基于3D卷积神经网络的肺结节检测与肺癌识别

发布时间：2020-06-21 15:12

【摘要】：肺癌是全球癌症死亡的主要原因之一,据统计每年有160万人死于这种疾病。对于肺癌患者来说,越早发现其存活率越高。目前,医学领域主要通过肺部CT扫描图像来筛查来识别肺癌。随着深度学习的发展,图像分类、语音生成和游戏等等人类任务到机器自动化的转换成为可能,人工智能在医疗领域也应用越来越广泛,目前,深度学习已经在皮肤癌检测和脑肿瘤分割等医学工作中有所应用。和传统的计算机视觉任务不同,肺癌检测存在很多难点,主要是因为:(1)许多结节被非医学专家标记,这很容易导致大量的误判。(2)CT扫描得到的肺部图像是三维结构的,这将使得任何检测算法在计算上成本高昂。(3)正负样本严重不平衡使得数据缺乏多样性和验证。因此,肺癌检测是一个值得研究的问题。本文针对肺部的CT扫描图像,研究了一种基于3D卷积神经网络的肺癌检测与识别算法,用于辅助医生进行肺癌的诊断。该算法主要分为三个部分,图像预处理,肺结节检测与肺癌识别。在图像预处理中,我们主要进行了以下步骤,将CT图像中的灰度值转换为HU值表示,然后是为了统一像素在物理世界对应的尺寸大小,进行了像素重采用,接下来是提取肺部掩码以获取CT图像的肺腔区域,以便更好的处理,最后进行了数据的标准化处理,以便更好的适应网络的输入要求。在肺结节检测部分,分为区域块划分,用于解决GPU内存不足的问题,然后是正负样本均衡,为了解决训练数据中正负样本的不均衡问题,在这些基础之上,构建了肺结节检测网络,用于检测候选结节。在肺癌识别部分,通过候选肺结节筛选,筛选出候选肺结节作为输入,并构建了肺癌识别网络,该网络输出患者患肺癌的概率。该算法可检测疑似结节,并给出患者患肺癌的概率,前者可以找出疑似结节供医生参考,后者可以给出肺癌概率的判别,这两者都可辅助医生用于肺癌的诊断。本文针对所提出的算法进行了详细的实验,实验数据包括两部分,一部分是开源的Kaggle数据集,数据集中一共有2285组图像,包括2359个肺结节,其中直径小于35mm的小结节有1186个,直径小于10mm的结节有905个;另一部分是来自国内多个医院的多中心数据集,一共有820例样本,其中良性样本有435例,恶性样本有385例。通过在上述数据集上的实验的验证,我们的算法模型在肺癌的分类上有较高的特异性和敏感度。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R730.44;R734.2;TP391.41;TP183
【图文】：

实际上这是大海捞针问题的那个针。为了确定患者是否患有早期癌症，首先必须从大型的 3D 肺部 CT 扫描图像（典型地大约有 200 张 2D 切片图像）检测出存在的微小肺结节（对于早期癌症，直径大都小于 10mm）毫米。图1 1给出了一个肺部 CT 扫描图像的例子，一个患者的肺部 CT 图像是由一组横向扫描的切片组成，以展示肺腔的三维结构构造。在临床上，医生通过观察肺结节的形态结构以初步判断患者是否患有肺癌，但这一诊断也未必绝对准确，只有通过病理结果分析即手术，才能得到绝对正确的患病结果。此外，CT 扫描图像中充满了来自周围组织、骨骼和空气等的噪音，这些噪声也将影响对于结果的判断。针对肺部图像的研究，主要都是开发一种基于图像的模型，作为辅助观点

行为来影响环境。需要学习的是关于找到使神经网络实现所需行为的权重。根据问题以及神经元如何连接，这种行为可能需要一长串的计算阶段，其中每个阶段通常以非线性方式聚合然后激活网络。深度学习是许多这样的阶段的准确分配和组合。图2 1展示了一个简单的神经网络，在该图中，最左边的层被称为输入层，中间的层被称为隐藏层，最右边的层被称为输出层，该图中有三个输入神经元，三个隐藏神经元，一个输出神经元，其中，隐藏层还有一个偏置神经元。若用 表示神经网络的输入值， 和 表示神经网络中的参数和偏置值， 表示神经元的输出值或称为激活值，( )，其中，i表示输入向量 的第 个分量

【参考文献】

相关期刊论文 前2条

1 陈武;孙艳丽;席妍;;肿瘤标志物水平与肺癌分期、近期疗效及生存时间的相关性的临床观察[J];标记免疫分析与临床;2008年04期

2 支修益;;肺癌筛查[J];解剖与临床;2013年03期

本文编号：2724243