检索历史 清除

摘要肺结节检测是肺癌早期筛查的主要手段。面向肺结节检测的计算机辅助诊断（CAD）系统能够利用相关算法自动标记CT图像中的肺结节，辅助医生解读CT图像中包含的信息，从而提高医生的诊断效率和准确率。然而，面向肺结节检测的CAD系统目前仍存在假阳性率高、准确率低的问题。为解决上述问题，本文从数据增强、肺结节检测和降假阳性三方面展开研究。本文的主要研究内容如下：<br>　　（1）针对医学图像数据量少，深度学习算法难以训练的问题，本文提出了一种双判别器的生成式数据增强算法。该算法在深度卷积生成对抗网络（DCGAN）的基础上添加了一个全局判别器，可以在学习肺结节数据分布的同时学习CT图像的背景上下文信息，从而在CT图像的背景中合成逼真的肺结节。该方法能够使FasterR-CNN检测模型上的检测精度提升6.33%，有效的缓解了医学图像数据量少、数据多样性不足的问题。<br>　　（2）针对肺结节的尺寸较自然物体较小，特征难以提取的问题，本文提出了一种基于改进FasterR-CNN的肺结节检测算法。首先，在VGG16卷积层的最后一层添加了一个反卷积层，以提高特征图分辨率。然后，结合肺结节尺寸和体积特征重新设定了锚框的大小和数量。最后，使用ROIAlign替代ROI池化操作，避免特征映射过程中因量化操作而出现的定位误差。另外，本文还与原始FasterR-CNN进行了对比实验。实验证明，改进的FasterR-CNN的检测精度相比于原始的FasterR-CNN提高了8.02%，验证了改进算法的有效性。<br>　　（3）针对检出的候选结节中假阳性率高的问题，本文提出了3DCNN分类网络，在残差网络的基础上添加了SE模块。该模块通过对特征通道进行加权，能够增强有用通道信息并且抑制无用通道信息，从而强化模型的特征表达能力。实验结果表明，3DCNN网络能有效辨别假阳性结节，降低肺结节中的假阳性数量。<br>　　综上，本文对医学CT图像的肺结节检测问题进行了深入研究，研究内容包括生成式数据增强、基于FasterR-CNN的肺结节检测以及3DCNN降假阳性。以上研究内容对医学CT图像的肺结节检测的发展具有积极的推动作用。