基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)區(qū)域分割研究

《基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)區(qū)域分割研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、分類號(hào)：TP311.5單位代碼：10183研究生學(xué)號(hào)：2015544033密級(jí)：公開吉林大學(xué)碩士學(xué)位論文（專業(yè)學(xué)位）基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)區(qū)域分割研究ResearchonPulmonaryNoduleSegmentationBasedonConvolutionNeuralNetwork作者姓名：李明達(dá)類別：工程碩士領(lǐng)域（方向）：軟件工程指導(dǎo)教師：車翔玖教授培養(yǎng)單位：軟件學(xué)院2018年6月基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)區(qū)域分割研究ResearchonPulmonaryNoduleSegmentationBa

2、sedonConvolutionNeuralNetwork作者姓名：李明達(dá)領(lǐng)域（方向）：軟件工程指導(dǎo)教師：車翔玖教授學(xué)位類別：工程碩士答辯日期：2018年6月2日未經(jīng)本論文作者的書面授權(quán)，依法收存和保管本論文書面版本、電子版本的任何單位和個(gè)人，均不得對(duì)本論文的全部或部分內(nèi)容進(jìn)行任何形式的復(fù)制、修改、發(fā)行、出租、改編等有礙作者著作權(quán)的商業(yè)性使用（但純學(xué)術(shù)性使用不在此限）。否則，應(yīng)承擔(dān)侵權(quán)的法律責(zé)任。吉林大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的碩士學(xué)位論文，是本人在指導(dǎo)教師

3、的指導(dǎo)下。除文中己經(jīng)注明引用的內(nèi)容，獨(dú)立進(jìn)行研宄工作所取得的成果夕卜，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的作品成果。對(duì)本文的研宄做出重要貢獻(xiàn)的個(gè)人和集體，均己在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)Ｄ學(xué)位論文作者簽名：曰期：２０１８年《月３曰摘要基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)區(qū)域分割研究近年來(lái)，肺癌的致死率逐年上升，對(duì)肺部疾病的早期預(yù)防顯得尤為重要。而肺結(jié)節(jié)作為肺癌的早期主要征象之一，針對(duì)肺部結(jié)節(jié)的檢測(cè)成為預(yù)防肺癌的首選方案。醫(yī)學(xué)圖像作為計(jì)算機(jī)輔

4、助醫(yī)療的重要媒介，承載豐富的診療信息，在醫(yī)學(xué)研究和診斷領(lǐng)域中的作用日益凸顯。其中，CT圖像是以非侵入的方式取得內(nèi)部組織影像，屬于非可見光重建成像，透視能力更佳，且因其檢查方便、結(jié)構(gòu)顯示清晰等特點(diǎn)，成為醫(yī)生診斷病癥、評(píng)估療效的重要工具。為有效提高肺癌的診療效果，從肺部CT圖像中將肺結(jié)節(jié)精準(zhǔn)地分離出來(lái)對(duì)肺癌的評(píng)估及診斷大有助益。如何高效提取圖像特征、準(zhǔn)確識(shí)別病灶具有重要的研究?jī)r(jià)值。針對(duì)CT圖像進(jìn)行肺結(jié)節(jié)的分割識(shí)別已經(jīng)成為研究的熱點(diǎn)，但由于CT圖像灰度不均勻、邊界模糊不清等問題，傳統(tǒng)的分割方法雖然可以分割出

5、結(jié)節(jié)的輪廓邊界，但過分割現(xiàn)象嚴(yán)重，分割準(zhǔn)確率不夠理想。卷積神經(jīng)網(wǎng)絡(luò)的多層結(jié)構(gòu)能夠提取高質(zhì)量的特征，其中較淺的卷積層學(xué)習(xí)局部區(qū)域的特征，較深層次的卷積層學(xué)習(xí)一些抽象的特征，這些抽象特征對(duì)物體的大小、位置、和方向等敏感性更低，從而有助于分割性能的提高。然而，具有合理標(biāo)簽的醫(yī)學(xué)成像數(shù)據(jù)量較少，導(dǎo)致很難使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像直接進(jìn)行訓(xùn)練。針對(duì)以上問題，本文提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行遷移學(xué)習(xí)的肺部結(jié)節(jié)自動(dòng)分割方法，該方法利用自然圖像訓(xùn)練得到的權(quán)重參數(shù)初始化網(wǎng)絡(luò)，經(jīng)過簡(jiǎn)單的參數(shù)微調(diào)后進(jìn)行肺部CT圖像

6、的分割，不僅縮短了訓(xùn)練時(shí)間，還有效解決了數(shù)據(jù)較少的問題。具體地，本文首先在自然數(shù)據(jù)集上對(duì)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，并從預(yù)訓(xùn)練中得到權(quán)重信息。然后對(duì)醫(yī)學(xué)圖像數(shù)據(jù)集進(jìn)行對(duì)應(yīng)標(biāo)簽制作，同時(shí)，由于全卷積神經(jīng)網(wǎng)絡(luò)不限制輸入圖像的尺寸，可進(jìn)行數(shù)據(jù)增強(qiáng)操作，增加圖像數(shù)量的同時(shí)還可以達(dá)到增強(qiáng)圖像數(shù)據(jù)多樣性的效果。最后將得到的權(quán)重作為待微調(diào)網(wǎng)絡(luò)的初始值微調(diào)網(wǎng)絡(luò)后進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后，保存訓(xùn)練模型。將測(cè)試集中的圖像放入訓(xùn)練過的FCN中即可得到最終的分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，通過基于遷移學(xué)習(xí)的全卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)所獲得的特征更有

7、利于肺結(jié)節(jié)的分割，分割I(lǐng)結(jié)果優(yōu)于傳統(tǒng)水平集和GraphCut分割方法，具有較高的準(zhǔn)確性。關(guān)鍵詞：肺結(jié)節(jié)分割，卷積神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)，圖像分割，CT圖像IIAbstractResearchonPulmonaryNoduleSegmentationBasedonConvolutionNeuralNetworkInrecentyears,themortalityrateoflungcancerhasincreasedyearbyyear,anditisparticularlyimportantforthee

8、arlypreventionoflungdiseases.Pulmonarynodulesareoneofthemainsignsofearlylungcancer.Thedetectionofpulmonarynodulesbecomesthebestwaytopreventlungcancer.Asanimportantmediumforcomputer-aidedtreatment,medicalimagescarryabundantinforma