论文部分内容阅读
研究数据表明,在全世界范围内肺癌的发病人数居于癌症中的首位。2015年,中国新增430万癌症病例,肺癌大约占其中的20%。肺癌的早期发现能有效的提高患者的生存率,肺癌患者的5年平均生存率仅有15%左右,而如果肺癌能在早期被检测到,患者的5年生存率可以提高到70%以上。早期肺癌在CT图像上多表现为肺结节,因此肺结节检测一直是早期肺癌检测的重要环节。在一些发达国家,比如日本和美国,高风险公民每年都会被建议去接受低剂量螺旋CT扫描的常规体检。但这会产生数以万计的CT图像,大大增加放射医师的负担。因此利用计算机来辅助医师检测并诊断肺结节一直是学术界的热点。以前的肺结节检测方法大多建立在传统机器学习之上,用手工设计特征提取,泛化性不佳,在灵敏度等指标上,并没有达到临床医学应用的需求。近年来深度学习在图像处理和自然语言处理等领域获得了巨大成功,受此启发,本文提出了一种基于U-Net的肺结节检测方法。U-Net是一种具有编码器-解码器结构的卷积神经网络模型,常见于医学图像分割领域,以2D图像作为输入,对图像进行像素级别的分类。本文对其进行了改进,将输入改为了3D图像,并加入残差学习模块提高其综合性能。肺结节的检测方法分为三步。第一步是图像预处理,将原始CT图像中的数据转化为亨氏单位(HU)。第二步是肺实质分割,通过阈值法和一些形态学上的操作,将肺与其他组织分离,并生成掩码图。最后一步是训练3D U-Net模型来检测肺结节,将步骤二中得到的图像分割成64×64×64的小块,作为3D张量输入网络,提取特征,训练肺结节检测模型,最终输出结果。本文实验使用的训练和测试数据是网上公开的LIDC/IDRI数据集。数据集被分为两部分,其中90%的数据用来训练,10%的数据用来检测。实验结果表明,本文提出的肺结节检测方法在敏感性和平均假阳性数上,分别达到了92.9%和4.87。优于传统机器学习为基础的肺结节检测方法,能够达到预期的效果。