基于卷积神经网络的肺结节检测及良恶性分类研究
发布时间：2021-04-13 20:29
根据世界卫生组织发布的《2018年全球癌症统计》,肺癌的患病率和死亡率均位居各类癌症之首,严重影响了人类的身体健康。临床研究表明,如果在肺癌早期得到及时治疗,肺癌患者五年生存率达80%以上。因此,肺癌的早期筛查对于提高患者生存率具有重要意义。临床诊断中,医生需要对肺结节的位置和良恶性进行准确诊断。现有的医学影像辅助诊断方法有胸部X射线片、计算机断层扫描成像、正电子发射计算机断层显像、磁共振成像等。由于CT技术分辨率高、价格低廉等优点,医生通常利用CT影像技术对患者进行诊断。但是近年来随着肺癌患者急剧增加,加重了影像学医师的工作负担。随着深度学习和计算机技术的发展,利用人工智能辅助医生进行诊断成为了可能。本文通过分析现有肺结节检测和良恶性分类的不足,提出了基于多尺度融合卷积神经网络的肺结节检测和基于全卷积神经网络的肺结节良恶性分类。其主要研究内容如下:（1）本文提出了基于多尺度融合卷积神经网络的肺结节检测算法。由于CT图像中小型肺结节与血管在形状、大小和灰度方面极为相似,在临床诊断中很容易导致误判和漏判。针对此问题,本文首先构建了多尺度卷积神经网络,得到肺结节的形状特征和纹理特征。在此基...
【文章来源】：河北大学河北省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
肺结节直径统计
河北大学硕士学位论文26特征融合方式的实验结果如图3-9所示。实验结果显示相加融合提高了算法的性能。这是因为相加融合可以增强感兴趣区域的特征，进而提高算法分类和定位的准确性。相乘融合可能会减小特征值，导致降低了分类器的性能。堆叠融合只是增加了特征的数量，特征值并没有发生变化，导致堆叠融合的效果最差。堆叠相加相乘图3-9三种不同特征融合方式对比实验结果P-R曲线为了更加直观的看到本算法的性能，将测试集进行测试。测试得到的P-R曲线如图3-10所示。网络的召回率达96.8%，AP值达92.6%。结果表明了多尺度融合卷积神经网络可以从CT图像中提取到具有区分性的特征，可以将肺结节和背景信息准确区分。图3-10多尺度融合卷积神经网络检测结果P-R曲线图为了进一步证明本章提出的肺结节检测算法具有良好的性能，与现有最先进的检测
第三章基于多尺度融合卷积神经网络的肺结节检测算法27算法进行对比。对比结果如表3-3所示。表中与本章对比所有算法都是基于卷积神经网络。由表中可以看到，尽管基于3D图像的方法充分利用了肺结节的空间信息，但是本章提出的算法达到的召回率比基于3D图像的算法高4.94%。其他基于2D图像的方法，比最优秀的算法得到的召回率高2.4%。表3-3本算法与其他算法性能对比作者图像维度数据集召回率Ozdemiretal[31]2DLUNA1692%Huangetal[52]3DLIDC-IDRI90%Sunetal[53]2DLIDC-IDRI87.7%Sakamotoetal[54]2DLUNA1694.4%Frozetal[55]3DLIDC-IDRI91.86%Teramoto[56]2DLIDC-IDRI83%Xieetal[57]2DLIDC-IDRI86.42%Ours2DLIDC-IDRI96.8%图3-11可视化检测结果（a）真实标签框（b）Faster-RCNN检测结果（c）SSD检测结果（d）
【参考文献】：
期刊论文
[1]非对称卷积核YOLO V2网络的CT影像肺结节检测[J]. 李新征,金炜,李纲,尹曹谦. 中国生物医学工程学报. 2019(04)
[2]基于CT图像的肺结节检测与识别[J]. 唐思源,刘燕茹,杨敏,徐瑞英. 中国医学物理学杂志. 2019(07)
[3]基于Gabor小波和深度置信网络的肺结节良恶性分类研究[J]. 王亚娟,管建,王立功. 北京生物医学工程. 2019(03)
[4]基于放射影像组学和随机森林算法的肺结节良恶性分类[J]. 李祥霞,李彬,田联房,朱文博,张莉. 华南理工大学学报(自然科学版). 2018(08)
[5]基于卷积神经网络检测肺结节[J]. 侍新,谢世朋,李海波. 中国医学影像技术. 2018(06)
[6]中国居民1987—2014年肺癌死亡趋势分析[J]. 王丽君,宇传华,张志将,燕虹. 中国公共卫生. 2017(01)
[7]低剂量螺旋CT在早期肺癌筛查中的研究进展[J]. 郭丹丹,李春平,郭钧忠. 国际医学放射学杂志. 2011(05)
本文编号：3135960
【文章来源】：河北大学河北省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
肺结节直径统计
河北大学硕士学位论文26特征融合方式的实验结果如图3-9所示。实验结果显示相加融合提高了算法的性能。这是因为相加融合可以增强感兴趣区域的特征，进而提高算法分类和定位的准确性。相乘融合可能会减小特征值，导致降低了分类器的性能。堆叠融合只是增加了特征的数量，特征值并没有发生变化，导致堆叠融合的效果最差。堆叠相加相乘图3-9三种不同特征融合方式对比实验结果P-R曲线为了更加直观的看到本算法的性能，将测试集进行测试。测试得到的P-R曲线如图3-10所示。网络的召回率达96.8%，AP值达92.6%。结果表明了多尺度融合卷积神经网络可以从CT图像中提取到具有区分性的特征，可以将肺结节和背景信息准确区分。图3-10多尺度融合卷积神经网络检测结果P-R曲线图为了进一步证明本章提出的肺结节检测算法具有良好的性能，与现有最先进的检测
第三章基于多尺度融合卷积神经网络的肺结节检测算法27算法进行对比。对比结果如表3-3所示。表中与本章对比所有算法都是基于卷积神经网络。由表中可以看到，尽管基于3D图像的方法充分利用了肺结节的空间信息，但是本章提出的算法达到的召回率比基于3D图像的算法高4.94%。其他基于2D图像的方法，比最优秀的算法得到的召回率高2.4%。表3-3本算法与其他算法性能对比作者图像维度数据集召回率Ozdemiretal[31]2DLUNA1692%Huangetal[52]3DLIDC-IDRI90%Sunetal[53]2DLIDC-IDRI87.7%Sakamotoetal[54]2DLUNA1694.4%Frozetal[55]3DLIDC-IDRI91.86%Teramoto[56]2DLIDC-IDRI83%Xieetal[57]2DLIDC-IDRI86.42%Ours2DLIDC-IDRI96.8%图3-11可视化检测结果（a）真实标签框（b）Faster-RCNN检测结果（c）SSD检测结果（d）
【参考文献】：
期刊论文
[1]非对称卷积核YOLO V2网络的CT影像肺结节检测[J]. 李新征,金炜,李纲,尹曹谦. 中国生物医学工程学报. 2019(04)
[2]基于CT图像的肺结节检测与识别[J]. 唐思源,刘燕茹,杨敏,徐瑞英. 中国医学物理学杂志. 2019(07)
[3]基于Gabor小波和深度置信网络的肺结节良恶性分类研究[J]. 王亚娟,管建,王立功. 北京生物医学工程. 2019(03)
[4]基于放射影像组学和随机森林算法的肺结节良恶性分类[J]. 李祥霞,李彬,田联房,朱文博,张莉. 华南理工大学学报(自然科学版). 2018(08)
[5]基于卷积神经网络检测肺结节[J]. 侍新,谢世朋,李海波. 中国医学影像技术. 2018(06)
[6]中国居民1987—2014年肺癌死亡趋势分析[J]. 王丽君,宇传华,张志将,燕虹. 中国公共卫生. 2017(01)
[7]低剂量螺旋CT在早期肺癌筛查中的研究进展[J]. 郭丹丹,李春平,郭钧忠. 国际医学放射学杂志. 2011(05)
本文编号：3135960
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3135960.html
