基于深度学习的肺结节分割和良恶性分类算法研究

作     者：温彪彪 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：杨勇

授予年度：2023年

学科分类：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：肺结节分割 V-Net 注意力机制 肺结节分类 Transformer 

摘      要：深度学习技术在医学图像分析中的应用越来越广泛,其中肺结节分割和良恶性分类是肺部疾病诊断和治疗中的关键问题。传统的肺结节分割方法受到结节形状多变、边界模糊等问题的影响导致分割准确率不理想。而基于深度学习的方法具有提取高质量图像特征的优势,对图像的大小、位置和边缘形状具有更好的敏感性,而目前肺结节分割和分类算法表现不一且精度较低,尤其对较小的肺结节可能造成一些错检、漏检。因此本文在LUNA16数据集基础上提出了一种基于V-Net的肺结节分割算法和基于Swin Transformer的肺结节良恶性分类算法。实验结果表明,本文提出的模型在肺结节图像分割和分类上具有显著的优越性。主要研究内容如下:第一,V-Net网络对图像特征提取不充分、特征融合效率低,导致其对小结节不敏感、分割效果差。因此本文提出在编码器和解码器之间添加基于残差机制的跳跃连接模块,结果表明改进后的PCV-Net网络分割的Dice系数提升约2%。之后在V-Net的基础模型上,本文提出融合通道注意力压缩激励模块和注意力引导滤波器模块形成的SGV-Net分割模型,用于增强感兴趣区域的有效信息并抑制无关的图像背景信息,在网络整体复杂度提升不高的情况增强了网络特征提取能力,改进后的模型获取了更多的高分辨率信息,可以更完美地还原原始图像中的详细信息。经实验对比验证SGV-Net的Dice系数提升至0.8452,较基准的V-Net模型提升约5%,分割结果更为精确。第二,针对目前肺结节良恶性分类算法精度低、鲁棒性差的现状,本文提出基于Swin Transformer的肺结节良恶性分类算法。基于LUNA16数据集,将本算法与VGG、Res Net和Google Net等常见的分类网络进行对比,实验结果表明本模型的分类结果准确率达到了94.53%,同时AUC值达到了97.44%。相比其他算法,Swin Transformer模型的准确性、敏感性、特异性和AUC等指标都具有显著优势。