基于卷积神经网络的肺结节区域分割研究

发布时间：2021-09-29 06:50

　　近年来,肺癌的致死率逐年上升,对肺部疾病的早期预防显得尤为重要。而肺结节作为肺癌的早期主要征象之一,针对肺部结节的检测成为预防肺癌的首选方案。医学图像作为计算机辅助医疗的重要媒介,承载丰富的诊疗信息,在医学研究和诊断领域中的作用日益凸显。其中,CT图像是以非侵入的方式取得内部组织影像,属于非可见光重建成像,透视能力更佳,且因其检查方便、结构显示清晰等特点,成为医生诊断病症、评估疗效的重要工具。为有效提高肺癌的诊疗效果,从肺部CT图像中将肺结节精准地分离出来对肺癌的评估及诊断大有助益。如何高效提取图像特征、准确识别病灶具有重要的研究价值。针对CT图像进行肺结节的分割识别已经成为研究的热点,但由于CT图像灰度不均匀、边界模糊不清等问题,传统的分割方法虽然可以分割出结节的轮廓边界,但过分割现象严重,分割准确率不够理想。卷积神经网络的多层结构能够提取高质量的特征,其中较浅的卷积层学习局部区域的特征,较深层次的卷积层学习一些抽象的特征,这些抽象特征对物体的大小、位置、和方向等敏感性更低,从而有助于分割性能的提高。然而,具有合理标签的医学成像数据量较少,导致很难使用卷积神经网络对医学图像直接进行训... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图像展示

卷积化转化示意图

（a）训练图像，（b）表示（a）对应的标签图像

【参考文献】：
期刊论文
[1]结合全卷积网络和GrowCut的肾皮质分割算法[J]. 时永刚,钱梦瑶,刘志文.  中国图象图形学报. 2017(10)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]基于机器学习的图像特征提取技术在图像版权保护中的应用[J]. 胡刚,荆磊,朱磊.  科技创新与应用. 2016(31)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[5]图像分割常用方法综述[J]. 史晓楠,欧阳震.  科技视界. 2014(33)
[6]基于BP神经网络的肺结节自动检测算法研究[J]. 钟明霞,姜柏军.  计算机时代. 2014(10)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[8]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)
[9]神经网络BP算法研究综述[J]. 陈流豪.  电脑知识与技术. 2010(36)
[10]分水岭算法的改进方法研究[J]. 刁智华,赵春江,郭新宇,陆声链,王秀徽.  计算机工程. 2010(17)

博士论文
[1]基于CT图像多维特征的肺结节检测和诊断方法研究[D]. 韩芳芳.东北大学 2015

硕士论文
[1]基于卷积神经网络的肺部结节检测系统研制[D]. 朱翔宇.南京大学 2017
[2]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[3]基于人工神经网络方法的股市预测研究[D]. 尹绍飞.江苏科技大学 2010



本文编号：3413254