基于CT图像序列的肺结节检测方法研究

发布时间：2020-06-02 15:31

【摘要】：近年来,肺癌一直是困扰我国乃至全世界的一大难题,其发病率和死亡率高,每年造成成千上万的患病者死亡。当前针对肺癌最有效的方法仍然是早期检查,早发现早治疗。肺癌早期的最明显的标志是肺结节,最主要的检测手段是计算机断层扫描(Computed Tomography,CT)。但是CT序列图像数据多,并且随着近几年的患者增多,CT图像数据日益增加,导致放射科医师的负担越来越重。由于肺结节较小难观察,且肺组织结构复杂,放射科医师难以保证长时间高强度地读片而不出错。这就迫切需要计算辅助诊断减轻医师的负担,提高检测的精度。随着近几年深度学习的快速发展,图像处理领域的算法迎来的巨大变化,并且在多个子领域的算法精度都进一步提高。本文结合深度学习算法,研究了肺实质分割和肺结节的检测算法,对比分析了算法的优劣势,并在算法上提出了相应的改进,增加了算法的精度,同时提高了算法速度。本文在肺实质分割结段,提出了寻找感兴趣区域的的方法对左右肺分离,加快了算法速度。在网络提特征阶段,针对肺结节大小不一的特征,提出了基于膨胀卷积的特征金字塔提取肺结节多尺度特征,提高模型的精度。在候选框生成阶段,改进了候选框的大小以符合本文的肺结节的尺度,并针对正负样本不平衡的状况,改进了损失函数,提高的检测的精度。此外利用三维卷积神经网络对最后的检测结果进行分类,剔除假阳性,同时提出了利用候选框生成网络生成三维图像块增强分类网络的泛化能力。本文结合实际肺结节CT数据,对算法的检测结果进行了对比验证,证明了算法的效果。本文提出了方法用较小的网络完成了整个检测流程,相对于大型的网络在实际应用速度更快,节约硬件成本,有着重要的工程应用价值。
【图文】：

CT机器

肺结节对比
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R734.2;R730.44;TP391.41

【参考文献】

相关期刊论文 前10条

1 龚敬;王丽嘉;王远军;孙希文;聂生东;;基于灰度积分投影与模糊C均值聚类的肺实质分割[J];中国生物医学工程学报;2015年01期

2 肖雪;龚恒;陈钟;;多阈值和标记分水岭相融合的肺部CT图像分割方法[J];激光杂志;2014年09期

3 高婷;龚敬;王远军;聂生东;孙希文;;检测肺结节的3维自适应模板匹配[J];中国图象图形学报;2014年09期

4 黄雪艳;张莉;;基于欧氏距离变换的肺实质修补[J];计算机与数字工程;2014年03期

5 吴平;王彬;薛洁;张岩;刘辉;;基于模板匹配的加速肺结节检测算法研究[J];计算机工程与应用;2015年07期

6 袁克虹;向兰茜;;用于计算机辅助诊断的肺实质自动分割方法[J];清华大学学报(自然科学版);2011年01期

7 孙旭辉;田启川;李临生;武志峰;房宾;;基于改进的模糊C均值聚类的肺结节计算机辅助诊断算法研究[J];现代生物医学进展;2010年17期

8 贾同;孟t-;赵大哲;王旭;;基于CT图像的自动肺实质分割方法[J];东北大学学报(自然科学版);2008年07期

9 聂生东;李立鸿;陈兆学;;一种基于CI特征的3-域均值平移聚类肺结节分割算法(英文)[J];华东师范大学学报(自然科学版);2008年01期

10 郭圣文;陈坚;曾庆思;;胸部CT中肺实质的自动分割与计算机辅助诊断[J];华南理工大学学报(自然科学版);2008年01期

相关博士学位论文 前1条

1 王昌淼;基于胸部影像的肺结节检测与分类关键技术研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2018年

相关硕士学位论文 前8条

1 郝欢;基于深度学习的肺结节检测方法研究[D];西安理工大学;2018年

2 李夏;基于Adaboost和Faster-RCNN的肺结节检测算法[D];山东大学;2018年

3 贾娜娟;基于CT图像的肺实质分割方法研究[D];湖南大学;2018年

4 刘攀;基于卷积神经网络的肺实质分割[D];华中师范大学;2018年

5 范伟康;基于改进Faster R-CNN的肺结节检测[D];郑州大学;2018年

6 孙明磊;基于肺部CT图像的肺结节自动检测与识别[D];华东理工大学;2012年

7 高园园;肺结节检测算法的研究[D];南方医科大学;2008年

8 蒋平;基于胸部CT图像的肺区自动分割[D];四川大学;2006年

，

本文编号：2693375