基于深度学习的肺结节检测系统

发布时间：2020-04-17 03:26

【摘要】：肺癌的早期发现和治疗能够降低病人的死亡率,而肺癌的早期表现以肺结节为主,因此肺结节的检测对肺癌的早期发现和治疗至关重要。胸部计算机断层扫描(CT)能够有助于医生发现肺结节,对于肺癌的成功诊断和治疗具有重要意义。目前放射科医师通过分析肺部的CT图像,检测患者是否有肺结节。然而由于病人的数量过多,CT图像数据比较大,医生每天要检查大量的CT扫描片,同时放射科医师需要快速分析CT扫描片并做出决定,这无疑给医生增加了很多压力。由于存在很多特征不明显的肺结节,医生有可能会判断失误,出现漏查和误判的情况。电脑辅助系统(CAD)通过图像处理技术,能实现自动检查肺结节,提供给医生参考,减轻医生压力,提高医师的检测质量和效率。与传统的机器学习方法相比,深度学习不需要手动提取特征,在许多图像识别应用中展示出优越的性能。本课题基于深度学习的方法,实现了肺结节的检测和分类,实验数据使用开源数据集LIDCIDRI,从数据集中获取CT图片信息,对CT图像使用图像分割技术实现肺叶提取,再进行重采样和归一化等操作,完成数据预处理,并通过对数据集的结节样本进行旋转、随机裁剪和缩放等操作扩大样本集,平衡正负样本的数量。本课题提出基于U-Net模型的候选结节选取,通过对U-Net网络结构的调整和优化,增强候选结节选取的敏感度,提高结节检出率,但同时也导致很多假阳性结节被加入候选集中,为了将结节和假阳性结节进行分类,需要进行假阳性筛选。本课题提出基于三维卷积网络假阳性筛选,研究和分析了三维卷积网络的不同结构和参数对实验结果的影响,实现对网络模型的优化和改进,在测试集上达到了93.2%的敏感度。为了获得更高的假阳性检测敏感度,本课题基于改进的三维残差网络实现假阳性筛选,将残差网络的多条分支路径与多个快捷连接组合成新的网络,在不增加参数量的前提下,获得了更好的实验效果,基于新的三维残差网络在测试集上达到94.5%的敏感度。
【图文】：

CT图像,肺结节

检测小结节相对来说比较困难，容易被忽略或者误诊。肺结节可以分为多种类型，，肺壁粘连结节，孤立结节，粘连血管结节等，不同类型的肺结节拥有不同的特征。图2 1展示了一个带有肺结节的 CT 图像，该肺结节直径约为 6.2mm，图片为单通道的黑白图，其中放射密度高的部位，在图片中显示越亮，医生通过观察 CT 图像的肺实质中是否存在类似结节的形态学特征的组织，观察肺实质中是否存在有边缘组织，边缘是否光滑，存在毛刺等限制，并观察其钙化程度，综合多种指标判断结节的良恶性。图 2 1 带有肺结节的 CT 图像— 7 —

结构图,细胞,解码器,空间维度

图 3 4 基于 U-Net 的细胞分割本课题提出了基于 U-Net 实现候选结节的选取，通过对网络结构的调整和优化，以及参数的优化，实现候选结节的选取，其网络结构如图3 5。观察图3 5可以看出，网络呈现 U 型，在网络左半部分主要在做卷积和下采样操作，右半部分主要在做卷积核上采样操作，左半部分的网络通过复制和裁剪操作与右半部分网络进行交互，其实网络的左半部分可以成为编码器，右半部分成为解码器，编码器通过池化层操作，逐渐减少空间维度，解码器则使用上采样操作，逐渐修复细节，将物体的空间维度等信息还原，而编码器能够提供细节信息给解码器，帮助解码器更好还原物体的细节信息，因此通常在二者之间是有连接的，正如结构图中的复制和裁剪操作。我们使用第二章预处理步骤得到的 CT 图像，即已经进行过肺实质提取，这样能很大程度上解决肺外部噪音对结果的影响
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：R734.2;R730.44;TP391.41;TP18

【相似文献】