检索历史 清除

摘要肺结节是肺癌的早期病症的特征之一，如果能在发病的前期及时发现并进行治疗，可以有效地提高患者的存活率。目前基于CT数据的肺结节检测面临着一些困难:(1)肺结节含有很多种类，形态上也有巨大的差异，与正常的肺部组织之间没有明显的差异;(2)由于肺部的分割信息数据是一种三维数据，基于三维的检测模型需要消耗巨大的GPU显存，给模型训练造成了巨大的压力。传统的肺结节检测模型只使用了基于人工背景知识的特征，难以应对各种各样形态的肺实质，如何设计高效准确的肺结节检测算法是一个很具有挑战的问题。<br>　　本篇论文主要包含两个工作:<br>　　(1)基于CT数据的肺结节检测和良恶性分类<br>　　对肺结节的准确定位，是提高结节分类准确率和EGFR突变位点预测的关键前置任务。提出了一个基于CT数据对肺结节检测和分类算法，该算法一共包含两个部分，结节检测（确定候选结节的位置）和分类（将候选结节分为良性或恶性）。该算法以患者CT图作为输入，使用金字塔网络和残差网络实现了多层特征融合，并且加入了掩码损失对肺结节进行检测，从而克服了2D模型未充分利用空间序列信息和3D模型未使用掩模信息对模型进行指导的不足。<br>　　由于与自然图像中的常见物体相比，肺结节的尺寸比较小和尺寸变化较大，使用金字塔网络(Feature Pyramid Networks，FPN)对肺结节进行多尺度的检测，并且将掩码(mask)加入到了损失当中，使其可对较小结节进行检测。使用ResNet加上FPN的框架架构，这种结构包含了ResNet中短连接及FPN中长连接。这样可以更好的对各个层级所提取的特征进行融合，使模型同时可以捕捉更好的语义以及空间信息。我们的方法实现了0.840的平均值得分(FROC Score)，且在临床上比较看重的2FPs处得到了89.9％的结果。<br>　　对于有多个结节的患者，需要对其候选肺结节进行分类。因为肺结节与恶性肿瘤之间的关系是复杂的，有结节的存在并不一定表明肺癌，所以应综合考虑所有肺结节来推断病人是否获得癌症的可能性。使用Mask R-CNN肺结节检测模型提取的候选肺结节作为输入，建立3D深度卷积神经网络(DCNN)作为模型捕获候选结节的上下文信息。我们的方法得到了89.88％的准确率，有效的降低了假阳性。<br>　　(2)基于CT数据的肺癌EGFR基因突变位点预测<br>　　由于表皮生长因子受体(Epidermal Growth Factor Receptor，EGFR)靶向药物只对EGFR基因突变的病人有效，所以鉴别EGFR基因突变状态对于靶向药物的使用非常重要。使用病人CT数据去预测EGFR突变位点的方法与活组织检查相比，这是一种非侵入性诊断方法。这种方法能够从医学图像中捕获肿瘤内异质性，并且可以在进行检测肺结节的同时，就可对突变位点进行预测。<br>　　为了验证在临床上的效果，使用北大深圳医院的数据对我们的模型进行了测试，使用121名患者的CT数据像作为输入，最后建立卷积神经网络来提取特征向量，去预测EGFR激活型外显子19和21号位点。对比了SVM、Logistic回归和VGG16在验证集上的效果，最后VGG16得到最佳结果AUC为0.72。其表现了以非侵入性的方法去预测EGFR突变位点状态的潜力。