基于深度学习的肺部疾病筛查算法研究

发布时间：2022-07-09 19:25

　　X光是目前诊断肺部疾病最常用的手段之一。相比较于CT,其拥有辐射小,价格低廉等特点。然而,处理医院每日产生的胸片却耗费了放射科医生大量的精力,如何高效且准确地处理这些数据仍然是一个问题。得益于近些年来计算机技术以及相关图像处理技术的飞速发展,计算机辅助诊断技术逐渐成为协助医生诊断疾病的有力工具。为提升计算机辅助诊断系统对肺部疾病筛查的性能,本文围绕深度学习技术在肺部疾病筛查中的应用进行了研究。本文研究的主要内容如下:（1）本文提出了一种具有先验感知机制的神经网络模型对肺野区域进行分割。模型首先针对U-Net网络中的不足进行了改进。为使得神经网络能够有效地融合领域的先验知识,本文提出了两种不同的生成先验图方案以辅助模型对胸片图像进行分割。此外,为解决样本变化造成的先验图不匹配问题,模型采用了空域变换网络对先验图进行矫正以适配不同样本。模型的性能在JSRT数据集上进行了评估。实验结果表明,本文提出的模型相比于基础网络模型Dice系数提升了0.8%,且训练速度更快。（2）本文提出了一种具有相对距离敏感特性的神经网络对多种肺部疾病进行分类。在传统的卷积神经网络当中,距离信息会随着网络加深而逐渐... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
        1.2.1 神经网络的发展
        1.2.2 神经网络在胸片上的应用
    1.3 论文的主要研究内容
    1.4 论文的组织架构
第2章 理论基础
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 反向传播
    2.2 新型神经网络架构
        2.2.1 ResNet
        2.2.2 DenseNet
    2.3 神经网络在医学图像中的应用
        2.3.1 迁移学习
        2.3.2 神经网络的解释性
    2.4 本章小结
第3章 基于卷积神经网络的肺野分割算法研究
    3.1 JSRT数据集
    3.2 图像分割
        3.2.1 全卷积神经网络
        3.2.2 U-Net
    3.3 先验感知的肺野分割模型
        3.3.1 先验图的生成
        3.3.2 空间变换模块
        3.3.3 网络结构
    3.4 实验分析与结果讨论
        3.4.1 实验参数设置
        3.4.2 评价指标
        3.4.3 实验结果分析
        3.4.4 少量样本下的性能对比
    3.5 本章小节
第4章 基于相对距离敏感的稠密神经网络的肺部疾病分类研究
    4.1 ChestX-ray14数据集
    4.2 相对距离特征的表达
        4.2.1 位置信息在神经网络中的表达
        4.2.2 相对位置特征的构建
    4.3 实验分析与结果讨论
        4.3.1 实验参数设置
        4.3.2 评价指标
        4.3.3 实验结果分析
        4.3.4 消融实验
        4.3.5 模型可视化
    4.4 本章小结
第5章 总结与展望
    5.1 本文研究工作总结
    5.2 未来研究展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果



本文编号：3657679