论文部分内容阅读
肺癌是威胁人类健康的多发癌症，其病灶的表现形式肺结节，它是致死率最高的癌症之一，如果在癌症早期发现病灶并及时进行治疗将会大大降低死亡率。医学CT（Computed Tomography，CT)影像是肺癌诊断的主要模态，这些影像数据为医学工作者提供了大量的诊断信息来判断癌症的类型。但是由于人工阅片需要医务工作者具有较强的专业素养，并且诊断比较耗时，因此计算机辅助诊断（computer-aided diagnosis,CAD）的研究具有非常重要的意义。但癌症部分的放射密度与背景区分度不大，而且目标区域占比小，背景区域远大于目标，这些问题都给目标的分割带来一定的难度。基于以上问题，本文主要做了以下研究：
（1）针对胸部CT影像中结节与其他组织的放射密度十分接近，肺结节的特征表现的不明显的问题，提出了结合Sobel算子和Mask R-CNN（Region-based CNN(Region-based CNN，R-CNN）的肺结节分割方法，该方法主要是采用Sobel算子对高放射密度的区域进行锐化处理，然后再使用阈值分割的方法过滤噪声，然后将目标增强后的特征图作为Mask R-CNN网络的输入，并采用ResNet50与FPN相结合的网络进行特征提取，避免在深层网络中特征消失。在训练时，缩小了RPN（Region Proposal Network，RPN）网络中锚框的尺度，同时减少了锚框生成的数量来优化模型。该方法在LIDC-IDRI数据集上得到了验证，取得了较好的分割效果，并为医生的诊断提供了非常有价值的诊断信息。
（2）在LIDC-IDRI数据集胸部CT影像中，早期的肺结节非常小，在两阶段探测器的RPN训练时，大部分的锚框都是背景上的负类样本，而真正含有丰富信息的包含肺结节区域的正类样本占比非常小，使得正类样本与负类样本的训练比例严重失衡，大量的负类样本训练造成噪声增多，从而使模型退化。损失函数是神经网络模型进行学习的核心，针对该问题，提出了带有注意力机制的交叉熵损失函数Focal Loss来代替之前的平滑损失函数SmoothL1loss，并采用SoftNMS(soft non maximum suppression,SoftNMS)算法来控制正类样本，以达到优化模型的目的，整个网络中采用全卷积方式，该方法在LIDC-IDRI数据集验证后进一步在mAP指标和MIoU指标上提高了精度，为计算机辅助诊断提供更为可靠的信息。
（1）针对胸部CT影像中结节与其他组织的放射密度十分接近，肺结节的特征表现的不明显的问题，提出了结合Sobel算子和Mask R-CNN（Region-based CNN(Region-based CNN，R-CNN）的肺结节分割方法，该方法主要是采用Sobel算子对高放射密度的区域进行锐化处理，然后再使用阈值分割的方法过滤噪声，然后将目标增强后的特征图作为Mask R-CNN网络的输入，并采用ResNet50与FPN相结合的网络进行特征提取，避免在深层网络中特征消失。在训练时，缩小了RPN（Region Proposal Network，RPN）网络中锚框的尺度，同时减少了锚框生成的数量来优化模型。该方法在LIDC-IDRI数据集上得到了验证，取得了较好的分割效果，并为医生的诊断提供了非常有价值的诊断信息。
（2）在LIDC-IDRI数据集胸部CT影像中，早期的肺结节非常小，在两阶段探测器的RPN训练时，大部分的锚框都是背景上的负类样本，而真正含有丰富信息的包含肺结节区域的正类样本占比非常小，使得正类样本与负类样本的训练比例严重失衡，大量的负类样本训练造成噪声增多，从而使模型退化。损失函数是神经网络模型进行学习的核心，针对该问题，提出了带有注意力机制的交叉熵损失函数Focal Loss来代替之前的平滑损失函数SmoothL1loss，并采用SoftNMS(soft non maximum suppression,SoftNMS)算法来控制正类样本，以达到优化模型的目的，整个网络中采用全卷积方式，该方法在LIDC-IDRI数据集验证后进一步在mAP指标和MIoU指标上提高了精度，为计算机辅助诊断提供更为可靠的信息。