检索历史 清除

摘要目前，患者CT数据呈现指数型增长，该数据量给影像科的医生造成严重的负担，医生高强度的阅片工作容易造成漏诊误诊的事实。为了提高肺结节的诊断准确率，计算机辅助诊断的方法显的格外重要。计算机辅助诊断技术针对肺部CT数据不同类型的特征（例如颜色、纹理等）采用不同的方式将其提取出来，整合特征数据对肺结节进行综合评判，为医生的决策提供参考。但是对于组织结构复杂的CT数据，仅仅使用传统方法提取浅层特征，其诊断的结果往往不准确。卷积神经网络通过卷积操作提取数据深层次特征对数据进行进一步分析。生成对抗模型包含两个框架，分别是数据生成框架和辨别框架，这两个框架通过互相对抗同时训练，最终使生成框架的结果更符合理想的分布。本文主要是结合卷积神经网络和生成对抗框架进行肺结节计算机辅助诊断方法的研究。本文针对研究内容做出的主要创新如下：<br>　　（1）海量的医学数据是进行深度学习实验的前提条件。由于目前可用的肺结节数据量严重不足，本文经过研究提出多标签生成对抗网络（multi-label GAN）扩充肺结节数据。该网络创新性的提出将肺结节数据的多种辨别性特征作为标签输入生成器，使得生成器可以根据特征的标签生成对应的样本。生成器使用特征融合、反卷积技术将低维向量映射成高维数据；判别器通过卷积和池化操作提取训练样本和生成器输出样本的特征，输出结果为1或是0，该数值区别网络的训练数据和生成数据；同时将训练数据和生成数据输入分类器，分类器对输入数据进行正确的标签分类；这三个结构同时进行，不断迭代，使生成网络输出含有肺结节特征但是又与输入数据分布不完全一致的数据。通过与现有的数据增强技术比较，该方法具有较好的峰值信噪比和结构相似度，是一种比较可靠的数据增强技术。增强后的多样性数据为肺结节良恶性的诊断提供了丰富的数据源。<br>　　（2）目前成熟的分割网络大都需要后处理技术实现像素全局性的关联，这种技术费时且效率低。为了解决这些问题，本文提出U-GAN网络对肺结节进行分割。该方法创新性的将生成对抗网络与深度卷积网络结合，生成器使用目前比较成熟的适用医学图像分割的UNet框架，利用其具有的独特对称路径对肺结节进行分割。采用卷积和池化操作自顶向下提取不同分辨率级别的特征，使用数据依赖的上采样方法和特征融合技术对低分辨率数据恢复细节信息，最终输出分割结果图。判别器对成对的输入图像（指原始图像和金标准图像或是原始图像和分割结果图像）提取特征进行辨别。辨别器的输出结果返回生成器，使用梯度下降法指导生成网络的训练方向。实验表明，与其他肺结节分割方法相比，本文的方法获得比较高的均交并比，约为88.14%，该方法为肺结节辅助诊断提供了一定的参考价值。