基于卷积神经网络的直肠癌T分期预测研究

作     者：谢浩 

作者单位：西南大学 

学位级别：硕士

导师姓名：闫嘉

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 100214[医学-肿瘤学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：深度学习 直肠癌术前T分期 医学CT图像分类 轻量化模型 

摘      要：近年来,深度学习技术在临床医疗领域的研究越来越广泛,受到国内外医疗工作者和计算机研究人员的高度重视,尤其是在TNM癌症肿瘤分期领域,利用深度学习技术对癌症肿瘤进行自动化分期可以极大提升医生工作效率,并为患者提供安全而有效的诊疗策略。通常情况下,判断肿瘤良恶性的金标准是病理图像诊断,但是病理图像获取途径繁琐,若能借助深度学习技术对其他医学影像加以处理,学习相应图像相关纹理特征,开发出一套完整且有效的肿瘤分期系统,将是人工智能医学研究领域的重大进步。随着深度神经网络的不断更新,各模型的参数和计算量也大大增加,模型结构也变得越来越复杂,若将复杂的网络模型纳入医院诊疗系统是个高内耗、低效益的选择;为此,本研究希望开发出一套分期识别率高、运行快速的肿瘤分期系统,旨在解决低质量医学图像的肿瘤分期效果差的问题,加快数字化医疗诊治进程。针对以上问题,本文主要研究工作如下:1.因为深度学习在肿瘤分期应用案例很少,尤其是基于手术之前的CT图像作为实验数据进行分析预测,因此本文建立了以直肠癌术前肿瘤T分期的CT图像数据库。2.针对现有的医学CT图像数据预处理方法,改进了CT图像预处理的方法。另外,结合现如今基本的图像数据增强方法,对初步预处理的CT图像进行数据增强,保证了模型训练数据样本的充足性和稳定性。3.本文设计了一套轻量化的直肠癌术前肿瘤T分期的分类模型。该模型基于ResNet模型进行优化设计,通过优化调整模型相应层级结构等操作,降低模型参数数量,同时保证模型对直肠癌T分期预测的稳定。4.为了验证所提出的数据预处理和数据增强对提升模型分类性能有明显效果,利用控制变量设置对比实验,实验结果显示本文所提出方法的有效性。本文提出的算法,认真考虑了CT图像数据实现过程中遇到的实际问题,如高内存、高耗能等问题,在ResNet的基础上对图像分类模型进行了研究与改进,并且在基于CT图像的直肠癌术前T分期任务中取得了较好的结果,为以后的基于CT图像进行肿瘤分期算法研究和发展提供了一定的思路。