的CNN网络结构。采用两步级联策略对候选框进行筛选,使用锚框细化模块去除负候选框,并对候选框的位置及大小进行调整,使用目标检测模块回归准确的对象位置并预测结节类别。(2)采用两级特征提取结构,使特征更丰富。针对肺结节小目标问题,引入SENet模块进行特征增强,加强特征传递和复用,通过特征重标定来自适应学习特征权重,抑制对当前任务中用处不大的特征,从而提升模型性能。不足之处:(1)未考虑CT图像的空间信息,对CT图像序列前后之间的联系未进行相应处理。在未来工作中,通过设计三维卷积神经网络,有效利用空间信息,提高网络鲁棒性。(2)在网络模型训练时,采用检测通用目标的loss函数,未针对肺结节小目标问题进行改进。在今后工作中,通过改进损失函数有针对性的实现对肺结节检测。
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;R816.4
【图文】：

结节,肺结节

直径小于 3mm 的结节被视为良性结节，癌症的发病率较低，并且功能。但随着时间的推移，小结节有可能演变为大结节，导致发病的可能性大大因此，需要进行定期检查来降低发病的可能性。肺结节的类型复杂多样，主要表现为毛刺状、钙化、粘连血管以及独立结节等结节的复杂多样也给医师的诊断带来了一定的影响，因此，需要提供更加有效的段来帮助医师提高诊治的准确度。3 肺结节检测基础知识肺结节检测指的是对获取的医学影像中肺结节的位置进行定位，并对其病变信息断，其检测方法主要通过胸部 X光或 CT 扫描来获取影像信息。X光图像能够反病变组织的密度，但是没有量的概念。CT 图像不仅以不同灰度显示其密度的高用组织对 X光的吸收系数说明其密度高低的程度，具有一个量的概念，并且 CT 图 2-1 三种类型的结节

网络结构图,山东师范大学,硕士学位论文,团队

山东师范大学硕士学位论文图 2-3 AlexNet 网络结构图ndrew 领导的团队在 ILSVRC 竞赛中GG 模型，如图 2-4 所示。该模型在继加了其网络深度，由原来的 8 层增加性。

【相似文献】