关键词:
肺癌
肺结点
Unet
3DCNN
数字图像处理
摘要:
肺癌是全世界死亡率最高的癌症之一,使用图像处理技术去研究肺癌诊断有很重要的现实意义。传统的方法是基于肺部CT图像分割,人工肉眼查看肺部CT进行诊断检测。近年来图像处理技术广泛应用于肺癌识别,尤其是深度学习的不断发展,利用深度学习自动识别肺癌将为放射科医生节省大量时间、诊断更加经济实惠。通常检测肺癌的通用方法是先对肺部分割,接下来特征检测识别。本文针对肺部CT图像分割、识别中肺结点区域类型结构复杂多变等存在的一些难点,结合了最近的深度学习技术,研究了 Unet分割和3DCNN识别的相关技术可行性,并进行了工程实现。本文的主要工作包括:(1)本文对Unet网络结构进行了研究,相比其他深度学习模型,Unet模型结构简单,参数量较小,分割速度快而且具有非常好的泛化性能,对许多不同的数据集分割准确度较高。本文在上述研究基础上,对基于Unet的肺结点分割进行了工程实现。主要由数据集读取模块、Unet分割算法模块、交互事件模块、以及结果显示模块四个模块组成;首先使用临床扫描肺部CT图像对前述工程实现进行了实验验证和测试分析,引入准确度ACC和IoU对分割结果进行了质量评估,结果表明深度学习无论在ACC还是IoU上均比机器学习算法更优,针对获取数据集时,因机器的拍摄位置及边缘造成灰度模糊、噪声冗余度高、像素变化范围较大的问题,设计实现了通过加入滤波器滤波和数据修正对数据进行预处理,增强图像的清晰度和对比度。(2)本文对3DCNN网络结构进行了研究,三维卷积相比二维卷积更高效的自动抽取三维图像特征信息,这些信息更好的表征三维的空间特性和纹理特性。本文在上述研究基础上对3DCNN的肺癌检测进行工程实现,主要由数据集读取模块、识别算法模块、交互事件模块、以及结果显示模块四个模块组成;使用肺部CT图像对前述工程实现进行了实验验证和测试分析,结果表明在肺结节三维维图像良恶性分类过程中,3DCNN取得很好的结果,良好的特异性意味着在相同的数据集里可以检测到更多的恶性肺结节,引入FROC对本文的3D CNN模型在数据集肺结节中针对假阳性进行评估,结合形态学和模式识别领域,对肺癌进行检测。