基于卷積神經網絡的肺結節(jié)自動檢測深度學習模型.pdf

1、近日，霧霾再次出現并嚴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肺癌患者的數量呈現出指數增長趨勢。肺癌中病灶體稱之為肺結節(jié)，它具有體積較小、形態(tài)各異、多與胸腔內膜粘連等特點，同時又有支氣管、血管等干擾，導致對肺癌的早期診斷具有一定的難度。同時，肺結節(jié)在肺部所占面積較小，醫(yī)師僅用肉眼對CT圖像觀察，根據已有知識和自身經驗找出病灶體肺結節(jié)并對其進行良惡性判斷容易造成誤診或者漏診。在

2、低劑量CT薄層掃描的技術廣泛應用后，影像數據爆炸式增長與人工診斷力量嚴重不足的矛盾，大數據和數據分析技術發(fā)展的不協調，都有可能導致肺癌診斷準確率的降低。隨著計算機技術的發(fā)展和應用，在眾多大型醫(yī)院中，醫(yī)師都借助于計算機對肺癌進行輔助診斷。在較為完善的計算機輔助診斷CAD中，通過圖像預處理、分割、特征提取和特征選擇等步驟，最終實現對肺結節(jié)的分類。提高肺結節(jié)良惡性分類的準確率是最終的目的，而特征提取是關鍵的步驟。本文在對國內外研究現狀進行研究

3、后，提出了存在的問題還解決辦法。針對大數據的CT圖像，建立基于卷積神經網絡的肺結節(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中復雜的算法和人為干擾產生的不可抗的因素，本文在利用區(qū)域生長對CT圖像進行簡單預處理后得到肺實質圖像，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網絡模型進行訓練并達到對肺結節(jié)良惡性診斷的目的。此方法可以在避免特征提取等復雜算法的基礎上，提高肺結節(jié)分類準確性和

4、分類速度。
　　2.特征作為肺結節(jié)主要的分類前提，提取特征是必不可少的步驟。在傳統方法中，特征提取方法都是根據經驗進行人為設定，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網絡內，通過隱含層的自主學習提取到關鍵特征。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率不同，且經過多層學習可能在最后一層丟失，因此本文將每層特征經過PCA降維得到