肺结核病灶自动检测方法研究

发布时间：2020-08-28 03:43

【摘要】：肺结核是世界上第二大死亡原因,在传染病中排名第一。根据世界卫生组织(WHO)发布的全球报告,通过初期医治和合适治疗可以预防大多数结核病患者的死亡。但不幸的是,目前的大多数诊断方法的成本都不允许在受结核病影响最大的发展中国家大规模采用。结核病的诊断现在仍然是一项重大挑战,在目前的结核病分析方法中,胸部X光片具有快捷、方便、便宜等特性,常被用作大范围普查的手段。随着医学数据量的增加,放射科医师越来越难以对所有患者的胸部X光片维持同等的诊断效率和水平,从而迫切需要高精度的计算机辅助诊断体系来帮助放射科医师保持诊断质量。本文首先研究了卷积神经网络的基本结构及其在目标检测任务中的应用。同时,介绍了肺结核实验数据集,考虑到医学图像的特殊性,对肺结核胸片进行预处理,使肺部特征增强。接下来,研究了基于深度学习的肺结核自动检测算法,基础检测网络框架采取RetinaNet模型,实现多尺度检测。然后,针对原始模型漏检率高的问题,从网络结构、参数等角度提出了Anchor结构参数初始化方法、Anchor-Oriented算法以及新的困难学习样本挖掘损失函数对原始模型进行优化,有效降低漏检率,提高检测精度。本文融合胸部分割方法设计了一个高精度的肺结核分类网络,设计作为降假阳约束加入到检测网络中。肺结核分类网络由基于U-Net的胸部分割路径和特征提取路径组成,全局平均池化运算和全卷积层实现类别预测。通过完整胸片和病灶图像块作为分类网络输入从而有效的利用胸片的全局信息和局部信息。最后,为实现在不改变漏检率的条件下,降低模型误检率,将设计的高精度肺结核分类网络作为降假阳约束加入到检测网络中。当检测网络得到预测框之后,本文设计了一种有效的假阳约束算法,通过整合检测模型和分类模型的输出结果来获得最终的肺结核检测。本文提出的肺结核检测模型在两个测试集上达到了约92%的精确度。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R521;R816.4;TP391.41;TP18
【图文】：

网络结构图,网络结构,卷积

神经科学家们在对动物的视觉组织构造进行深入研究后，得到结论：动物单独的视觉神经元细胞只负责分析某一小的局部区域的视觉图像。根据这个现象，科学家们提出了“感受野”的概念，这是卷积概念的最早由来。随后在 1998 年，LeCun 等人设计了成功应用于手写数字识别任务的卷积神经网络 LeNet[29]，它使用反向传播算法，通过梯度前传实现网络学习。直到 2013 年 Hinton 等人首次使用卷积网络模型 AlexNet 在 ImageNet 图像分类比赛上获得第一名的成绩，卷积神经网络逐渐成为最受欢迎的特征提取器。以 AlexNet 网络模型为例，卷积神经网络的前端通常包含有卷积层、池化层和激活函数。当然，为了改善网络的性能，诸如正则化层（BN）、空洞卷积层、Dropout 层等各具优势的结构陆续被提出，但卷积-激活函数-池化结构仍然为卷积网络不可缺少的基本运算单元。输入的图片经过一系列的基本运算单元被降采样为一定尺寸的特征图，后端加入 1~2 层全连接层以及 soft max 函数，将二维图向量转换为一维类别概率向量。卷积神经网络利用反向传播算法（BP）进行训练。BP 算法的核心思想为将预测值和真实值之间的偏差逐层向前传递，实现各层网络参数的更新。

局部连接,卷积核,指代,卷积

哈尔滨工业大学工学硕士学位论文。一般学习率是手动设置且网络中所以参数使用相同的学习，对于网络不同部分的参数，其收敛速度、重要程度都不一层参数设计独立合适的学习率的方法 Adam 优化算法应运而来，卷积神经网络的层数有逐渐加深的趋势。继 AlexNet 模列的卷积神经网络模型被提出来，包括具有残差单元的 Re2 层的 GoogleNet 模型等。神经网络层数的加深得益于两个共享和局部连接，它们有效的解决了深层网络参数众多，训而使深度学习算法得以大范围应用。

网络结构图,网络结构

作为各类复杂计算机视觉系统的底层任务，目标检测的意义不言而喻。不论是工业机械臂的抓取任务还是无人机的探测亦或是医学影像的分析，一个优秀的目标检测算法可以提供有效的信息，进而决定整个计算机视觉系统的成败。在目标自动检测领域，卷积神经网络同样取得了不俗的成绩。其中有两类方法最具代表性，包括以 Ross Girshick 提出的 RCNN 系列方法为代表的两阶段检测器和以 Jitendra Malik 等人提出的 YOLO 系列方法为代表的一阶段检测器。两阶段检测器首先通过训练单独的网络生成候选区域，将这些候选区域送入到全连接网络获得位置坐标和类别。因为需要两个训练步骤，通常两阶段检测器的效率不高。图 2-3 为 Faster RCNN 模型，为了提高效率，Faster RCNN 首先对整张图片进行特征提取，直接在特征图上生成一系列候选区域，这需要通过 RPN 网络完成。同时，使用 ROI pooling 层将这些候选区域变换为相同尺寸。后端加入 2 个全连接层，实现检测框的预测。在训练过程中，Faster RCNN 需要先对 RPN 网络进行训练，网络收敛后，再对后端的输出网络进行训练，这无疑加重了训练负担。

【相似文献】