摘要
肺癌是危害全体人类健康与安全的重大疾病，而肺结节的早期筛查与诊断能有效的降低肺癌死亡率，因此对肺结节识别的研究具有重大意义。CT（ComputedTomography）扫描图像由于其成像快、图像清晰等优点，在肺结节识别研究上更具优势。目前，基于深度学习的肺结节识别算法存在以下问题：CT图像环境复杂、小肺结节在高层深度特征图中丢失、检测结果假阳性率高。因此，本文研究了一种两阶段的基于反向连接与多视角特征融合的肺结节识别算法：第一阶段，基于反向连接与多层次特征的肺结节检测方法实现对CT肺结节的检测；第二阶段，基于多视角深度特征融合的肺结节分类方法以降低检测结果的假阳性率。并基于以上研究成果研发了一个针对CT图像序列的肺结节自动识别与辅助诊断系统。本文主要工作如下： （1）针对CT图像序列检测环境复杂的问题，本文基于去噪、增强、肺实质分割的图像处理方法进行肺部CT图像预处理步骤。首先，基于高斯滤波方法去除影像噪声；然后，基于图像增强算法增强肺结节对比度；最后，基于阈值分割与边缘凸包结合的方法分割肺实质区域。实验表明，基于去噪、增强、肺实质分割的CT图像序列预处理方法能有效去除大部分肺结节检测无关区域，降低肺结节检测计算量。 （2）针对小肺结节目标在高层特征图中丢失与肺结节尺寸分布较广的问题，在第一阶段中基于反向连接与多层次特征的肺结节检测方法实现对肺结节的检测。首先，基于反向连接方法让低层特征图获得高层语义信息；然后，基于多层次深度特征图与RPN提取肺结节候选区域；最后，基于特征映射与全连接分类初步筛选去除假阳性肺结节。实验表明，基于反向连接与多层次特征的肺结节检测方法对肺结节有较高的敏感性与召回率。 （3）针对第一阶段肺结节检测结果假阳性率高的问题，在第二阶段中基于多视角深度特征融合的肺结节分类方法以降低第一阶段检测结果的假阳性率。首先，基于第一阶段的深度特征提取网络获得肺结节区域的三视角深度特征图；然后，基于通道融合方法降低肺结节深度特征图的特征信息冗余，并由全连接融合三个视角的深度特征；最后，基于肺结节困难样本挖掘方法与Focalloss损失函数解决肺结节/非肺结节分类的样本不均衡问题。实验表明，本章算法对肺结节/非肺结节分类有较高的准确率，能有效降低肺结节检测结果的假阳性率。 （4）基于以上内容，本文设计研发了一个针对CT图像序列的肺结节计算机辅助识别系统。该系统包含四大模块：CT图像序列读取、显示，肺结节自动检测，肺结节识别结果标识，肺结节识别结果保存。通过该系统，可实现对肺结节的自动辅助识别诊断。通过实验展示了本文系统的使用流程，并验证了本文算法的实际性能。 实验结果表明，本文算法对肺结节的检测有较高的敏感性，并能有效降低肺结节检测结果的假阳性率。本文算法能有效针对CT图像序列进行肺结节检测，辅助医生进行肺结节识别诊断，具有临床意义。
NETL