论文部分内容阅读
在肺癌诊断的现代化研究领域中,肺结节的检测和分类一直是广大学者研究的重点。由于肺结节具有异质性以及与周围环境在视觉上的相似性,导致传统方法的特征提取阶段不仅耗时费力且效果不佳,使得肺结节的检测与分类工作受到挑战。而最近几年,伴随着深度学习的崛起和广泛应用,引起了医疗界研究人员的密切关注,并为肺癌的早期诊断找到了新的突破点,有效地弥补了传统医疗技术的不足。因此,本文针对传统肺结节检测及分类方法步骤繁琐、人工提取特征困难且准确性较低,以至无法很好地完成临床应用中肺结节识别任务等问题,提出用深度学习方法进行简化,自动提取结节特征学习并进行检测分类。主要研究工作如下:首先,在数据预处理阶段,基于原始的CT图像数据,进行肺实质分割步骤,目的是减小噪声的干扰;其次,使用结合Faster R-CNN与双路径网络(Dual Path Network,DPN)的深度学习框架3D Faster RCNN(DPN),对预处理后的结节图像数据进行检测,由于此过程非常耗时,也不能做到快速预测,为模型性能的验证和提升带来诸多不便,因此将MobileNet中深度可分离卷积(Depthwise Separable Convolution)的思想融入到检测网络中,大大提升了结节检测速度,使得检测更加高效,最终总召回率为95.36%;接着,采用Deep 3D DPN进行肺结节的分类,为提高分类精度,将网络中的传统平均池替换为中央池(Central pool),并将ION(Inside-Outside Network)中多尺度聚合改为跨层多尺度特征融合,以更好地进行特征提取,最终得到较优的分类效果,其准确率从88.74%提升至90.22%;最后,对检测以及分类结果进行可视化,进一步说明了检测网络与分类网络的有效性。另外,还研究了超参数的选取包括初始学习率、学习率衰减策略以及激活函数对实验结果的影响。