基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)自動檢測深度學(xué)習(xí)模型.pdf

1、近日，霧霾再次出現(xiàn)并嚴(yán)重影響著人們的生活，同時危害著人們的身體健康。在霧霾、PM2.5等大氣污染的影響下，全國乃至全球范圍內(nèi)肺癌患者的數(shù)量呈現(xiàn)出指數(shù)增長趨勢。肺癌中病灶體稱之為肺結(jié)節(jié)，它具有體積較小、形態(tài)各異、多與胸腔內(nèi)膜粘連等特點，同時又有支氣管、血管等干擾，導(dǎo)致對肺癌的早期診斷具有一定的難度。同時，肺結(jié)節(jié)在肺部所占面積較小，醫(yī)師僅用肉眼對CT圖像觀察，根據(jù)已有知識和自身經(jīng)驗找出病灶體肺結(jié)節(jié)并對其進(jìn)行良惡性判斷容易造成誤診或者漏診。在

2、低劑量CT薄層掃描的技術(shù)廣泛應(yīng)用后，影像數(shù)據(jù)爆炸式增長與人工診斷力量嚴(yán)重不足的矛盾，大數(shù)據(jù)和數(shù)據(jù)分析技術(shù)發(fā)展的不協(xié)調(diào)，都有可能導(dǎo)致肺癌診斷準(zhǔn)確率的降低。隨著計算機技術(shù)的發(fā)展和應(yīng)用，在眾多大型醫(yī)院中，醫(yī)師都借助于計算機對肺癌進(jìn)行輔助診斷。在較為完善的計算機輔助診斷CAD中，通過圖像預(yù)處理、分割、特征提取和特征選擇等步驟，最終實現(xiàn)對肺結(jié)節(jié)的分類。提高肺結(jié)節(jié)良惡性分類的準(zhǔn)確率是最終的目的，而特征提取是關(guān)鍵的步驟。本文在對國內(nèi)外研究現(xiàn)狀進(jìn)行研究

3、后，提出了存在的問題還解決辦法。針對大數(shù)據(jù)的CT圖像，建立基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)良惡性自動診斷模型，主要的研究工作包括以下幾個方面：
　　1.針對計算機輔助診斷系統(tǒng)中復(fù)雜的算法和人為干擾產(chǎn)生的不可抗的因素，本文在利用區(qū)域生長對CT圖像進(jìn)行簡單預(yù)處理后得到肺實質(zhì)圖像，通過雙線性差值存儲為樣本。利用樣本對自定義的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練并達(dá)到對肺結(jié)節(jié)良惡性診斷的目的。此方法可以在避免特征提取等復(fù)雜算法的基礎(chǔ)上，提高肺結(jié)節(jié)分類準(zhǔn)確性和

4、分類速度。
　　2.特征作為肺結(jié)節(jié)主要的分類前提，提取特征是必不可少的步驟。在傳統(tǒng)方法中，特征提取方法都是根據(jù)經(jīng)驗進(jìn)行人為設(shè)定，包括灰度、形狀以及紋理等底層特征，但是這些特定的特征有一定的局限性。本文直接將圖像作為原始樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)內(nèi)，通過隱含層的自主學(xué)習(xí)提取到關(guān)鍵特征。已有的方法中僅將最后一層輸出作為特征，忽略了隱含層的特征。由于每個特征的貢獻(xiàn)率不同，且經(jīng)過多層學(xué)習(xí)可能在最后一層丟失，因此本文將每層特征經(jīng)過PCA降維得到