论文部分内容阅读
肺癌是全世界面临的灾难性疾病,居癌症死亡率之首。研究表明:提前筛查,精准诊断,积极治疗能明显降低肺癌患者的死亡率,因此肺癌的早期筛查研究具有非常重要的意义。肺癌的早期病变形式是肺结节,其通常以孤立型,血管粘连型和近胸膜型三种存在。它在医学影像中的表现通常为圆形或者类圆形,肺部组织复杂,仅凭临床医生和阅片医师的经验很难十分准确的将肺结节和胸部组织中的血管,支气管等区分开。血管粘连型和近胸膜型更是肺癌筛查工作中的难中之难。近些年来,随着医学影像技术的发展,计算机断层扫描技术(CT)的引入,让肺癌早期筛查成为可能。但随之而来的是数以千计的胸部CT图片,严重增加了阅片医师的工作负担。而卷积神经网络(CNN)基于大数据,且不用手工提取特征,自动化程度高等特点,成为近阶段图像处理领域的新方向。如何利用卷积神经网络(CNN)与医学影像结合,辅助医生进行诊断成为医学图像处理领域的研究热点。因此,本文将重点研究利用卷积神经网络来实现放射科医师阅片的完整过程。具体思路是:患者拍过胸部CT图片后先经过卷积神经网络将含有肺结节的图片筛选出来;然后送入区域全卷积神经网络中进行肺结节定位检测;最后将检测出来的肺结节送入卷积神经网络中进行肺结节的恶性度分类,达到减轻阅片医师负担,辅助临床医师肺癌早期筛查的目的,实现肺癌的可靠、稳定、高精度筛查。本文的主要工作是研究了针对基于卷积神经网络的肺结节恶性度分类方法。首先本文回顾了深度学习在图像领域的研究现状和发展,然后通过肺结节图片筛查,肺结节检测和肺结节恶性度分类三个方面进行研究,重点研究了改进的卷积神经网络来实现胸部图片二分类,肺结节检测定位和肺结节恶性度分类,取得了颇为满意的实验结果。本文主要贡献点如下:(1)对于胸部图片的二分类,我们通过大量实验对比多种卷积神经网络模型,最终针对胸部CT图像提出了一种适合肺结节图片筛查的卷积神经网络算法。该法不仅实现了在不分割或压缩图片尺寸的情况下实现肺结节图片的高精度筛查,而且对尺寸小于3mm的肺结节的筛查有良好的效果。(2)在对肺结节进行定位检测时,我们首先对数据进行了肺实质的提取和边缘修复操作,以排除肺实质以外的噪声干扰,利于我们设计的算法能实现肺结节更高精度的定位。设计定位网络时我们为提高网络的利用率,与上面共享了用于提取目标特征的卷积部分。再结合区域预测网络和目标判别网络构成我们设计的肺结节定位网络。通过实验该网络能准确定位肺结节,取得了较好的定位效果。(3)针对肺结节的良恶性分类,提出了基于恶性度分类的想法,并通过模拟四个放射科医师对肺结节进行分类方法提出一种集成学习的方式将多个神经网络融合实现肺结节的恶性度分类,取得了良好的分类效果。