基于Faster R-CNN的肺结节检测的研究与应用

发布时间：2020-09-14 21:17

　　目前,肺癌的发病率和死亡率在中国乃至全世界排名第一。其早期表现为圆形或不规则形状的肺结节,直径为30mm或更小。肺结节的早期诊断和治疗是降低肺癌死亡率的最有效方法。由于肺结节的形态多样性和分布不均,且每个医生每天要处.理的图像数.量高达数十.万张,医生很容易.造成误判。因此可以采.取其他辅助技.术辅助医生.诊断,可以显着.提高诊断结果.的准确性和.诊断效率。综上所述,运用其他.辅助手段辅助.肺结节的检测.是很有必要的。传统的辅助.手段消耗时间大,误报率还高,无法满足临床应用的需求。本文提出了基于.Faster R-CNN算法来检测肺结节,解决了传统方法的缺陷。首先搭建了深度学习的环境,然后使用LIDC-IDRI数据库作为数据来源制作了能供Faster R-CNN模型训练的数据集,用于初步验证该方法的可行性,并对实验结果进行分析和评价。但是该方法.在检测精度.上还有可提.升的空间,可以对其进行进一步的改进优化,以提高检测精确度。改进优化的方法从参数的优化和改进网络结构等方面入手,先从理论上分析改进优化的可行性,再通过多次实验对比分析。最后又横向对比了目前应用于物体检测比较流行的几种方法,本文所提优化改进后的算法普遍比其他流行算法在检测精度上提高了20%以上,实验证明,该方法在肺结节检测领域具有良好的理论价值和工程应用价值。最后,基于优化改进后的算法利用Python的Web框架Django搭建了一个肺结节辅助检测系统,前端框架使用Bootstrap和jQuery的CSS样式来设置系统的页面布局,方便让医生能够简单直观地使用。
【学位单位】：济南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R734.2;TP391.41;TP18
【部分图文】：

特征图,基本结构

2.1 卷积神经网络简介卷积神经网.络（CNN）实际上就.是在每层网.络上都进行特.征提取。与传统方.法相比，其优点在于：首先，CNN 共.享了权值，大大减少了数.据处理的数量，增加了网.络的鲁棒性，减小了过.拟合现象出.现的几率；其次，CNN 具有的池.化操作进一步减.少了计算量，大大提升了数.据处理的效率；然后，整个过程都是在 GPU 上运行，真正实现自动化操作；最后，根据特征提.取网络深度的不同，CNN 可以提.取出很抽.象的特征图，用以对物体的分类，分类精度高。在 CNN 结构中，深度是非常重要的。从最简单的五层 AleNet[15]网络到 ZF[36]、VGG[37]、GoogLeNet[38]再到 100 层的 ResNet[39]，深度越来越深，图像分类的准确性越来越高。2.2 卷积神经网络的基本结构CNN（卷积神经网络）的基本结构如图 2.1 所示。

检测流程

济南大学硕士学位论文2.3.1 Faster R-CNNFaster R-CNN 由 R-CNN 和 Fast R-CNN 发展而来，检测精度越来越高。而且 FasterR-CNN，与 R-CNN 和 Fast R-CNN 最大的区别在于，目标检测所需的四个步骤，也就是说，候选区域生成，特征提取，分类器分类和回归都被移交给深度神经网络并在 GPU 上运行。这是一项非常重要的改进，可大大提高运营效率。该模型由两.部分组成：分别为 RP.N 网络和 F.ast R-CNN。输入的图.像先经由基.础的特征提取网.络进行卷积和池.化操作，获取图像的特.征图，再将特.征图传送到 RP.N 网络，由 RP.N 网络进行初.步的边框回.归和分类判别，其中分类的依.据是候选框中是背.景还是待.识别物体。RP.N 网络输出候.选框的位置和得.分信息，再由全连.接层发送到 Fa.st R-CNN网络中进.行最终的处理。分别为边.框最终的回归和待.识别物体的具.体的分类。具体的处理.流程如图 2.2 所示。

肺结节,类型,数据增强

（a）孤立型肺结节（b）与血管粘连型肺结节（c）和肺壁粘连型肺结节图 3.1 检测肺结节类型3.2.2 数据增强一个深度网络模型首先要通过训练足够多的数据，才能获得比较理想的检测精度在结构复杂的网络模型中，如果用于训练的数据量过少，会很容易发生过拟合，最终影响到检测的精度。尤其是当计算机技术在医学领域应用时，医疗数据是很稀缺的，因此有必要对数据进行增强。常用的数据增强方法有将图片进行水平和垂直方向的翻转、将图片的尺寸随机变化、对图片的颜色进行变换、对图片的仿射或旋转操作以及添加噪声等。但是实际的胸部 CT 图像上述数据增强的方法都不适用。综上所述，本文采用了一种其他的数据增强的方法。由于肺结节在实际情况中大多数都是类球体的，并且放射科医生在标记的时候只标记了横截面积最大的那一张 CT 图像，彼此相邻的一个或两个切片相当于浪费了。本文

【相似文献】