基于卷积神经网络的肺部结节检测方法研究

发布时间：2021-05-16 18:12

　　肺癌目前在全世界范围内被称为头号癌症,并且其发病率逐年上升,在我国的表现尤为显著。肺癌的初期表现症状以肺结节为代表,临床上肺结节检测是肺癌筛查的第一步,目前对于肺结节的检测主要是使用低剂量的计算机断层扫描技术（CT）图像来进行查看。CT影像中的肺结节具有种类繁多,结构各异,体积较小等特点,即使对于具有丰富经验的放射科医生,通过肉眼观察大量的CT切片影像并正确找出所有结节都是一件非常费时且费力的任务,并且容易发生漏诊或误诊。随着深度学习在近些年的迅速发展,深度卷积神经网络在计算机视觉领域取得了巨大的成功,其在医学图像领域也得到了越来越广泛的应用。并且目前各个种类的医学影像数据都得到了一定程度的积累,更是为使用深度卷积神经网络在实现医学影像的自动分析和协助医生实现疾病的高精度智能诊断等方面带来了新的发展空间。本文使用RetinaNet来实现对肺结节的检测,并为了提升其在肺结节检测上的效果,提出了一种基于改进RetinaNet的肺结节检测方法。为了使得设置的anchor参数更适合肺结节检测任务,通过使用K-means聚类分析算法对训练集中的边界框大小进行聚类来获得合适的anchor大小;为了... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
        1.1.1 课题背景
        1.1.2 研究的目的和意义
    1.2 国内外研究现状
        1.2.1 肺结节检测的传统方法
        1.2.2 肺结节检测的深度学习方法
    1.3 本文主要研究内容及章节安排
第2章 卷积神经网络与目标检测
    2.1 引言
    2.2 卷积神经网络
        2.2.1 深度学习概述
        2.2.2 卷积神经网络的基本概念及组成
    2.3 目标检测概述
    2.4 卷积神经网络在肺结节检测中的应用
    2.5 本章小结
第3章 基于改进RetinaNet的肺结节检测算法
    3.1 引言
    3.2 基于RetinaNet的肺结节检测网络
        3.2.1 特征金字塔
        3.2.2 Focal Loss
        3.2.3 骨干网络ResNet
    3.3 改进RetinaNet
        3.3.1 使用K-means对anchor大小进行聚类
        3.3.2 注意力机制模块的引入
        3.3.3 双向特征金字塔
        3.3.4 注意力机制模块和双向特征金字塔的结合
        3.3.5 模型压缩
    3.4 本章小结
第4章 肺结节检测算法的实现与验证
    4.1 引言
    4.2 实验平台
    4.3 实验数据
        4.3.1 CT图像基础知识
        4.3.2 肺结节CT数据集来源
        4.3.3 数据预处理与数据增强
    4.4 评价指标
    4.5 训练方法
        4.5.1 参数设置
        4.5.2 损失函数
    4.6 主要结果及分析
        4.6.1 消融实验
        4.6.2 对比实验
        4.6.3 改进的RetinaNet检测结果
        4.6.4 模型压缩
    4.7 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌.  计算机科学. 2017(S2)
[2]基于平均密度投影和平移高斯模型的肺结节检测与分割算法[J]. 邱实,汶德胜,王磊.  仪器仪表学报. 2014(11)
[3]基于自适应体窗结构分析的肺结节检测方法[J]. 王凯,张煜,刘哲星,林炳权,吴志强,曹蕾.  南方医科大学学报. 2014(06)
[4]基于局部阈值和聚类中心迭代的肺结节检测算法[J]. 陈侃,李彬,田联房.  计算机科学. 2012(02)
[5]基于局部灰度最大和改进Mahalanobis距离分类的肺结节检测算法[J]. 魏颖,郭薇,孙月芳,季策.  中国图象图形学报. 2008(09)
[6]支气管肺癌介入治疗的新近进展[J]. 黄军祯,王大健.  微创医学. 2008(03)
[7]电子计算机辅助诊断（CAD）的原理及临床应用[J]. 舒荣宝,王成林.  中国CT和MRI杂志. 2004(02)



本文编号：3190160