基于CNN模型的CT影像肺结节检测及良恶性诊断

作     者：籍新宇 

作者单位：中国医科大学 

学位级别：硕士

导师姓名：许顺

授予年度：2023年

学科分类：1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 

主      题：卷积神经网络 计算机辅助诊断 肺结节检测 良恶性判断 

摘      要：目的:肺癌属于一种较为常见的肺原发性恶性肿瘤,在临床领域当中对于肺癌的初级阶段诊断和及时治疗则是作为降低患者死亡率的关键手段。肺癌早期以肺结节为主要表现形式,诊断肺癌的重要环节就是对肺结节进行鉴别,此外,对肺结节的良恶性区分也是对结节分期评估的重要依据。传统的检测方法过程繁琐,对于特征提取的步骤复杂,且检测效果一般。本课题以CT图像作为研究对象,利用改进的CNN(Convolutional Neural Networks)架构,提出的检测算法与分类算法,在现存的检测算法基础上,提出一些改进方法并提高检测精度。研究方法:利用LIDC-IDRI(The Lung Image Database Consortium)公共数据集中,收录的1018位患者实例CT影像,利用改进的U-Net算法分割肺实质,通过Res-Net对网络的整体的深度进行加深。此外,为了进一步充分提取肺实质边缘特征,在Loss函数中引入一种新的边界惩罚项,提升肺实质边缘分割效果。另外,对传统CNN进行了更改,采取不同规格的残差特征提取网络,进一步提高检测肺结节的符合率并进行肺结节良恶性诊断。结果:利用多尺度CNN对ROI(region of interest)进行分类,最终肺结节识别的符合率达到92.4%,敏感度达到了92.2%。通过多次训练模型最终的准确率得到大幅提升,能较好的协助临床诊断良恶性,对结节分期评估提供有效的依据。结论:针对肺结节检出问题,利用CNN进行肺结节的识别,通过深度残差、跳跃连接的结构,使提取特征更全面更详尽,成功减少假阳性结节,已基本达到临床应用的要求。针对肺结节良恶性的诊断问题,通过CNN对识别出的肺结节进行分类,利用数据增强的方式来丰富样本量,通过改进的损失函数以及Re LU激活函数尝试解决因正负样本不均衡所导致的实际问题,同时在针对密集卷积神经网络的变量存储性能进一步优化基础上,减少了需要训练的参数数量。