论文部分内容阅读
肺癌是全球癌症死亡的主要原因,严重危害着人类的健康。肺结节是肺癌的早期表现形式,肺结节的早期发现对于提高患者生存率发挥着至关重要的作用。计算机断层扫描技术(Computed Tomography,CT)扫描速度快、图像清晰度高、能够捕捉到微小病变区域,应用CT进行肺癌诊断是一种有效的方法。为了提高肺癌诊断的准确率,计算机辅助诊断(Computer Aided Diagnosis,CAD)技术应运而生。但是肺结节大小不一,形状各异,且其周围包含很多相似的组织器官,导致现有的检测算法易出现漏检误检的问题。目前深度网络在肺结节诊断领域取得了优异的成绩,针对以上问题,本文利用深度神经网络针对CT影像进行肺结节检测与诊断的算法研究和系统原型设计,具体的工作如下:(1)针对现有技术对肺结节的漏检错检率高的问题,对Faster R-CNN进行改进并提出一种新的算法ADR-CNN,通过将Faster R-CNN的特征提取网络替换为Inception-ResNet-V2网络,可以提取更有利于肺结节检测的特征。针对肺结节尺寸较小的问题修改了区域候选网络(Region Proposal Network,RPN)的锚点尺寸和个数。实验结果表明,该算法取得的平均敏感度为0.86,与前沿算法相比提高了0.013,降低了假阳性结节的检出,提高了检测精度。(2)借鉴放射科医师进行肺结节诊断的习惯,对DenseNet改进并提出一种新的算法MsMi-DenseNet。由于肺结节周围的组织影响着其良恶性分类,因此使用两种尺寸的多窗宽窗位结节数据,并将肺结节的先验特征加入MsMi-DenseNet网络中训练分类模型。实验结果表明,该网络取得的敏感度、特异性、准确率分别为96.65%、92.93%、94.17%,ROC曲线面积为0.9820。本文所提出的框架与前沿算法相比,ROC面积提高了0.01,并且提高了深度网络诊断结果的可解释性。(3)最后,基于肺结节检测与诊断模型设计了肺结节检测与诊断系统原型,可以为医生进行临床诊断肺癌提供有效帮助。本文研究了肺结节检测与诊断的改进算法,提高了肺结节检测和诊断的准确率,设计了计算机辅助诊断系统原型,有利于CAD系统在临床医学的推广使用。