基于卷积神经网络的肺部结节检测系统研制
本文关键词:基于卷积神经网络的肺部结节检测系统研制 出处:《南京大学》2017年硕士论文 论文类型:学位论文
更多相关文章: 肺结节 肺部分割 形态学 分水岭 卷积神经网络
【摘要】:肺癌作为发病率最高的癌症之一,对人类的健康危害甚大。肺结节是肺癌早期的表现形式,如果能在肺结节时期就对病人进行针对性治疗,病人的生存率就可以大大提高。随着科技的进步,对肺结节的检测方法和手段也越来越多样,本文提出一种新的检测方法——基于卷积神经网络的肺结节检测系统。在本系统中,对肺部结节的检测过程分为以下几个部分:首先,对初始CT图像进行预处理,把图像的像素值转化为亨氏单位值,并对图像进行统一重采样;其次,对预处理过的图像进行肺部分割,主要使用了两种分割方法:使用一般形态学操作进行分割和使用分水岭算法进行分割。最后,把两种分割后的图像都放入基于卷积神经网络的Unet模型中。通过实验数据的验证集对Unet模型的两种卷积算子的优劣进行了比较,并选定了比较合适的检测模型。再使用该模型分别得到两种不同分割方法的结节检测评价函数(intersection over union,IOU值),并对两种方法的优劣进行了分析。对于Unet模型来说,3*3卷积算子要比5*5卷积算子有着更高的IOU值。究其原因,可能是因为医学图像具诊疗意义的图像特征一般都较小,使用较大卷积算子容易造成内容丢失,对检测结果存在不利影响。而基于一般形态学的分割和基于分水岭的分割方法从结节检测结果上看,使用分水岭的分割检测方法更胜一筹,因为该方法使用黑帽算法对肺部的轮廓线有更进一步的处理,而非简单地使用膨胀、腐蚀等操作。但是分水岭分割虽然对成功率有所提升,但检测过程费时费力,步骤繁琐,对计算机运算能力有一定要求,而使用一般形态学的分割检测胜在步骤简单、易操作,检测快捷方便。医生可以根据实际需要进行选择。
[Abstract]:Lung cancer, as one of the highest incidence of cancer, is very harmful to human health. Pulmonary nodules are early manifestations of lung cancer. The survival rate of patients can be greatly improved. With the development of science and technology, the detection methods and methods of pulmonary nodules are more and more diverse. In this paper, a new detection method, the pulmonary nodule detection system based on convolution neural network, is proposed. In this system, the detection process of pulmonary nodules is divided into the following parts: first. The initial CT image is preprocessed, the pixel value of the image is converted to the Heinz unit value, and the image is resampled uniformly. Secondly, we use two segmentation methods: general morphological operation and watershed algorithm to segment the preprocessed image. Finally, we use the watershed algorithm to segment the preprocessed image. Finally, we use the general morphological operation to segment the lung. Finally, we use the watershed algorithm to segment the preprocessed image. The two segmented images are put into the Unet model based on convolution neural network. The advantages and disadvantages of the two convolution operators of Unet model are compared by the verification set of experimental data. A more suitable detection model was selected, and then two different segmentation methods were used to obtain the intersection over union. The IOU value and the advantages and disadvantages of the two methods are analyzed. For the Unet model, the IOU value is higher for the 3 ~ 3 convolution operator than for the 5 ~ 5 convolution operator. It may be that the medical image features of diagnostic and therapeutic significance are generally smaller, and the use of larger convolution operator can easily lead to the loss of content. The segmentation method based on general morphology and watershed segmentation method from the point of view of the results of nodule detection, watershed segmentation method is better. Because the method uses black hat algorithm to deal with the lung contour further, rather than simply using expansion, corrosion and other operations. But watershed segmentation has improved the success rate. However, the detection process is time-consuming and laborious, the steps are tedious, and the computer computing ability is required, and the segmentation and detection using general morphology is more simple and easy to operate. The test is quick and convenient. The doctor can choose according to the actual need.
【学位授予单位】:南京大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP183;R563
【相似文献】
相关期刊论文 前10条
1 李德忠;;神经网络与人事决策研究的新范式[J];现代生物医学进展;2006年04期
2 戴康;王晓琼;;神经网络在药动学评价中的应用[J];医药导报;2007年09期
3 蔡云;;收敛非线性神经网络的稳定性[J];国外医学.生物医学工程分册;1991年01期
4 王继成,吕维雪;基于神经网络的心电数据压缩[J];生物医学工程学杂志;1993年03期
5 段新昱,林家瑞;神经网络在心电信号分析处理中的应用[J];国外医学.生物医学工程分册;1993年01期
6 Miller A S ,张永红;神经网络在医学信号处理方面的应用[J];国外医学.生物医学工程分册;1993年04期
7 王继成;吕维雪;;基于符号神经网络的心脏疾病自动诊断[J];北京生物医学工程;1993年03期
8 刘子皇;;胞神经与类胞神经网络的动力学范围的准确估计[J];中山大学研究生学刊(自然科学版);1995年03期
9 邹睿,欧阳楷,刘悦;神经网络中的微心理学——兼论人工神经网络框架[J];山东生物医学工程;1998年01期
10 邹凌云;王正志;黄教民;;基于位置特异性谱和输入加权神经网络的蛋白质亚细胞定位预测(英文)[J];遗传学报;2007年12期
相关会议论文 前10条
1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年
2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集(上册)[C];2003年
3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年
9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
相关重要报纸文章 前10条
1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年
2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年
3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年
4 中国科技大学计算机系 邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年
5 记者 孙刚;“神经网络”:打开复杂工艺“黑箱”[N];解放日报;2007年
6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年
7 健康时报特约记者 张献怀;干细胞移植:修复受损的神经网络[N];健康时报;2006年
8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年
9 ;神经网络和模糊逻辑[N];世界金属导报;2002年
10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年
相关博士学位论文 前10条
1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年
2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年
3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年
4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年
5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年
6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年
7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年
8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年
9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年
10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年
相关硕士学位论文 前10条
1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年
2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年
3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年
4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年
5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年
6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年
7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年
8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年
9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年
10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年
,本文编号:1358097
本文链接:https://www.wllwen.com/shoufeilunwen/mpalunwen/1358097.html