检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习的肺结节分割与良恶性分类研究

基于深度学习的肺结节分割与良恶性分类研究

作者：王泽荣延安大学

学位级别：硕士

随着计算机成像和人工智能技术的不断提高,肺癌的自动检测率显著提高,传统方法的技术壁垒也逐渐被打破。肺癌的早期症状难以被发现,临床上常常会被诊断为中晚期(II～IV),即使采用标准治疗,五年生存率仍不到5%。但如果及时发现并采取治疗... 详细信息

随着计算机成像和人工智能技术的不断提高,肺癌的自动检测率显著提高,传统方法的技术壁垒也逐渐被打破。肺癌的早期症状难以被发现,临床上常常会被诊断为中晚期(II～IV),即使采用标准治疗,五年生存率仍不到5%。但如果及时发现并采取治疗,肺癌患者的生存率可达80%。肺癌在影像学检查中往往以肺结节的形式表现,因此早期发现、诊断和治疗非常重要。由于人们对病理图像的理解和经验存在差异,往往在病变边界的实证分析和评估中存在主观性和不稳定性。同时,随着肺部CT数据量的不断增长,在常规病例中,全肺扫描可产生10500张图像,如果进行广泛的肺癌筛查则需要处理更多的图像。基于深度学习的计算机辅助肺结核诊断系统能够减轻人们的工作量,提高诊断准确性。本文旨在通过深度学习研究肺癌的计算机辅助诊断的关键技术,并提出解决方案,包括肺结节数据预处理、肺结节分割以及肺结节良恶性的分类等重要问题。当前诊断肺结节的方法大多基于对整个肺部进行CT扫描,然后分离出结节,通过识别和分类阳性结节来确定病变。然而,这种方法缺乏对感兴趣区域(ROI)的理解,限制了分割和分类方法的准确性。肺结节在纹理和形状特征上与其他非结节组织相似,导致算法在不同种类结节分割任务中表现不一致,且分类精度低。因此本论文研究并讨论了两种新的方法来解决这些问题。第一种方法是基于SKV-Net网络的肺结节分割方法。该方法通过识别ROI来提高分割的准确性,从而避免了由于相似纹理和形状特征导致的分类误差。SKV-Net网络通过结合多分辨率分析和空间注意力机制来实现高效的肺结节分割。第二种方法是基于改进的3D-CNN的肺结节良恶性分类方法。通过对ROI进行更细致的分析,可以有效区分肺结节的良性和恶性。这两种方法的主要创新点在于对ROI更准确地理解和分析,从而提高了肺结节分割和分类的准确性和效率。主要工作内容如下:(1)肺区分割研究。在肺结节计算机辅助诊断中,首要任务是选择合适的数据并进行预处理,以满足算法的输入需求。本研究的目标是在不改变肺结节诊断数据库Lung Nodule Analysis 16(LUNA16)的前提下,通过裁剪和预处理基础数据集,减少数据歧义性,得到适用于半自动分割和良恶性分类算法的实验数据。本章使用V-Net作为基线进行改进,使得模型轻量化的同时自适应不同尺寸的目标分割任务,最终得到一个轻量级分割网络SKV-Net。基于多尺度的自适应目标尺寸使得网络分割大目标肺区及小目标肺结节均可取得良好效果。(2)肺结节分割研究。肺部结节在形态和纹理上存在差异,但它们在视觉上与肺组织非常相似,这使得结节和组织之间的区分变得困难,并导致分割不够准确。本章使用SKV-Net作为主干网络,采用软注意力融合多尺度信息设计,使得模型对肺结节这类小目标分割任务的边缘分割更加清晰。通过综合指标的对比试验,证明了该方法的有效性。(3)肺结节良恶性分类研究。提出了一种基于改进3D-CNN的肺结节良恶性分类方法,旨在解决医学图像中由于肺结节大小和形状不同导致的分类困难问题。为了更好地提取肺结节信息特征,利用前文得到的肺结节分割结果对3D-CNN模型进行了改进。经过综合实验验证,该模型在肺结节良恶性分类任务中表现出良好的性能。

关键词：肺结节分割良恶性分类多尺度特征 V-Net 卷积神经网络

基于深度学习的肺结节检测、分割和良恶性分类方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的肺结节检测、分割和良恶性分类方法研究

作者：门靖茹延安大学

学位级别：硕士

肺癌是一种患病率和死亡率均居世界第一的恶性肿瘤疾病,其早期症状为肺部结节,通常医疗工作者通过观察肺部断层扫描（Computed Tomography,CT）图片筛查肺结节,以进行早期的干预治疗。但是随着医疗设备的发展和普及,断层扫描图像的精度... 详细信息

肺癌是一种患病率和死亡率均居世界第一的恶性肿瘤疾病,其早期症状为肺部结节,通常医疗工作者通过观察肺部断层扫描（Computed Tomography,CT）图片筛查肺结节,以进行早期的干预治疗。但是随着医疗设备的发展和普及,断层扫描图像的精度和数量日趋提升,由于肺部影像检测肺结节的需求量暴增,导致需要大量具有医疗背景的医务工作者花费大量的时间和精力观察患者的断层扫描图像,不但给医务工作者造成了极大负担,而且容易造成肺结节的漏诊。因此,能够进行高效精准的肺结节自动检测/分割的计算机辅助诊断技术（Computer Aided Diagnosis,CAD）成为解决现有困境的最有效、最有前景的方法之一。CAD的处理方法主要为基于深层神经网络（Deep Neural Networks,DNN）的深度学习方法。由于硬件计算能力的限制,近年来多使用二维断层扫描CT切片图像和三维CT小体积块图像处理分割或检测问题。尤其是检测任务,二维检测会面临切片筛选和三维重建的复杂处理问题,且对切片独立处理会导致切片间序列信息丢失从而影响模型准确度。三维检测本质上并非检测任务,而是由于三维检测框提取困难而提出的替换解决方案,需要复杂的后处理来绘制分割图检测框。因此,本文提出了一种新的三维CT图检测方法的尝试解决方案。本文提出的系统包含肺实质提取、肺结节检测、局部精细分割和肺结节良恶性自动分类四个功能组件,并对每个功能组件任务进行了骨干网络的选型和改进,使得整体网络更加高效,提高了任务的适用性。主要的研究内容如下:（1）肺实质分割研究。本章提出的MF-VNet肺实质分割网络针对基线V-Net网络中存在的多尺度信息融合不足的问题,提出了M-Block多尺度块方法和网状自适应尺度特征设计方法,通过多尺度/多深度路线和网状网络设计,解决了不同尺寸目标分割任务的适用性问题,获得了肺实质分割Dice指标为0.983,较基线网络提高0.02,回归率为0.987,较基线网络提高0.08,较其他先进网络有所提升,但由于预处理时进行了最大插值缩放操作,边缘特征较为明显,不可平行比较。（2）肺结节检测研究。本章提出的3D-Center Net肺结节检测网络针对基线Center Net三维化网络中存在的收敛失效问题,提出了M-Dice Loss函数的正负样本划分策略和结块融化方法,通过改变正负样本比例,解决了Center Net三维化模型的收敛失效问题,并使用小核平均池化自适应凸显中心点位置,获得了查准率为0.87,查全率为0.91,与其他先进网络相当。但检测速度有所提高。（3）肺结节分割部分研究。本章提出的MF-VNet肺实质分割网络针对基线V-Net网络中存在的小目标分割边缘不清晰问题,提出了M-Block多尺度块方法和网状自适应尺度特征设计方法,M-Block中的多级信息代偿设计,一定程度上解决了小目标分割任务的过分割/欠分割问题,获得了肺结节分割网络的Dice系数为0.831,较基线网络提高0.04,敏感度为0.805,较基线网络提高0.05。（4）肺结节良恶性分类研究。本章使用基于transformer特征提取器的Vi T肺结节分类网络与基于CNN特征提取器的3D-Res Net18肺结节分类网络进行了对比试验,得到了基于小数据量的Vi T分类指标为5级分类平均准确度m PA为0.398,低于3D-Res Net18网络0.049。良恶性2级分类平均准确度m PA为0.755,低于3D-Res Net18网络0.122。

关键词：肺结节检测肺结节分割良恶性分类 3D-CenterNet V-Net transformer

基于深度学习影像组学的肺结节CT良恶性分类研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习影像组学的肺结节CT良恶性分类研究

作者：陈格武汉纺织大学

学位级别：硕士

肺癌是肺结节恶性肿瘤的一种,早期的肺结节良恶性分类对后续的治疗至关重要。深度学习影像组学(Deep Learning Radiomics,DLR)模型将手工特征、放射学特征和深度特征结合的方式进行分类,充分利用了不同模态的特征,有利于加强特征的多样... 详细信息

肺癌是肺结节恶性肿瘤的一种,早期的肺结节良恶性分类对后续的治疗至关重要。深度学习影像组学(Deep Learning Radiomics,DLR)模型将手工特征、放射学特征和深度特征结合的方式进行分类,充分利用了不同模态的特征,有利于加强特征的多样性。但是,DLR预测方法仍存在着诸多问题,如感兴趣区域(Region Of Interest,ROI)分割精度低、CT数据量少、目标区域小等问题。本文主要针对分割精度低、数据量少、分类准确率低等问题展开研究。首先,针对ROI分割精度低的问题,提出了一种改进UNet的肺结节CT图像分割网络。该网络以连续CT切片作为输入,捕获以结节为中心的连续切片之间的特征关系,类似医师勾画ROI区域会参考相邻的切片,从而大大提高了分割精度。将改进的网络在LUNA16公开数据集上验证,实验表明,改进网络的Dice系数和均交并比(Mean Intersection over Union,MIo U)分别能达到85.56%、84.72%,相比UNet提升了5.97%、5.91%。其次,提出了一种改进DLR的肺结节CT良恶性分类方法。在深度特征提取部分,针对CT数据量小的问题,提出了基于迁移学习的深度特征提取方法。该方法通过预训练和微调策略,解决了神经网络需要大量数据训练的难题。在建模分析部分,针对单个模型的稳定性和泛化能力不足等问题,提出了模型集成的建模方法。该方法集成多个预测器,能够取长补短,提高了结果的稳定性和准确率。将改进的方法在LIDCIDRI公开数据集上验证,实验表明,分类指标AUC(Area Under Curve)和准确率分别达到了94.2%、92.5%,相比其它方法提高了2%以上,具有优秀的良恶性结节辨别能力。

关键词： CT图像卷积神经网络影像组学迁移学习医学图像分割良恶性分类

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

联合生成对抗网络的肺结节良恶性分类模型

仪器仪表学报 2020年第11期41卷 188-197页

作者：王桂棠林桢哲符秦沈王靖然卢国杰广东工业大学机电工程学院广州510000 佛山沧科智能科技有限公司佛山528225

针对传统的肺癌诊断方法存在误诊、错诊的情况,提出一种新的方法对肺结节CT图像进行良恶性分类,该方法联合了无监督学习的生成对抗网络与有监督学习的卷积神经网络。首先,利用生成对抗网络特性,提出融合DCGAN与WGAN-GP的生成对抗网络,... 详细信息

针对传统的肺癌诊断方法存在误诊、错诊的情况,提出一种新的方法对肺结节CT图像进行良恶性分类,该方法联合了无监督学习的生成对抗网络与有监督学习的卷积神经网络。首先,利用生成对抗网络特性,提出融合DCGAN与WGAN-GP的生成对抗网络,并使用渐进式的训练模式生成了清晰的图像作为扩充样本(1 000幅)。接着,与真实样本(1 400幅)输入至卷积神经网络中进行训练,使用真实样本(600幅)对模型进行测试。最终,该联合模型对肺部CT图像结节良恶性分类的准确率、敏感性、特异性与AUC值分别达到了96.5%、96.67%、96.33%与0.953,并设计相关的参照实验,验证了利用生成对抗网络的生成样本对提高肺结节良恶性分类模型能力的可行性与有效性。

关键词：生成对抗网络卷积神经网络肺结节良恶性分类

基于残差网络深度学习的肺部CT图像结节良恶性分类模型

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2020年第3期41卷 248-256页

作者：林桢哲王桂棠陈建强符秦沈广东工业大学机电工程学院广州510000 广州沧恒自动控制科技有限公司广州510000

计算机辅助肺结节良恶性诊断对肺癌的及时治疗具有重要意义。针对计算机辅助诊断系统中肺结节良恶性诊断准确率较低,误诊率、错诊率相对较高的现状,提出一种基于残差网络的肺结节良恶性分类模型。首先选择部分LIDC-IDRI的肺部CT图像(共... 详细信息

计算机辅助肺结节良恶性诊断对肺癌的及时治疗具有重要意义。针对计算机辅助诊断系统中肺结节良恶性诊断准确率较低,误诊率、错诊率相对较高的现状,提出一种基于残差网络的肺结节良恶性分类模型。首先选择部分LIDC-IDRI的肺部CT图像(共计10402幅)作为数据集,然后通过图像的水平翻转对数据进行扩增,再将图像转为单通道,并进行裁剪及归一化等处理,最后将数据分为训练集与测试集(7∶3),对所设计的残差网络(ResNet-26)进行训练与测试。完成训练后,测试得到肺结节良恶性分类准确率、敏感性及特异性分别为97.53%,97.91%及97.18%,计算得出AUC为0.958。通过对比,实验结果在各个指标均优于现存的其他多种方法,其分类结果可为医生的诊断提供较好的辅助参考。

关键词：深度学习残差网络肺结节良恶性分类卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于密集网络改进的肺结节良恶性分类模型

中国医学影像技术 2018年第7期34卷 1104-1109页

作者：戴垚均闫士举宋成利上海理工大学医疗器械与食品学院上海200093

目的探讨改进后的卷积神经网络模型对肺结节进行良恶性分类的准确率。方法以分类模型密集网络(DenseNet)为基础模型,采用中间密度投影方法将肺结节的三维信息输入卷积神经网络进行训练,并针对肺结节良恶性分类问题适应性改进神经网络结... 详细信息

目的探讨改进后的卷积神经网络模型对肺结节进行良恶性分类的准确率。方法以分类模型密集网络(DenseNet)为基础模型,采用中间密度投影方法将肺结节的三维信息输入卷积神经网络进行训练,并针对肺结节良恶性分类问题适应性改进神经网络结构,将传统损失函数Cross Entropy Loss替换为Focal Loss,使网络能着重学习难以分辨的肺结节。结果改进后神经网络模型对良恶性肺结节分类的准确率为89.93%,曲线下面积为0.947。结论适应性改进后的卷积神经网络模型判断良恶性肺结节准确率较高。

关键词：深度学习肺结节良恶性分类肺部图像数据库联盟

在线全文

学校读者我要写书评

暂无评论

基于多模型融合方法的肺结节良恶性分类

光电子．激光 2021年第4期32卷 389-394页

作者：郭峰黄冕刘利军黄青松昆明理工大学信息工程与自动化学院云南昆明650500 云南国土资源职业学院信息中心云南昆明650091 云南大学信息学院云南昆明652501 昆明理工大学云南省计算机技术应用重点实验室云南昆明650500

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意... 详细信息

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融合,用于得出良恶性分类结果。经过大量实验表明,这种多模型融合方法能很好地提取到肺结节在CT图像中的位置信息和自身的边缘特征,在LIDC数据集的基础上,该方法在准确率,敏感性,特异性分别达到了96.28%,96.72%,96.17%,相较于传统的网络模型取得了更好的分类效果。

关键词：肺结节注意力机制多模型良恶性分类

基于改进深度卷积对抗生成网络的肺结节良恶性分类

在线全文

学校读者我要写书评

暂无评论

计算机工程 2020年第12期46卷 262-269页

作者：李莉张浩洋乔璐东北林业大学软件工程系哈尔滨150000

为提高肺结节良恶性识别的准确率,构建改进深度卷积对抗生成网络(DCGAN)框架与半监督模糊C均值(FCM)聚类结合的SFDG肺结节良恶性识别模型。将带有良恶性等级标签的肺结节图像输入到DCGAN框架,使得只有来源分类能力的判别器网络同时具备... 详细信息

为提高肺结节良恶性识别的准确率,构建改进深度卷积对抗生成网络(DCGAN)框架与半监督模糊C均值(FCM)聚类结合的SFDG肺结节良恶性识别模型。将带有良恶性等级标签的肺结节图像输入到DCGAN框架,使得只有来源分类能力的判别器网络同时具备肺结节等级分类能力。在判别过程中运用半监督FCM聚类方法,对输入肺结节图像进行特征提取和量化,将输出的当前图像所属类别概率及判别结果与真实结果进行比较来调整网络参数。通过设定加权损失函数最大概率提高模型识别准确率,训练得出具有良好鲁棒性的网络模型。实验结果表明,改进模型的判别器网络具有良好的肺结节良恶性分类能力,准确率高达90.96%。

关键词：良恶性分类卷积神经网络特征量化深度卷积对抗生成网络半监督模糊C均值方法

在线全文

学校读者我要写书评

暂无评论

基于改进的卷积神经网络的肺结节良恶性分类

计算机工程与设计 2019年第7期40卷 2013-2018页

作者：刘咏江谢红薇刘爱媛张昊强彦太原理工大学信息与计算机学院山西太原030024 太原理工大学软件学院山西太原030024 山西大医院健康体检部山西太原030024

为提高肺结节良恶性分类的准确率,降低误诊率,提出一种基于改进的卷积神经网络的肺结节良恶性分类方法。采用多层感知器卷积层来提取肺结节特征;利用卷积层代替全连接层,减少网络参数,将提取到的特征输入至分类器进行分类;从网络深度、... 详细信息

为提高肺结节良恶性分类的准确率,降低误诊率,提出一种基于改进的卷积神经网络的肺结节良恶性分类方法。采用多层感知器卷积层来提取肺结节特征;利用卷积层代替全连接层,减少网络参数,将提取到的特征输入至分类器进行分类;从网络深度、参数优化算法、学习率衰减策略、激活函数4个方面分析对分类效果的影响,构建改进的卷积神经网络模型。在LIDC-IDRI数据集上的实验结果表明,该模型的准确率、敏感性、特异性和AUC值分别为95.5%、0.96、0.95和0.96,该方法比传统卷积神经网络有更高的分类准确率和低误诊率,取得了较好的分类效果。

关键词：卷积神经网络多层感知器卷积层卷积层肺结节良恶性分类