摘要
肺癌是全世界发病率和死亡率最高的癌症之一。在利用计算机对肺癌进行智能诊断的过程中，肺结节的检测、分割和分类都是不可或缺的先后步骤。近年来，卷积神经网络算法在计算机视觉领域取得了突破性成就，同时在医学影像智能诊断任务上获得了优异的成绩。二维卷积神经网络可以有效挖掘肺结节平面的特征信息，却忽视了CT影像数据中肺结节三维空间中的上下文信息。针对以上问题，本文的研究方法基于三维卷积神经网络可以充分利用CT数据的三维信息，完成了对肺结节的检测、分割和分类任务。本文的主要工作包含以下三个方面： ①分析了计算机辅助诊断系统对于肺癌早期筛查的意义和重要性，调研了肺结节检测、分割、良恶性分类和诊断多任务算法的国内外研究现状，分析了肺结节医学影像特征，分析了计算机视觉领域相关的卷积神经网络方法、分类提升算法和注意力机制。 ②提出了一种基于多任务的肺结节检测和分割的卷积神经网络算法(DeepNodule)。该算法包含了四个核心部分：特征提取基干网络、肺结节检查测分支、肺结节分割分支、三维门控通道变换卷积注意模块。特征提取基干网络融合浅层图像信息，解决了深度的网络结构中肺结节细粒度特征信息丢失的问题；肺结节检查测分支包含候选肺结节筛选和去假阳性两个阶段，降低了检测结果的假阳性率；肺结节分割分支得到的分割结果优化了肺结节坐标信息，加强了网络模型对肺结节细节特征的关注；三维门控通道转换卷积注意力模块使网络更好地挖掘和学习到肺结节的特征。在LUNA16数据集上进行十折交叉验证，消融实验结果表明了DeepNodule的多任务策略和注意力机制在肺结节检测中提升8.8%，分割结果达到了80.04%。 ③提出了一种基于双路径网络和梯度提升机的肺结节良恶性分类算法。该分类算法的双路径网络提取了CT影像中肺结节深层特征，解决了机器学习算法依赖手工选择肺结节特征的问题；梯度提升机融合了双路径网络生成的特征图信息、CT影像中原始肺结节信息和肺结节尺寸大小信息，解决了卷积神经网络在复杂的上下文结构中忽略细节特征信息的问题。在LUNA16数据集上对模型进行验证，消融实验证明了两个模块在肺结节良恶性分类的准确率上分别提升了1.55%和4.33%。
NETL