论文部分内容阅读
在肺部功能检查和疾病诊断中,肺实质分割往往是第一步。近些年来,研究人员对肺实质分割提出了很多方法,但是这些方法都有其自身局限性,都需要手动提取特征,只能针对特定的胸部CT图像或特定的肺部病症,因此需要一种鲁棒性更好的方法来实现肺实质的快速精确分割,同时尽量减少人为干预。 本文中,首先介绍了深度学习的发展历程,有关深度学习的基础概念和常见的神经网络模型,并对图像数据进行了预处理实验分析。基于前面的理论和工作基础,本文给出了一种采用深度学习进行肺实质分割的模型框架,该框架包含图像预处理和基于卷积神经网络的肺实质分割两部分:其中,图像预处理部分包括对胸部CT图像的灰度变换、直方图处理和去噪,主要为了保证由不同设备和参数设置下拍摄处理的胸部CT图像在亮度和对比度尽量一致;肺实质分割部分包括分割网络的建构、分割网络的训练、调参和图像的分割与结果评价。 在基于卷积神经网络肺实质分割中,采用全卷积神经网络。首先利用预处理后的胸部CT图像数据及其对应的标记掩码作为输入进行训练,在此过程中进行重要参数的调节,最终得到一个能自动提取数据特征的深度神经网络模型,利用这些特征进行分类。 最后,把模型的分类结果映射为一张二值图像,此二值图像就是原图像对应的分割结果。我们将此方法训练的模型用于胸部CT图像的测试集上,对分割的结果进行了评估,肺实质分割的平均Dice系数为0.9894,实现了肺实质的稳定快速准确分割。