摘要
随着工业化程度的提高、环境恶化及吸烟人口的增加，肺癌已逐渐成为威胁人类健康的重要疾病。对肺癌的早筛早查是提高肺癌患者五年生存率的有力手段。目前对肺癌的早期诊断主要通过医学影像检查，但由于医生资源相对紧张、放射科医生的工作量较大及肺结节的形态多变，尤其是附着在血管壁或肺壁的结节等使得对肺结节筛选与良恶性诊断较为困难。如何快速地从肺部三维CT影像中筛选出疑似结节，以及提高恶性结节诊断的精度，是当前医疗人工智能领域亟需解决的一大问题。随着深度学习的发展，关于肺结节检测与假阳性筛选的研究有了比较大的突破。但是现有的研究大多数是基于通用网络模型，没有充分利用肺部CT数据和结节数据的特性。因此本文针对肺结节检测这一特定任务，深入研究了肺结节的特性和针对肺部CT数据的神经网络模型，并且提出了基于三维卷积神经网络的肺结节检测与假阳性识别算法。 本文的主要工作总结如下，首先在预处理阶段对比使用了阈值法与神经网络图像分割的方法对肺轮廓进行了提取，在方法部分基于深度学习与计算机图形学的方法，分两步对肺结节进行检测。第一步通过三维U-Net模型检测CT图像中的可疑结节的位置，使用多分支网络提高了结节分割的召回率，防止潜在的结节漏检。同时加入深度可分离卷积降低模型参数量，降低训练难度与计算开销。第二步设计了二阶段的方法进行假阳性识别。第一阶段使用特征提取方法对假阳性结节进行初步筛选，第二阶段本文设计了针对肺部CT的三维卷积网络，通过引入残差块、加深网络层数提高模型精度，并且使用聚焦损失提高模型对困难样本的学习能力。最后本文在LIDC-IDRI数据集上得到84.6％的平均无限制受试者工作特征曲线(FROC)，验证了本文提出的模型对于肺结节检测与假阳性识别的良好效果。
NETL