基于深度学习的新冠肺炎CT图像检测方法研究

作     者：王光宇 

作者单位：东华大学 

学位级别：硕士

导师姓名：赵曙光

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 10[医学] 

主      题：计算机视觉 医学图像 新冠肺炎 图像分割 图像分类 

摘      要：新冠肺炎是一种新型的呼吸道传染病,它的出现对世界的发展和人类的生存造成了严重的威胁。新冠肺炎患者的肺部CT图像具有特异性,若能加以正确判读既可对核酸检测的结果进行补充,又可提高诊断的准确性。但由于该类图像复杂且量大,可胜任的医生相对不足,目前对其进行判读的效率和准确性都还不能满足需要,因此人们迫切需要新的技术和方法用于其辅助诊断。计算机视觉技术的出现使计算机有望能够像人眼、人脑一样识别、理解图像,因而已被广泛和成功地应用于医学图像处理领域。在当前新冠肆虐的危急形势下,研究基于深度学习的新冠肺炎检测、诊断方法和技术,既具有较好基础和可行性,又十分必要和迫切。基于上述情况,本文对基于深度学习的新冠肺炎CT图像的分割、分类方法,进行了较系统、深入的研究。具体工作主要包括:首先,构建了一个由5000张COVID-19患者肺部CT图像及对应四标签掩模图(mask)组成的分割数据集以及一个由10000张正常肺部CT图像、10000张COVID-19肺部CT图像、10000张其它肺炎肺部CT图像构成的分类数据集。其次,构建Lung Seg-Net模型对CT图像数据进行预分割处理,去除数据集图像中除肺部区域外的背景区域,为后续工作奠定基础。之后,在分割数据集上,利用U-Net、U-Net++、U-Net+Res Net101以及Deep Lab V3+模型分别进行分割实验。并在Deep Lab V3+模型中引入卷积注意力模块以及深度可分离卷积模块以提升模型性能。最后,利用Mobile Net V1、VGG16以及Res Net50三种有监督分类模型对分类数据集进行训练和实验。并将基于GAN的SSGAN半监督分类模型引入到肺炎分类任务中,以实现利用少量标签数据完成对图像进行准确分类的目的。本文对所提出的改进方法均进行了实验验证,并与多种同类方法进行了对比,证明了其可行性和有效性。