摘要
目前，肺癌居全球癌症死亡率的首位，严重威胁着人类的生命安全，肺癌的及时诊断和治疗可以有效提高肺癌患者的五年存活率。而肺结节是肺癌早期的一种重要临床表现，常通过计算机断层扫描（ComputerTomography，CT）技术进行筛查。但由于CT影像的数据量庞大且肺结节的尺寸较小，会给医生带来负担和疲劳，从而导致肺结节漏检或误检。所以，对肺部CT影像的计算机辅助诊断的研究具有重要意义。本文重点对基于深度学习的CT肺结节检测及良恶性分类进行研究，论文的主要完成工作和成果如下: (1)针对目前肺结节检测网络存在精度低与速度慢的问题，本文提出一种融合通道注意力的轻量型YOLOv4肺结节检测算法。首先，对LUNA16数据集进行重采样、肺实质分割和数据增强等预处理操作后，构建VOC数据集。其次，将YOLOv4的主干特征提取网络CSPDarknet53替换为轻量型MobileNetV3，加快肺结节检测速度;将加强特征提取网络中的3×3普通卷积替换为深度可分离卷积，减少模型的参数量;在YOLOv4的路径聚合网络(PathAggregationNetwork，PANet)中融合通道注意力机制，使模型着重提取肺结节边缘特征。再次，采用K-Means++聚类方法代替原来K-Means对数据集进行聚类分析，重新获得9个适合肺结节检测的不同尺寸的锚框，加快收敛的同时降低损失。最后，通过与其他检测网络对比分析，本文提出的融合通道注意力的轻量型YOLOv4算法在测试集上的表现最佳:平均检测精度为96.71％，精度为98.16％，召回率为94.60％，F1值为0.96以及检测速度为41.99f/s，有效提升了肺结节检测的精度和速度。 (2)针对目前肺结节良恶性分类网络存在精度低的问题，本文提出一种基于卷积注意力残差网络的肺结节良恶性分类算法。首先，对分类数据集进行构建，通过实验对比目前分类性能较好的四种网络:VGG16、MobileNetV2、ResNet34及ResNet50，选取性能最优的ResNet50用于肺结节良恶性分类。其次，在模型训练阶段引入迁移学习，解决数据集和图形处理器(GraphicProcessingUnit，GPU)计算能力不足的问题。再次，在ResNet50网络结构的第一层卷积层和最后一层卷积层之后添加卷积注意力模块，增强模型特征表达能力，使模型同时在空间和通道维度上赋予肺结节更高的权值。最后，通过多次训练选取最优的权重对肺结节进行良恶性分类。与其他分类网络对比分析，实验表明本文改进算法在测试集上表现最优:分类准确率为92.48％，特异性为92.99％，敏感性为92.49％，F1为0.93以及AUC为0.98，比原始ResNet50网络提升3.04％的分类准确率。
NETL