论文部分内容阅读
当前在我国肺部疾病尤其是肺癌的发病率和死亡率在所有癌症中均排在第一,因此对于肺癌的早期防治以及确诊之后的及时治疗变得尤为重要。计算机辅助诊断已在一些医学领域取得媲美人类专家的诊断水平,但在肺部疾病的诊断中还存在准确率较低,而治疗不够精确等临床问题,尤其对肺部小病灶(<20mm)的良恶性鉴别诊断及肿瘤的病理属性“无创活检”(Noninvasive biopsy)分析等。针对以上问题和挑战,我们采用深度学习卷积神经网络(Deep Learning Convolutional Neural Network)等最新人工智能处理技术开展对病人CT图像中肺小结节(尺寸<20mm)进行良恶性鉴别、对病人非小细胞肺癌(尺寸?20mm)进行病理(癌细胞)类型“无创活检”智能分析研究,并将深度学习卷积神经网络技术与基于内容医学图像高维检索(CBIR)技术相结合,设计了一套利用深度学习卷积神经网络技术进行特征提取的医学图像高维检索系统,提高计算机辅助诊断的准确率及术前活检的“无创”化程度,帮助临床医生更快、更准确的进行疾病诊断和治疗。本论文的主要创新性研究工作包括以下几个方面:1.研究设计了基于深度学习卷积神经网络(CNN)算法的肺部微小病灶(尺寸<20mm)CT图像良恶性鉴别方法,该方法利用深度学习卷积神经网络算法对病人CT影像数据中的肺结节良恶性进行鉴别。其基本流程包括深度学习卷积神经网络系统的设计,病人图像及病理数据的采集及预处理,深度学习卷积神经网络模型的训练和卷积神经网络模型鉴别病人肺结节CT图像良恶性。本研究共采集三个数据来源(美国TCIA、复旦大学附属华东医院、复旦大学附属肿瘤医院)共921例肺部小结节病人CT(4830幅原始图像,20000幅增强处理)图像进行训练和验证,设计了适用于小尺寸图像数据的卷积神经网络,并由采集的部分数据进行网络模型训练,由训练模型对测试数据进行良恶性鉴别验证,并生成模型分类器的ROC曲线,并由此得到曲线下面积(AUC),对网络模型的鉴别性能进行量化评价(AUC=0.6497)。分析了深度学习网络模型对不同尺寸结节的鉴别准确率,实验结果表明,网络模型的鉴别准确率与肺结节尺寸有关,结节尺寸越大,鉴别的准确率越高。分析了深度学习网络对不同影像类型结节的鉴别准确率,实验结果表明,深度学习模型对于实性结节的鉴别准确率高于半实性结节和磨玻璃结节。分析了深度学习网络对不同数据中心影像数据良恶性鉴别的准确率,结果表明深度学习网络模型对不同数据中心肺结节病人CT图像的良恶性鉴别准确率没有较大差异。2.首次研究了基于深度学习卷积神经网络的非小细胞肺癌(尺寸?20mm)CT图像病理特性“无创活检”智能分析技术,该技术通过病人的CT影像数据对非小细胞肺癌的病理特性(癌细胞类型)进行分析。其基本流程包括深度学习网络系统的设计,病人图像及病理数据的采集及预处理,深度学习卷积神经网络模型的训练和卷积神经网络模型分析非小细胞肺癌病人CT图像病理特性。我们采集了三个数据来源(美国TCIA、复旦大学附属华东医院、复旦大学附属肿瘤医院)共452例非小细胞肺癌患者的(4375幅原始)CT图像进行训练和验证,设计了一个深层卷积网络结构,使用迁移学习(Transfer Learning)思想利用采集的数据对(CNN)网络进行训练,借助二分类问题中的灵敏度和特异度对网络模型的分析性能进行评测,并由ROC曲线以及AUC值对性能进行直观的量化评价(大细胞癌AUC值为0.6422,鳞癌AUC值为0.6088,腺癌AUC值为0.6831)。比较了不同病灶区域提取尺寸下,深度学习网络分类性能的差异。同时比较了深度学习网络模型对各医院(数据来源)病人数据的分析性能,在肺腺癌的预测中,对不同数据中心的分析准确率存在差异。3.研究实现了一种新的基于内容医学图像高维检索(Content-Based Image Retrieval,简称“CBIR”)系统,该系统对肺部孤立性结节的CT图像进行病灶提取、特征提取及选择,并对病灶区域的高维特征矢量使用VA-Trie索引结构创建高维特征数据库。测试结果表明,使用VA-Trie索引结构可以有效地避免高维数据索引过程中常见的“维度灾难”问题。借助于VA-Trie索引结构,CBIR检索系统的索引时间并没有随着数据维度以及数据量的增加而出现明显变化,索引性能可以得到有效保证。同时,研究了使用深度学习卷积神经网络进行肺部孤立性结节的CT图像特征提取方法,并结合VA-Trie索引结构创建基于内容的医学图像高维检索(CBIR)系统,测试结果表明使用深度学习卷积神经网络对图像进行特征提取所构建的CBIR检索系统,其检索准确率要高于常规图像特征筛选方式构建的CBIR系统。