基于CT影像和深度学习肺结节精确检测算法研究.docxVIP

基于CT影像和深度学习的肺结节精确检测算法研究 基于CT影像和深度学习的肺结节精确检测算法研究 基于CT影像和深度学习的肺结节精确检测算法研究 基于 CT影像和深度学习的肺结节精确检测算法研究 病灶检测是医学影像分析中的重要组成局部 , 然而传统的医学影像分析是依 靠医生对图像的理解和认知 , 是一种基于先验知识的图像内容解读。随着医疗影 像数据的不断增加 , 以数据为驱动的新型影像分析方法会逐渐替代传统方法。 随着机器学习和深度学习的不断开展 , 医学影像中的病灶检测会迎来新的发 展方向。基于深度学习的分类 , 检测 , 分割等算法在图像领域形成了较大的领导趋 势 , 证明了其有效性和高效性。 而医学影像作为图像的一种 , 在病灶检测上已经获得了较高的评价。因此 , 基于深度学习的病灶检测是一个值得研究的重要方向。 本文以肺结节检测为研究对象 , 针对肺结节在特征上呈现一种低层特征多 , 语义特征偏少的情况 , 是个小目标检测问题。 同时 , 针对肺结节定位时边界信息模 , 分类界限不明等问题 , 本文旨在研究出一类新型肺结节检测与定位的算法 , 在 提高定位的准确性的同时降低检测的假阳率。 因此 , 本文对肺结节检测的研究做出如下的改良 :(1) 影像预处理和感兴趣区域的处理是医学影像分析的重要环节 , 深度学习作为一种数据密集型的算法 , 对 数据的需求量巨大 , 虽然在公开数据集上有一些影像数据 , 但是因为数据的形成方式不同 , 很难直接作为深度学习的训练数据。 因此 , 本文对肺结节影像进行预处理 , 包括对影像的预分割 , 切割 , 制作标签和数据增广。 针对 U-net 卷积网络特征复用率低 , 本文引入扩张卷积和密集连接网络 , 提高特征信息在输入层和输出层之间的流通速度。 实现肺部影像中疑似结节的检 出和疑似结节中假阳率的去除。 (3) 针对传统卷积加池化操作会遗失特征 , 本文在利用深度学习模型时 , 引入 全局平均池化以此代替池化操作 , 并验证其在本问题中的有效性。 (4) 针对肺结节 定位不准确和假阳率较高的问题 , 本文采用多模型融合 , 精确提取肺结节的边界 和回归框 , 同时设计多层图片叠加卷积的方式 , 利用图片之间的三维连续性 , 用于 去除假阳性肺结节。 通过以上改良 , 本文在检测精度上平均能提高 8%左右 , 并降低假阳率到达 1.7%左右 , 同时在肺结节的定位上 , 本文方法能提供更为清晰的边界和置信度更 高的候选结节。在屡次重复试验和比照试验中 , 验证本文算法的科学性及有效性。