论文部分内容阅读
肺癌是当下对人类生命健康危害最大的恶性肿瘤之一,目前应对肺癌最好的解决方案仍是在肺癌早期发现并治疗。低剂量螺旋CT被认为是肺癌早期筛查最行之有效的方法,但是肺结节的影像表现形式十分复杂,影像科医师在长时间工作后容易产生视觉疲劳,因此难免发生漏诊、误诊等情况。随着计算机技术尤其是计算机视觉的发展,计算机辅助诊断被应用于医学影像分析以辅助医生进行诊断。它可以显著改善医生分析医学图像的质量和效率,但需要手工设计特征,这不仅依赖于人的主观判断,也带来了巨大的工作量。传统计算机辅助诊断中对肺结节的分类算法需要手工提取肺结节的特征,这使得提取出的肺结节特征也比较单一,算法无法充分地描述肺结节图像的特性,进而降低了分类精度。近年来深度卷积网络迅速发展,得益于其在图像处理上的优异性能,卷积网络已经成为图像分类领域的主流算法,并且它不需要手工设计特征。已有相关工作使用的深度卷积架构与卷积网络理论的现阶段发展存在一定滞后,且已有对肺结节CT病理图像分类的算法其分类准确率距离应用尚有改进的空间。因此本文在充分调研卷积网络理论的基础上,针对肺结节分类问题提出使用Inception-ResNet和CondenseNet来对肺结节病理程度的自动诊断,并引入SENet中的自注意力机制,以刻画通道间的依赖关系并自适应的调整通道的特征相应强度,提高深度卷积网络的性能;考虑到肺部CT病理图像天然的3D属性,我们将使用的深度卷积网络拓展到3D场景以捕捉肺结节在连续切片间的变化信息,进而实现对肺结节病理图像的更好分类。将SENet中的注意力机制和3D卷积分别引入Inception-ResNet和CondenseNet便得到了我们的目标架构:3D-IR-SENet与3D-CD-SENet。进一步的,将两者融合,可以得到性能更好的3D-HybridNet。本论文实验基于LIDC/IDRI肺部CT病理图像数据集的子集LUNA16,实验中我们提取出了提取出48×48大小的2维肺结节图像与48×48×9大小的3维肺结节图像块。实验结果显示,3D-IR-SENet与3D-CD-SENet在LUNA16数据集上对肺结节良恶性的分类精度分别达到了 91.27%和91.64%。相较原始的Inception-ResNet 与 CondenseNet,3D-IR-SENet 与 3D-CD-SENet 的对肺结节良恶性的分类准确率相应大幅提高了 2.79%和2.58%;而与已有工作相比,3D-CD-SENet取得了更好的肺结节分类效果,将最优分类准确率提高了 0.38%,3D-IR-SENet则略优于已有最优分类准确率。融合卷积网络架构3D-HybridNet则将分类准确率提高到93.18%,比已有最优分类准确率高1.92%。实验结果证明了本文选取的卷积网络架构及对其进行的改进的有效性。