基于深度学习的医学CT影像分析研究

扫码查看

原文链接

NETL

中文摘要：肺癌在所有癌症中发病率最高，死亡率逐年增长，且我国肺癌新增率和死亡率高于世界平均水平，肺癌诊断与治疗刻不容缓。肺癌早期表现形式为孤立性肺结节，针对肺结节检测最有效的手段之一是计算机断层扫描（CT）。CT影像检阅和诊断对于医生是一种耗时耗力的工作，且不同医生对于同一份CT影像的诊断存在主观性差异。随着基于深度学习的计算机辅助诊断（CAD）系统的出现，CAD系统可以帮助医生诊断CT影像，降低主观性因素，提高诊断准确率，实现早期诊断和治疗，提高肺癌患者的生存机会。本文重点研究基于深度学习的肺结节分割方法，主要研究内容如下：（1）本文对肺部CT影像和肺结节分布研究发现，对肺部CT影像需要进行预处理操作和肺实质分割操作。首先对肺部CT影像进行预处理操作，对三维肺部CT影像进行切片处理，提取距离肺结节最近的三层切片图像，对切片图像进行图像去噪和图像增强，增强CT图像的特征。然后采取大津法（OTSU）算法对肺实质进行粗分割，得到初始肺实质图像。最后开运算、抽取肺实质、孔洞填充和滚球法等一系列操作，对初始肺实质图像进行细分割，得到完整的肺实质区域图像。（2）本文对深度学习中的U-Net网络模型进行研究，分析其优缺点，针对其不足，设计了一种改进的U-Net网络分割模型。针对图像输入与输出大小不一样和特征信息裁剪丢失等问题，本文使用VGG-16网络作为U-Net网络的主干特征提取网络，加强特征提取网络部分保持不变，可以有效解决输入输出图像大小不一致问题和特征信息裁剪丢失问题；针对U-Net网络模型在网络训练时出现的网络性能退化问题，本文使用ResNet网络中的残差学习单元，对每一层卷积层进行残差学习，可以有效解决网络性能退化问题；最后本文使用一种混合损失函数，可以更进一步的提升改进的U-Net网络模型的肺结节分割性能。（3）本文使用部分LUNA16数据集验证了改进的U-Net网络模型分割肺结节的性能更好。对混合损失函数系数进行设计，使用subset0数据集对不同系数下的混合损失函数进行实验，选取改进的U-Net网络分割性能最佳的损失函数系数；对选取好混合损失函数系数的改进的U-Net网络模型，使用subset0-2数据集进行实验，验证了改进的U-Net网络模型比原始的U-Net网络模型的肺结节分割性能更好；使用消融实验分析，验证了经过预处理和肺实质分割的CT图像的肺结节分割性能更好。

作者：

高鹏

展开 >

关键词：

深度学习医学CT影像肺实质分割肺结节分割 U-Net网络

授予学位：

硕士

学科专业：

计算机科学与技术

导师：

程晓荣

学位年度：

2021

学位授予单位：

华北电力大学(保定)

语种：

中文

中图分类号：

R73