摘要
肺癌是全球范围内死亡率最高的癌症之一。恶性肺结节是肺癌的早期征象之一，因此早期准确地检测肺结节对于肺癌的诊断至关重要。目前，医疗影像领域普遍采用计算机辅助诊断技术检测肺结节。其中，基于深度卷积神经网络的目标检测方法已经广泛应用于CT（ComputedTomography）影像上。然而，该类方法在检测肺结节时仍存在一些问题，例如：检测模型难以提取复杂的肺部CT图像中的小结节特征；肺结节数据集中的正负样本数量极不平衡，影响检测模型的性能；检测模型体积庞大、参数冗余。为了解决上述问题，本文旨在探究深度卷积神经网络在CT图像上的肺结节识别能力和模型轻量化方法，具体从以下两方面展开： （1）提出一种特征增强的肺结节检测模型FE-LNDet（FeatureEnhancedVisualLungNoduleDetector，FE-LNDet）。通用视觉检测模型直接应用于肺结节检测任务往往性能欠佳，主要原因是肺部组织图像中噪声干扰较多，模型对小结节目标的特征提取能力不够；其次，肺结节数据集样本分布不平衡导致模型训练困难。针对上述问题，本文从特征增强和样本平衡等角度出发，提出一种改进的肺结节检测模型FE-LNDet。首先，提出一种精细的多尺度特征融合网络，并设计了多分支空洞卷积聚合模块，以提取更加丰富的小结节特征信息；接着，在模型中引入混合注意力模块，增强模型对结节目标区域的关注并抑制冗余的背景信息；此外，还引入平衡样本损失函数缓解数据样本不平衡的问题，并结合肺实质分割、K-means++聚类锚框等训练策略，提升了模型的检测效果。最后，通过大量对比实验验证了本文提出的FE-LNDet中各项改进方案的有效性。 （2）提出一种轻量化的肺结节检测模型LNDet-Lite。考虑到参数量庞大、计算复杂的肺结节检测模型难以在基层医院中广泛部署，本文提出一种兼顾模型复杂度与检测精度的轻量化肺结节检测模型LNDet-Lite。首先，采用轻量级模块改进模型的骨干网络结构，以此来压缩模型的复杂度。其次，为了缓解改进的轻量化结构导致模型检测精度下降的现象，提出一种基于多层次感知的知识蒸馏方法，以高精度的FE-LNDet作为教师模型，在特征提取和模型预测的多个阶段分别向轻量化的学生模型传递知识，从而有效提高轻量化模型的检测性能。通过实验验证，优化后的LNDet-Lite在轻量化的模型结构下仍能保持较高的检测精度。
NETL