摘要
国家癌症中心最新发布的全国癌症统计数据显示，肺癌是我国癌症发病率和死亡率最高的疾病，严重威胁人类生命安全。肺结节是导致肺癌的主要因素，对其精准识别在临床诊断中起着至关重要的作用。近些年来，基于深度学习的技术飞速发展，在目标检测领域展现发挥着重要作用。然而，在肺结节识别过程中，主要存在采集图像质量差及目标形状复杂多样等问题，致使在微小结节以及血管粘连结节检测任务中，存在严重的误识别。本文针对肺结节识别中存在的问题进行深入探索，主要研究内容如下。 针对图像采集过程中仪器噪声引起的图像质量下降问题，本文提出了一种基于多尺度和注意机制的肺结节盲去噪模型。首先，在多尺度特征提取模块中引入扩张卷积增大感受野，实现对特征信息的多级提取；然后，将提取出的深层特征以及引入的具有定位信息的浅层特征融合进通道注意机制模块，经上下采样操作后将输出结果压缩成向量值，通过对相应特征通道重新加权的方式使网络能够专注于有效信息的学习，增强了特征的表达力和鲁棒性；同时引入残差思想，降低网络负担。最后，通过加入不同等级噪声的噪声图片与真实噪声图对模型交替训练，与主流去噪算法相比，本模型可更好的保留肺结节纹理细节信息，主观视觉对比以及客观评价参数均证实了本模型的去噪效果，有助于后续的肺结节目标识别。 针对肺结节形态多样性及组织粘连等问题，本文提出了一种结合图像全局信息的肺结节检测模型，该模型以YOLOV5为基础网络。为了增强模型对图像全局和局域信息的特征提取能力，首先，本文在主干网替换的Ghostbottleneck结构中引入融合注意力机制，在不增加计算成本的同时可提高图像局域区域的特征提取能力；然后，引入自注意力机制将多头自注意机制提取特征块进行融合，利用聚合输入序列的全部信息用以更新分量序列，从而获得图像全局信息；最后，对比试验验证了本模型的准确性和有效性，证实了本文方法可以很好的应用在肺结节的检测任务中。
NETL