摘要
肺癌是我国乃至世界范围内发病率和死亡率最高的癌症类型，且其发病率呈现出不断增长的趋势。由于肺癌的初期症状并不明显，导致很多患者错失了最佳的治疗时机。低剂量的肺部CT（computertomography）扫描影像可以有效应用于肺癌早期诊断。因此，如何在肺部CT影像中高效提取关键的病灶特征，并利用特征进行目标检测成为肺癌早期诊断有效的辅助手段，也是医学图像和计算机视觉的关键技术之一。肺癌的早期病灶特征是以肺结节的形式体现，因此肺结节的检测是肺癌筛查的第一步。目前，肺结节的检测中仍存在许多挑战：（1）肺部CT影像具有空间连续性，且肺实质内部结构较为复杂、肺结节形态与所在位置存在多样性，传统的2DCNN会损失图像中的空间信息。（2）肺结节自动检测系统应用于临床诊断中，要求高效、高精度和假阳性低。但目前的自动检测系统仍存在检测精度较低、假阳性高以及较高的网络复杂度所造成的时间成本高等问题。 随着深度学习在图像处理领域的快速发展，卷积神经网络（convolutionalneuralnetworks，CNN）被逐渐应用于医学图像研究领域，并取得了不错的效果。为了解决以上问题，本文提出了一种基于3DCNN的肺结节检测方法，且在此方法基础上，分别从提升检测精度及降低时间成本这两方面，提出基于多尺度输入的高精度肺结节检测方法和基于MobileNet（mobileconvolutionalnetworks）的轻量级肺结节检测网络，并进行了相应的实验分析。主要工作包括以下4个方面： （1）构建实用的训练集。本文对LUNA16（lungnoduleanalysis2016）数据集进行了肺实质分割、重采样等预处理操作，减少了无关噪声对检测效果的影响，缩小了网络检测时的搜索空间，让模型训练效果达到最优。 （2）提出基于3DCNN的单阶段肺结节检测方法。该算法在UNet++网络的基础上，采用了残差块灵活嵌套模式，加强了特征重用。并创新地将改进的类UNet++体系结构与区域建议网络（regionproposalnetwork，RPN）相结合，本文将此模型称为R-UNet++模型。由于3DUNet++网络和残差块都具有多特征融合特性，本算法的设计即为增强该模型对病灶特征提取的能力。实验表明，本文提出的R-UNet++模型在基于LUNA16数据集上的假阳性筛查中，其平均敏感度可达到87%，较UNet++网络增长了7.5%；当候选结节数为48时，敏感度高达95.5%，较VGG16网络增长了7.4%。由此可见，R-UNet++模型能够明显提高检测敏感度和降低假阳性，可为临床应用提供理论参考。 （3）提出基于多尺度（multi-scale）输入的高精度肺结节检测方法。在R-UNet++检测模型的基础上提出多尺度输入的检测模式，本文将此方法称之为MR-UNet++模型。设计了3种尺寸分别作为3DCNN的输入，最后将这3种输入尺寸分别得到的分类输出进行融合，并得到最终的结节判定结果。最终实验结果证明，MR-UNet++模型平均检测精度达到87.3%，并将检测敏感度提升至96.2%。 （4）提出基于MobileNet的轻量级（lightweight）肺结节检测网络。在R-UNet++检测网络的基础上引入轻量化网络MobileNet，使用MobileNet网络的深度可分离卷积操作代替R-UNet++模型中的标准卷积操作，本文将此方法称之为LR-UNet++模型。LR-UNet++模型在基本保持现有检测精度的同时，对网络的参数量以及模型的运行速度均进行了优化。优化前后的实验对比表明，优化后的网络参数量比R-UNet++模型参数量减少了58.2%，并取得了94.0%的检测敏感度。这说明引入MobileNet可以使检测模型更为高效。
NETL