基于深度卷积神经网络的X光片肺结核检测和分类

发布时间：2020-06-11 18:55

【摘要】：肺结核病是世界上最致命的传染病,然而肺结核是一种可治愈的疾病,早期的发现和诊断是治疗结核病的关键步骤。现有的计算机辅助检测系统针对胸部X光片对肺结核病的诊断工作已经有了初步的研究,但仍缺乏更为深入的分析,如肺结核病灶区域的定位、病灶征象的分类等问题。随着近年来深度神经网络的兴起,利用深度卷积神经网络来解决上述的问题具有非常大的优势与潜力。本文针对胸部X光片,提出了改进的深度卷积神经网络并研究了肺结核病的病灶检测及分类算法。主要工作如下:(1)构建了包含5299张胸部正位X光片的肺结核数据集,其中不包含疾病的图像有2383张,感染肺结核病的图像有2806张。感染肺结核病的胸部X光片图像由3位专业的影像科医生进行病灶标注,共包括6类肺结核征象。(2)提出一种基于U型卷积神经网络的肺实质分割方法。针对X光片肺实质分割数据较少的问题,首先对分割数据采取数据扩充操作,并根据U型卷积神经网络对小样本数据的训练非常有效的特点,提出使用U型卷积神经网络完成X光片的肺实质分割工作。实验结果表明,该方法的戴斯系数(Dice)和杰卡德系数(Jaccard)分别为0.971和0.944,超过了该领域的前沿算法。(3)提出一种改进的用于病灶检测的Faster R-CNN网络,解决了肺结核病灶区域面积差异过大而导致病灶检测效果较差的问题。在Faster R-CNN中加入了特征金字塔结构,并在网络中引入了特征图的非线性融合操作。保证网络每一层的特征图都有丰富的语义信息,同时几乎没有损失图像的细节信息。实验结果表明,本文提出的方法相较于Faster R-CNN目标检测网络将mAP值提高了62.4%。(4)提出了一种基于肺结核病灶检测结果的胸部X光片分类算法,通过在TCLD_CXR数据集上的实验验证,该方法相较于第三章提出的基于密集连接卷积网络的分类方法,将Acc和AUC分别提高了10.6%和11.6%。本文改进了卷积神经网络,实现了胸部X光片肺结核的检测与分类,在减少医生工作量的同时可为肺结核的诊断工作提供了很好的建议。
【图文】：

处理流程图,处理流程,光片

西北大学硕士学位论文痰液诊断。而即使临床上已经证明了利用 CT 进行疾病诊断的误诊率和显低于胸部 X 光片[16][17]，但综合考虑到成本和我国国内医疗水平参差相对较贵的 CT 扫描设备在不发达/欠发达地区的普及率远远不够，所以这些地区在结核筛查中仍然还是以价格低廉且辐射量小的 X 光片图像文针对 X 光片图像进行肺结核疾病的分类和病灶检测。统的 CADe 系统的处理流程如图 1，一般包含 5 个步骤：图像预处理、兴趣区域(Region of Interests, ROIs)检测、特征提取和诊断分类。它的有工提取的特征以及用于在这些特征之上进行检测和分类的机器学习算特征的缺点是需要预先知道哪些特征在检测和分类任务中能够提供有且通常我们不知道哪些特征对于特定的医学影像任务是有效的，因此不义的特征，我们可以使用深度学习技术从数据本身学习丰富的图像特征领域的专家，使得我们能够最佳地使用不断增长的数据且减少人为产生

框图,研究技术,路线,框图

西北大学硕士学位论文路线文的研究内容，有如下研究技术路线：首先对胸部 X 光片图像完，，然后根据肺实质的分割结果，分别进行肺结核的分类与病灶检测的病灶检测结果，本文又提出一种基于该检测结果的肺结核分类方之前的分类结果。本文的具体技术路线如图 2 所示。
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R521;R816.4;TP391.41;TP183

【相似文献】