论文部分内容阅读
随着科技的进步,人工智能慢慢渗透到人们生活的各个方面。在医学领域,医生对疾病的诊断中越来越依赖影像数据,医学影像的智能化已经是一种不可避免的发展趋势。本文提出基于3D卷积神经网络的CT肺部影像健康筛查,实现CT肺部影像的健康患病自动分类,以减轻医生负担,减小误诊漏诊率。基于研究内容,本文首先回顾了深度学习在医学图像领域的研究现状,指出目前存在的问题。对比了基于传统的机器学习的计算机辅助治疗技术和基于深度学习的研究方法,指出深度学习在医学影像智能化方面的优势。针对2D卷积神经网络在CT序列影像分类任务中的局限性,提出了用3D卷积神经网络对CT肺部序列影像进行健康筛查。最后通过实验证实了 3D卷积神经网络在序列图像分类任务中的有效性。本文的研究工作主要有:1、对CT胸部影像的预处理,分析规定医学影像传输和存储的DICOM标准,DICOM文件格式及内容,指明本文研究需要读取的信息。用线性窗口显示技术将影像数据转换成JPG格式的图像文件,对涉及到的窗宽窗位的概念做了描述,根据实验说明窗宽窗位对图像亮度和对比度的影响。2、研究适合处理CT序列图像的卷积神经网络结构,了解卷积层和池化层的基本原理,网络的传播过程,包括前向传播、误差反向传播,和梯度下降算法。引入了能够提升网络训练效果和收敛速度的一些方法。基于Lasagne的深度学习框架,利用2D卷积网络训练CT肺部影像进行健康患病的分类实验,指出2D卷积网络用于CT肺部序列图像分类的局限性。3、研究影像数据的进一步处理和模型的改进,为了更好的利用CT序列影像相邻层面之间的信息,在2D卷积神经网络的基础上引入3D卷积神经网络,讨论了 2D和3D卷积网络的不同点,指出3D卷积核的优势。将迁移学习的理论应用到本实验中,利用肺窗、高衰减窗和低衰减窗三个窗位图像合成伪彩色图像,并将自然图像分类任务中的预训练参数初始化网络再用医学数据进行微调。通过实验证实了 3D卷积神将网络在CT胸部影像的健康筛查应用中的优越效果。本文的研究工作表明3D卷积神经网络在CT肺部序列影像分类任务中,相比于2D卷积神经网络有效果上的提升。另外,针对医学数据特别是精确的医学影像数据少的问题,用迁移学习的方法,利用自然图像分类任务中预训练好的模型初始化医学图像分类任务的网络模型,在一定程度上提高了分类效果。