论文部分内容阅读
肺癌的早期发现和治疗能够降低病人的死亡率,而肺癌的早期表现以肺结节为主,因此肺结节的检测对肺癌的早期发现和治疗至关重要。胸部计算机断层扫描(CT)能够有助于医生发现肺结节,对于肺癌的成功诊断和治疗具有重要意义。目前放射科医师通过分析肺部的CT图像,检测患者是否有肺结节。然而由于病人的数量过多,CT图像数据比较大,医生每天要检查大量的CT扫描片,同时放射科医师需要快速分析CT扫描片并做出决定,这无疑给医生增加了很多压力。由于存在很多特征不明显的肺结节,医生有可能会判断失误,出现漏查和误判的情况。电脑辅助系统(CAD)通过图像处理技术,能实现自动检查肺结节,提供给医生参考,减轻医生压力,提高医师的检测质量和效率。与传统的机器学习方法相比,深度学习不需要手动提取特征,在许多图像识别应用中展示出优越的性能。本课题基于深度学习的方法,实现了肺结节的检测和分类,实验数据使用开源数据集LIDCIDRI,从数据集中获取CT图片信息,对CT图像使用图像分割技术实现肺叶提取,再进行重采样和归一化等操作,完成数据预处理,并通过对数据集的结节样本进行旋转、随机裁剪和缩放等操作扩大样本集,平衡正负样本的数量。本课题提出基于U-Net模型的候选结节选取,通过对U-Net网络结构的调整和优化,增强候选结节选取的敏感度,提高结节检出率,但同时也导致很多假阳性结节被加入候选集中,为了将结节和假阳性结节进行分类,需要进行假阳性筛选。本课题提出基于三维卷积网络假阳性筛选,研究和分析了三维卷积网络的不同结构和参数对实验结果的影响,实现对网络模型的优化和改进,在测试集上达到了93.2%的敏感度。为了获得更高的假阳性检测敏感度,本课题基于改进的三维残差网络实现假阳性筛选,将残差网络的多条分支路径与多个快捷连接组合成新的网络,在不增加参数量的前提下,获得了更好的实验效果,基于新的三维残差网络在测试集上达到94.5%的敏感度。