论文部分内容阅读
目前,肺癌已经成为世界上发病率和死亡率最高的疾病。患者一旦被确诊为肺癌,往往已经处于肺癌晚期,晚期肺癌患者的五年存活率很低。因此,对肺癌患者做到早发现、早诊断、早治疗是至关重要的。肺癌的早期症状在医学图像上以肺结节的形式表现,准确的检测出肺结节并判断其良恶性对于预防和治疗肺癌具有重要意义。本文以肺部CT医学图像公共数据集LIDC-IDRI为研究对象,针对基于卷积神经网络的肺结节检测方法中,需要对肺部CT图像进行分割处理的问题,研究基于目标检测算法Faster R-CNN的肺结节检测方法;针对良恶性肺结节分类诊断中数据集存在的类别不平衡问题,研究基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Network,DCGAN)的良恶性肺结节不平衡数据的处理方法,论文的主要研究内容如下:(1)本文将目标检测算法中经典的Faster R-CNN算法作为基础的检测算法,针对该算法用于肺部CT医学图像检测中存在的参数冗余和平均精度低的问题,对特征提取网络和候选区域分别进行改进,通过优化特征提取网络的参数以及引入Inside Net网络,减少网络结构的参数,提高肺结节检测的平均精度。通过仿真分析对比得到,在检测时间相近的条件下,改进的Faster R-CNN算法检测的平均精度达到了86.15%,相比原始的Faster R-CNN算法提高了6.05%。(2)针对公共数据集LIDC-IDRI中良恶性肺结节类别数量不平衡的问题,采用数据增强的方法增加样本数据量,改变数据集的分布。将传统数据增强方法(仿射变换)与DCGAN相结合,在利用传统方法扩大原始数据集的基础上,使用DCGAN从样本图像中隐式地学习数据分布,生成新的具有相似特征的肺结节图像数据,从而完成数据增强,改变数据集的不平衡分布,最终在基于残差网络的卷积神经网络模型上对良恶性肺结节进行分类。相比较传统数据增强方法,本文方法的分类敏感性和特异性分别提高了13.17%和12.42%。