论文部分内容阅读
研究背景深度学习被引入机器学习领域使其更接近于人类最初的目标—人工智能,卷积神经网络作为深度学习典型模型于计算机视觉领域取得显著成绩。随着肺癌严重威胁人类生命健康,基于数字影像的早诊断早治疗对于肺癌患者至关重要,将计算机辅助诊断系统作为医生的第二双眼睛可以提供精确的定量分析,弥补人眼惰性及对灰阶不敏感的缺陷,从而帮助医生快速诊疗,达到对于图像和疾病解释的一致性。研究目的以肺部肿瘤CT、PET和PET/CT融合图像三模态图像作为研究对象,基于新型的深度学习算法—卷积神经网络对肺部肿瘤图像进行识别研究以实现肺部肿瘤计算机辅助诊断,帮助医生准确诊疗,提高阅片效率,降低劳动强度,从而推动计算机智能化进程,实现深度学习在医学领域的临床应用。研究方法在卷积神经网络模型结构的基础上,提出了集成卷积神经网络和深度卷积神经网络两种特殊的模型结构分别用于肺部肿瘤图像识别。在不同的肺部肿瘤PET/CT样本空间构建三个单一卷积神经网络(CT-CNN、PET-CNN、PET/CT-CNN)的基础上,构建集成卷积神经网络基于局部特征进行肺部肿瘤识别研究;构建深度卷积神经网络基于CT全局特征用于肺部肿瘤的识别;采用识别率、运行时间、灵敏度、特异度、MCC、F1Score六个指标对不同卷积神经网络识别性能进行综合评价。研究结果针对集成卷积神经网络和局部特征的肺部肿瘤PET/CT识别研究,进行了三方面实验,即:单个卷积神经网络的识别性能评价,不同模型参数对识别结果的影响,集成卷积神经网络与单个CNN及其他传统方法的比较实验。实验结果表明,卷积神经网络用于肺部肿瘤计算机辅助诊断是可行的,迭代次数和批次大小对于识别结果有一定影响,而集成卷积神经网络在识别率和运行时间方面明显优于单个CNN和传统识别方法,说明了该算法的优越性。针对深度卷积神经网络和全局特征的CT肺部肿瘤识别研究,进行了三方面的实验,其一是基于相同模型结构不同模型参数的比较研究,其二是基于不同模型结构的探讨分析,其三是基于不同优化方法的对比实验。实验结果表明深度卷积神经网络基于CT全局特征的肺部肿瘤识别是可行有效的,并且选择合适的模型参数和模型结构并采用弹性动量训练法可达到良好的识别效果。