基于图像识别技术的直肠癌淋巴结转移的智能诊断应用

作     者：叶云飞 

作者单位：南华大学 

学位级别：硕士

导师姓名：朱惠延;刘永刚

授予年度：2022年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100214[医学-肿瘤学] 10[医学] 

主      题：直肠癌 淋巴结转移 图像识别 图像切割 卷积神经网络 

摘      要：随着直肠癌患病率的逐年升高,直肠癌智能诊断领域越来越受到人们的关注。直肠癌易向肠外浸润并引起淋巴结转移,而淋巴结的转移对根治直肠癌有着至关重要的作用。因此,本文旨在通过图像识别技术,结合直肠癌患者的CT影像数据和医生的临床诊断数据,对直肠癌肿瘤进行智能识别,并对直肠癌肿瘤图像进行智能切割,最后根据切割的肿瘤图像信息进行淋巴结转移情况的智能判断。首先对于直肠癌肿瘤的识别,由于卷积神经网络在处理大量数据上的优势和自我学习的功能以及其在图像识别上取得的惊人成果,因此本文选择卷积神经网络模型进行直肠癌肿瘤的识别。首先对108位直肠癌患者的CT影像数据以及由医生提供的临床诊断数据,按照8:2的比例构建训练数据集和测试数据集,并构建八层卷积神经网络对训练数据集进行100次训练和参数调优,最后根据测试数据集对模型效果进行评价。结果显示模型的召回率为0.975,精确率为0.894,F-Score=0.933,模型在技术上基本满足要求,在实际应用的过程中,可能存在一定概率的误诊情况,但几乎不会出现漏诊的情况。对于直肠癌肿瘤图像的切割,相比于CNN和FCN,U-Net增加了收缩路径和扩展路径,使得其可以精确定位不同尺寸的目标并进行分割;并且人体内部结构相对稳定,直肠分布非常规律,语义学简单明确,低分辨率信息可以简单地定位肿瘤区域。因此,本文选择U-Net模型进行图像分割。经过参数调优后,模型最终的Dice系数为0.812,与传统方法相比较,其效果有着巨大的提升。接着是直肠癌淋巴结转移的智能诊断。本文首先对切割的直肠癌肿瘤信息,根据其纹理特征、灰度特征、小波变换特征以及卷积特征四个方面进行特征提取,并构建支持向量机、朴素贝叶斯、BP神经网络三个模型进行训练和效果对比。最终结果显示朴素贝叶斯模型有着最优的评价效果,其查全率为100%,查准率为62.5%,F-Score=0.769,其存在一定程度的误诊情况,几乎不存在漏诊的情况。最后,将上述搭建的直肠癌肿瘤的识别和切割算法以及淋巴结转移的智能判断算法包装成易于调用的Web页面集成组件,实现功能的复用和资源的共享。