论文部分内容阅读
随着医学水平的不断提高,最为普遍的肺部成像技术——CT技术也愈发先进,导致每位就诊人员的肺部CT数据成倍增加,加之患者数量大幅上升,产生海量的CT图像。数据的爆炸式增多是导致对肺癌诊断的漏检、误诊率居高不下的主要原因。目前,由于CAD系统的使用,在一定程度上减少了泛诊,节约了医生的时间与精力,成为医生必不可少的“助手”。针对CAD系统诊断流程的繁琐性,以及最终对结节分类的不准确性,本文主要进行了以下两方面的研究:1.由于结节外形的多样性以及特征的复杂性,在一定程度上会导致结节的过分割,过分割会使有效信息丢失,直接影响诊断的准确度。但如果将原始CT图像(512*512大小)作为任何学习网络的输入,其学习过程的复杂性是不可想象的,甚至是无法完成的。在本文中,首次将目标追踪应用于肺部图像。本文提出的基于超像素的追踪算法是在粒子滤波框架下进行的,首先构建一个基于超像素的肺实质外观模板,然后建立待追踪图像的置信图并设置自适应大小的追踪窗体。在追踪的过程中实时更新模板以保证模板的准确性。保留序列图像中每张CT最优状态时的追踪信息。对原始CT图像进行追踪,快速准确地定位了肺部感兴趣区域肺实质,有效节约了时间成本,为后期的分类做了必要准备。追踪算法可以快速定位出肺部感兴趣区域,有效削弱了CT图像中除肺实质外多余信息的干扰,降低了深度学习应用于肺部疾病诊断的复杂性。2.传统分类方法BP神经网络、支持向量机(SVM)、自生成神经网络(SGNN)等,需人工提取特征,由于不同人有不同的主观标准,因此提取的特征集相差很大。且分类器结构简单,无法运用于大样本数据集,针对上述问题,本文将深度信念网络引入对结节的良恶性诊断中。由于深度信念网络拥有多层非线性结构,对复杂的数据关系有极强的非线性映射能力,且学习过程是由有监督学习与无监督学习交替完成,能更好的完成特征学习与分类任务。在本文中,运用上述追踪方法,得到肺部感兴趣区域,将所有的感兴趣区域图像进行双线性插值,统一图像尺寸,形成深度学习网络的输入数据。接着根据数据集,自定义5层的深度信念网络。对数据进行训练与测试,在训练过程中对网络涉及到的重要参数隐藏层节点数、批数据大小以及样本循环次数等参数进行分析和调优,更有效的实现对结节的分类。