论文部分内容阅读
肺癌是世界上发病率和死亡率最高的恶性肿瘤。早发现,早诊断,早治疗是挽救肺癌患者生命的关键。肺癌的早期临床表现形式为肺结节,基于低剂量计算机断层扫描(Computed Tomography,CT)的肺结节筛查是发现早期肺癌的重要手段。然而,仅依赖放射科医生人工从数百幅胸部CT图像中发现微小肺结节,面临极大的挑战。因此,本文针对快速自动检测CT图像中肺结节准确位置的临床需求,开展基于低剂量CT的肺结节精准检测方法研究。本文针对肺结节自动检测过程中存在的假阳性率较高及微小结节易漏检导致的敏感性降低问题,设计了二维与三维卷积神经网络(Convolutional Neural Network,CNN)相结合的肺结节精准检测方法。首先利用改进的二维Faster R-CNN(Faster Region-based Convolution Neural Network)检测模型实现肺结节的初步自动精准筛选,然后设计三维稀疏卷积神经网络(3D Inception CNN)进一步降低模型的假阳性率。本文的主要研究内容包括以下几点:(1)为了解决微小结节易漏检导致的敏感性降低问题,本文在原Faster R-CNN检测模型的基础上提出一种新的肺结节检测模型。首先采用特征融合技术,将特征提取网络的浅层特征和深层特征进行融合,以增强模型的特征提取能力;然后对区域提议网络进行了优化,利用三个不同大小的并行卷积核代替原始3×3的卷积,再将得到的特征进行融合生成候选区域;最后对ROI(Region of Interest)池化层的一些细节进行优化,提升了对小结节的检出能力。实验结果表明,本文方法对易漏检的小结节有较好的检出效果。本文设计的模型检测敏感性为94.63%,平均每组CT假阳性数为14.6。算法整体的敏感性相比原始算法提升了7.94个百分点,同时每组CT的假阳性数减少了8.1。(2)为了减少假阳性率,本文设计了具有残差卷积模块和空间缩减模块的3D Inception CNN网络。空间缩减块采用卷积与池化层先并行运算,最后组合的结构,不仅实现特征图尺寸“温和”的减少,而且对上层特征进行多尺度多维度特征提取和融合操作也保留了信息的相对完整性,有利于网络分类准确率的提升。残差卷积块可以看做是残差单元与稀疏卷积块的组合体,可以简化学习难度,同时对网络性能的提升也有贡献。这两个模块的组合可以更好的提取网络特征,提升网络性能。实验证明,本文设计的模型可以在相对较少的参数量下达到更准确的分类效果,最终分类准确率为95.2%,敏感性为95.7%,特异性为94.6%,具有一定实际意义。本文所提出的二维与三维相结合的肺结节精准检测方法,既在二维CT图像上实现了候选结节位置的自动精准检测,同时充分利用三维体数据信息减少假阳性率。相比仅利用二维信息的检测算法,提升了检测敏感性同时降低了假阳性率;相比完全利用三维信息的检测算法,又在一定程度上减少了计算量,具有一定的理论与实际价值。