检索历史 清除

摘要为了更好的进行发现早期肺癌，进而有效的治疗，需要对特定人群定进行定期筛查，主要技术手段是低剂量螺旋计算机断层扫描(LDCT)。计算机辅助诊断系统的出现，能够有效分担医生日益增长的医学影像数据分析处理工作，并且随着人工智能和深度学习的发展应用，肺癌诊断系统有了长足的进步，但是仍存在各种限制因素使得系统在实际应用方面表现不佳。在给出诊断结论时，即便是经验丰富的医生也存在误诊的可能，更不用说依靠算法预测出的结果了，因此导致计算机辅助诊断系统处于一个尴尬境遇，医务工作者们不敢完全放开的信任系统得出的结果，也就仍要自己再评估确认一遍，对于减轻医生工作量并没有起到什么实质性作用。<br>　　对此本文认为，计算机辅助诊断系统不应该单单是由系统提供一个诊断结论，还应该针对医生诊断时的依据来给出对应的参考值，即便做不到很细致准确的量化，给出一个大致范围，也是能够帮助医生缩短阅片时间，减轻工作量的，基于此思想，本文主要研究内容和贡献如下：<br>　　(1)对比现有肺癌数据集，通过对数据集给定的特征标注信息的分析，选定了与结节良恶性关系密切的六个属性特征作为我们提供给医生的辅助诊断依据，并且确定下多任务模型架构的设计思路。<br>　　(2)对比目前主流的深度学习网络模型，本文认为Transformer中的多头注意力机制有助于从不同角度、方向上来进行适合多任务的特征提取，因此以ViT模型为基础，对其实施了适用于医学影像的改造，分别提出了将三维影像数据转化为模型适用的二维图像的方法、对三维数据进行序列化处理以替换原来的Patchembedding方法。<br>　　(3)通过实验比较，以三维数据输入改造的ViT网络的Encoder部分作为本文多任务框架的数据共享层，将提取到的特征输入后续多个子任务网络，并且在训练过程中采用动态加权平均的均衡优化方法，构造了一个多任务模型，以实现对良恶性以及多种语义化特征的判定输出。<br>　　(4)最终将多任务模型集成到课题组的完整肺部结节癌变风险预测系统中去，接收前一环节输出的结节坐标，取出结节数据块之后使用本文的网络生成包含良恶性在内的多种结节属性特征的诊断报告，显示到系统界面中。以实现计算机辅助检测系统与计算机辅助诊断系统的全流程集成。