论文总字数：36333字

摘 要

肺癌是世界关注的一个健康问题，肺癌的早期表现是肺内存在直径小于30mm的圆形或者不规则的结节，肺结节的检测对肺癌的诊断和早期治疗具有重要的意义。CT作为最敏感的医学影像成像方式，成本低而且广泛可用，研究表明，使用CT图像作为诊断的依据可有效增加患者的存活率。目前，得益于卷积神经网络特有的特征学习能力，基于深度学习的目标检测技术正逐渐趋于成熟。鉴于此，本文将基于深度学习的目标检测技术用于CT图像中的肺结节检测。本文的主要工作有：

(1)提出了一种基于改进的Faster R-CNN肺结节检测卷积神经网络结构，利用该网络在二维CT图像中快速检测出尽可能多的可疑肺结节。再利用CT切片中可以肺结节处的三维上下文信息筛选出真正的肺结节。首先，对原始三维CT图像进行预处理，为了让二维图像尽可能的包含三维CT信息，我们将每张CT切片和左右相邻的两张切片合并成一个三通道的图像。其次，为了使Faster R-CNN网络适用于肺结节这样的小目标检测，我们改进了Faster R-CNN中RPN层的网络结构。最后，通过一个三维卷积神经网络剔除二维Faster R-CNN网络检测到的假阳性结节。

(2) 基于二维的Faster R-CNN网络结构，实现了一种全三维的Faster R-CNN结构进行三维CT图像中的肺结节检测，对比二维的两阶段检测网络结构，三维Faster R-CNN可以充分考虑CT图像中更多的三维上下文信息，只需要一个检测阶段就可以得到很好的效果。

关键词：肺结节，CT图像，深度学习，目标检测，神经网络

Abstract

Lung cancer is a health problem concerned by the world. The early manifestation of lung cancer is the existence of circular or irregular nodules with a diameter of less than 30mm in the lung. The detection of pulmonary nodules is of great significance for the diagnosis and early treatment of lung cancer. As the most sensitive medical imaging method, CT is low-cost and widely available. Studies have shown that the use of CT images as the basis of diagnosis can effectively increase the survival rate of patients. Recently, thanks to the special learning ability of convolutional neural network, object detection technology based on deep learning is gradually becoming mature. In view of this, this paper applies the deep learning-based object detection technology to the detection of pulmonary nodules in CT images. The main work of this paper are as follows:

(1) This paper proposed a method based on improved Faster R-CNN which can detect the suspicious of pulmonary nodules in two-dimensional CT images, then a three-dimensional convolution neural network is used to reduce false positives nodules, further improve the detection accuracy. First, the original three-dimensional CT image was preprocessed. In order to make the two-dimensional images contain three-dimensional information as much as possible, each CT slice and the two adjacent slices were merged into a three-channel image. Secondly, in order to make Faster R-CNN network suitable for the detection of small targets such as pulmonary nodule, we improved the network structure of RPN layer in Faster R-CNN Finally, false positive nodules detected by two-dimensional Faster R-CNN network were removed by a three-dimensional convolutional neural network.

(2) Based on the two-dimensional Faster R-CNN network structure, this paper also implemented a fully three-dimensional Faster R-CNN structure for pulmonary nodules detection in three-dimensional CT images. Compared with the two-dimensional two-stage detection network structure, three-dimensional Faster R-CNN architecture can consider more three-dimensional information, so a good effect can be obtained by only one detection stage.

KEY WORDS: pulmonary nodule, CT images, deep learning, object detection, neural network

目 录

摘 要 IV

Abstract V

第一章 绪论 3

1.1 研究背景和意义 3

1.2 国内外研究现状 4

1.3 本文研究内容 6

1.4 本文的结构 6

第二章 基于卷积神经网络的目标检测 8

2.1 引言 8

2.2 卷积神经网络 8

2.3 基于卷积神经网络的目标检测 9

2.3.1 R-CNN 10

2.3.2 SPP-NET 11

2.3.3 Faster R-CNN 11

2.3.4 Faster R-CNN 12

2.4 本章小结 14

第三章 基于改进Faster R-CNN的肺结节检测 15

3.1 引言 15

3.2 候选结节生成网络 15

3.2.1 原始Faster R-CNN检测框架 15

3.2.2 反卷积层 16

3.2.3 检测小目标的RPN网络 16

3.2.4 基于改进Faster R-CNN的候选肺结节生成框架 17

3.3 基于三维卷积神经网络的假阳性剔除 18

3.4 小结 19

第四章 基于全三维Faster R-CNN的肺结节检测 20

4.1 引言 20

4.2 网络结构 20

4.2.1 DPN结构 20

4.2.2 基于DPN的三维Faster R-CNN网络结构 21

4.3 损失函数 22

4.4 本章小结 22

第五章 实验结果及分析 23

5.1 数据集介绍 23

5.1.1 数据集 23

5.1.2 数据格式 24

5.2 检测评价指标 25

5.3 基于改进Faster R-CNN的肺结节检测结果 25

5.3.1 数据预处理 25

5.3.2 数据标注 27

5.3.3 数据增强 27

5.3.4 训练过程和测试结果 28

5.3.5 假阳性剔除网络的训练结果 30

5.4 基于全三维Faster R-CNN的肺结节检测结果 31

5.4.1 数据预处理 31

5.4.2 训练过程和测试结果 31

第六章 讨论和总结 34

参考文献 35

致 谢 37

绪论

研究背景和意义

肺结节的检测对于肺癌来说具有重要意义，不论是早期诊断还是治疗，进行菲姐姐的检测可以提高患者生存率。癌症目前是全球都在关注的一个的公共医疗健康问题。肺癌是中国男性和女性死于癌症的主要原因，发病率和死亡率最高。美国癌症协会还估计，2018年美国肺癌病例和死亡人数将在持续新增。癌症的5年生存率在10%到16%之间，因为大约70%的患者在被诊断为晚期癌症的情况下没有得到有效治疗。但是，只要癌症在早期被诊断出来，5年生存率可以增加到52%。

剩余内容已隐藏，请支付后下载全文，论文总字数：36333字