基于深度学习的肺结节检测技术的设计与研究
摘要
研究数据表明，肺癌的发病率在全球癌症中居首位。2015年，中国新增癌症病例430万例，其中肺癌约占20%。肺癌的早期发现可以有效提高患者的生存率。肺癌患者的平均5年生存率仅为10%左右。如果能及早发现肺癌，患者的5年生存率可提高到70%以上。早期肺癌在CT图像上常表现为肺结节，因此肺结节的检测一直是肺癌早期检测的重要组成部分。在一些发达国家，如日本和美国，建议高危人群每年进行常规体检，并进行低剂量螺旋CT扫描。但这会产生数以万计的 CT 图像，大大增加了放射科医师的负担。因此，利用计算机辅助医师检测和诊断肺结节一直是学术界的热门话题。以往的肺结节检测方法大多基于传统的机器学习，手工设计的特征提取，泛化性差，在灵敏度等指标上不满足临床医学应用的需求。近年来，深度学习在图像处理和自然语言处理领域取得了巨大的成功。受此启发，本文提出了一种基于U-Net的肺结节检测方法。 U-Net是一种具有encoder-decoder结构的卷积神经网络模型，常用于医学图像分割领域。它使用 2D 图像作为输入，在像素级别对图像进行分类。本文对其进行了改进，将输入改为3D图像，并添加了残差学习模块以提高其综合性能。肺结节的检测方法分为三个步骤。第一步是图像预处理，将原始CT图像中的数据转换为亨氏单位（HU）。第二步是肺实质分割，通过1-7值法和一些形态学操作，将肺与其他组织进行比较。分离并生成遮罩贴图。最后一步是训练一个3D U-Net模型检测肺结节，将第2步得到的图像分割成64x64x64小块，输入网络作为3D张量，提取特征，训练一个肺结节检测模型，最后输出结果。本文实验中使用的训练和测试数据是公开的在线数据集。数据集分为两部分，其中90%的数据用于训练，10%的数据用于检测。实验结果表明，本文提出的肺结节检测方法的灵敏度和平均误报数分别达到92.9%和4.87。优于传统的基于机器学习的肺结节检测方法，能够达到预期的效果。
关键字:肺结节，肺实质分割，U-Net，卷积神经网络，深度学习

目录
基于深度学习的肺结节检测技术的设计与研究 I
摘要 I
摘要 II
1 绪论 1
1.1研究背景与意义 1
1.1.1 研究背景 1
1.1.2 研究意义 3
1.2国内外研究现状 4
1.2.1国内研究现状 4
1.2.2国外研究现状 5
1.3 创新点 8
1.4 结构安排 10
2 相关理论 11
2.1 深度学习概述 11
2.2 卷积神经网络 17
2.3 肺结节数据集 20
2.3.1 LIDC-IDRI数据集 20
2.3.2LUNA 16数据集 23
3基于残差U-Net的肺结节检测模型与算法 25
3.1数据预处理 25
3.2 RU-Net网络结构设计 27
3.2.1 U-Net网络结构 27
3.2.2改进的网络结构 29
3.2.3改进的损失函数 31
3.3 3D CNN分类网络 32
3.4实验结果与分析 32
3.4.1实验细节 32
3.4.2评估指标 33
3.4.3实验结果 34
3.5本章小结 37
4基于多策略融合的肺结节检测模型与算法 37
4.1 R2AGU-Net设计 37
4.1.1循环残差卷积模块 38
4.1.2 R2AGU-Net设计融合的注意力门机制 39
4.1.3基于R2AGU-Net设计的损失函数 41
4.2 3D CNN分类网络 41
4.3 肺结节检测模型实验结果与分析 42
4.3.1肺结节检测模型数据增强 42
4.3.2 肺结节检测模型R2AGU-Net网络结构对比实验 42
4.3.3肺结节检测模型假阳性减少网络对比实验 45
4.4本章小结 46
5 基于深度学习的肺结节检测 46
5.1 图像读取 47
5.2 预处理 49
5.3 肺实质分割 52
5.4 基于卷积神经网络的肺结节检测 55
5.5 实验结果与分析 57
5.5.1实验数据集 57
5.5.2肺实质分割 58
5.5.3基于卷积神经网络的肺结节检测结果 60
5.5.4 肺结节检测方法的评价与比较 62
6 总结与展望 64
6.1 总结 64
6.2 展望 65
参考文献 65
题目：基于深度学习的肺结节检测技术的设计与研究 70

1 绪论
1.1研究背景与意义
1.1.1研究背景
肺癌，在世界范围内，它仍然是影响人类健康的最常见癌症之一。由于近年来经济的快速发展，环境恶化，特别是空气质量的下降，胃肠道癌症的发病率和发病率不断上升。根据2015年中国癌症统计分析，预计中国新增癌症病例429.2万例，癌症281.4万例，其中包括各类癌症，新增病种较多，见表1.1 下，死亡原因，肺癌的数量占比都排在第一位。
表1.1 2015年度中国常发型癌症统计表
癌症类型 男性新发病例
（万例） 女性新发病例
（万例） 男性死亡病例
（万例） 女性死亡病例
（万例）
大脑 52.3 49.3 35.8 25.2
乳腺 3.8 268.6 1.2 69.5
直肠 215.7 160.6 111.1 80.0
肝脏 343.7 122.3 310.3 158.7
食道 320.8 157.2 253.8 121.3
胃 477.7 201.4 339.3 158.7
肺 509.3 224.0 432.4 177.8

根据2016年美国癌症数据统计分析，在美国发现了大约 168.5 万新癌症和 596,000 癌症，癌症类型和大多数新癌症和感染如下表 1.2 所示。显示癌症病例为 158,000，而 2016 年美国死亡人数为 158,000 26%的癌症。肺结节是肺癌的早期表现，发生恶性结节导致癌症的风险很高。由于CT断层扫描的快速发展，CT扫描已成为分析肺结节最有效的数据形式。CT 技术使用 X 射线束扫描人体表面的层，检查者接收穿过特定层的 X 射线,再经过信号转换以及数字模拟转换。
表1.2 2016年度美国常发型癌症统计表
癌症类型 男性新发病例
（万例） 女性新发病例
（万例） 男性死亡病例
（万例） 女性死亡病例
（万例）
肺脏 2.8 2.3 1.8 0.9
结肠 7.1 6.4 2.6 2.4
前列腺 18.1 - 2.6 -
乳腺 - 24.6 - 4.0
肺 11.8 10.6 8.6 7.2

图1.1孤立型的肺结节

图1.2 与组织相连的肺结节
按照位置来区分，肺结节可以分为孤立性肺结节和与组织相连的肺结节。一个孤立的肺结节如图 1.1 所示，被红线包围的肺组织是肺结节区域。大多数与组织相连的神经结节可分为血链型和血链型。孤立的肺结节更容易看到和解剖，但与组织相连的肺结节更难看到、分离或识别。例如，对于分割操作，很难确定潜在结节和组织之间的区域，因为这些区域的密度值和纹理特征非常相似，而那些结节的分离也非常相似。肺往往是只需要世界。可以区分结构特征。磨玻璃肺结节密度值与肺实质相似，变异性小，缺乏纹理特征。图1.3展示就是毛玻璃型的肺结节。

图1.3 毛玻璃型的肺结节
通过对以上内容的总结，我们发现以下几点： 1.首先，多种癌症已经在全球蔓延，而且今年趋势有所增加。 但在中国，这两个测量值排在第一排。 2.其次，肺结节是炎症性肠病发病时最常见的表现。 肺结节的发展也会带来大量的数据和工作量。 3.最后，肺部CT图像中结节的大小与肺实质相比非常小，形态各异，因此医生花费大量时间寻找和检查肺结节，且强度大. 事实上，结缔组织肺结节和玻璃磨肺结节的诊断非常具有挑战性。有必要应用自动化计算机辅助系统从肺部CT图像中快速准确地检测和分析肺结节。
1.1.2研究意义
根据2014年世界癌症报告，长期以来，肺癌一直是世界上每年最常见的癌症。由于吸烟、雾霾等问题，中国有大量肺癌患者。 CT 图像的获得并显着降低肺癌的风险。增加电脑压力。致力于打造一套系统化的临床应用工具，帮助放射科医师检测肺结节，防止肺结节消失，减轻医师工作量。以这种方式，但仍缺乏临床上可以理解的辅助肺结节检测方法。特殊应用点汇集医学照片和深入研究，利用深度学习的方法来检测肺结节。
1.2国内外研究现状
1.2.1国内研究现状
一方面，随着cT成像技术的发展，CT扫描已成为临床上诊断肺结节疾病的重要数据手段。另一方面，由于计算机计算能力的显着提高和硬件资源的低消耗，使用计算机处理不同类型的数据已成为世界各个方面的统一特征。目前，在肺部CT图像上与研究肺结节疾病相关的任务都是计算机处理的，包括成像、测量、辐射分离和一些处理系统。本节展示了智能处理系统的研究力量，包括肺结节智能检测系统、肺结节智能分类系统和肺结节智能诊断系统。医学影像由一小部分图像组成 过去，肺部CT图像的处理使用了大多数图像处理的基本方法，包括图像的各种函数、形态函数和衍生自这些方法的算法类型。随着模型识别技术的发展，研究人员开始尝试将模型信号变化应用到医学成像空间中。这些方法可以分为两类，一类基于传统机器学习技术，另一类基于深入研究。 国内外基于传统机器学习方法分析潜在结节的典型任务如下，包括三个部分：检测、分类和属性分类或肺结节。北京交通大学的李庆玲使用了基于聚合算法的系统，其特征在于检测肺结节，首先去除肺实质区域，然后使用手术刀.FCM 关节将肺实质划分为具有前肺结节的背景区域.最后，将屏幕面积、平均灰度值、灰度对比度、密度和图像质量等特征提交给说话者进行判别。浙江大学的刘晓娜也使用了19种常用的肺结节鉴别方法，最终达到84.33%。南华大学谭力的输入阈值法、Hessian矩阵、手持分类法，旨在检测CT图像中的肺结节。东北大学孙申申提出基于向量机集成优化和支持的新特征和肺结节检测框架，最终达到80.9%的检测率，平均每个CT系列有1.5个假阳性。大多数传统的肺结节划分算法工作在阈值法、形态调制、局部生长、Hessian 矩阵和与电模型相关的条件下。提出了一种基于阈值法和形态学操作的分离模型来分离结节病变区域。基于 3D Hessian 矩阵的分离算法可以直接处理 3D CT 图像以分离 3D 结节区域。对于与血管相连的肺结节，采用基于电模型和几何距离的分离算法对此类肺结节进行分离，效果满意。或者纹理标记，然后根据分离结果使用形态学函数，或者使用局部生长算法根据纹理标记产生更准确的结果，然后使用一些Action模型和随机场算法来准备最终的分离结果。这些联合方法分离肺结节的准确度达到接近0.68的D1C2指数。总结以上研究工作，可以发现该类方法虽然也取得了不错的效果。
国内外已有的基于深度学习算法分析肺结节的研究工作如下所述，还侧重于肺结节的检测、分割和诊断三个方面。另一项研究还使用 2D CNN 模型来预测软性和恶性肺结节，准确率为 83.35%。 2D CNN 算法使用 9 个肺结节小图像拍摄的多视觉数据来确定中心信号是否是由于疾病的位置，然后使用样本来区分局部肺结节。考虑到CT扫描前后图像的关系，采用了几种方法 2. SD CNN检测肺结节。一种基于卷积神经网络和循环神经网络（RNN）的技术，首先使用 2D CNN 对连续图像进行定形，然后将这些向量结合到 RNN 中来研究空间数据，最终达到 90.6%。每个案例平均有 3.5 个误报。另一种是使用RCNN快速框架检测肺结节，但包含三个连续切片，用于在中间基础上检测肺结节。此外，本质上使用上下文信息的 CNN 2D 模型用于从其他假阳性样本中识别肺结节，从而降低 CD 系统的假阳性率。在深入研究的基础上总结上面的典型研究工作，发现这种机制是基于卷积神经网络的，而卷积神经网络中的计算可以通过GPU计算加速，所以这种类型的根据临床需要，算法可以与许多其他块进行比较。这类算法可以从大范围的医学图像中自动学习高级手绘特征，非常适合手工制作特征。该项目的主要目的是改善现状。考虑到肺结节的三维形状，我们使用 CNN 3D 来拍摄 3D 图像 , 并且根据实际问题设计合适的损失函数来优化这些3D模型。
1.2.2国外研究现状
早在20世纪60年代，这个想法是使用计算机来帮助医生检查专家提出的症状。计算机辅助设计 (CAD) 系统应具有两个组件：搜索（检测，CADe）和模拟（计算，CADx）。有候选肺结节，例如使用的替代方法弗里德曼等人。使用该方法，候选人的脏结节通过各种多幅图像进行检查。但基于传统机器学习的肺结节检测方法存在一些不足。有用的特征是肺结节检测和诊断的关键，因此提取算法阶段的设计将对方法学产生重大影响。随着深入研究的到来，这种情况会有所好转。深度学习并不是一个新领域，之前也经历过三起起伏。在不同的时间给出了不同的名称，其中大部分已不再使用。 1940 年代和 1960 年代出现的控制论是深度学习的雏形，但由于这些模型非常简单，无法通过“异或”函数进行研究。此外，当时的计算机计算能力非常小，无法满足大容量运算的计算需求。在 1960 年代后期，对神经网络的研究进入了它的第一阶段。直到 1980 年代才开始出现趋势。深度学习是一种表征学习，多板无线网络几乎可以处理任何复杂的任务。通过不断优化每一层的参数，计算机可以自动学习形状提取，去除底层软区域的特征，去除顶层抽象世界的特征，从而替代传统的机器学习模式和功能由专家手动获取。 医学界也开始学习如何将深入研究与现代医学相结合。根据2017年初的综述统计，如图1.4（a）所示，近年来与医学影像深度研究相关的论文数量有明显增长。 2014年及更早的时候，医学影像方面的专家很少进行深入研究，但到了2015年，这种情况发生了变化，越来越多的论文开始使用深度研究来研究医学影像，涵盖了医学影像的多种关键研究途径（如图1.5 b、c）。

图1.4 (a) 2012-2017年2月深度学习相关医学图像论文发表数量

图1.4(b)按图像种类进行划分的深度学习相关医学图像论文发表数

图1.4©按研究对象进行划分的深度学习相关医学图像论文发表数
图1.4 医学图像领域深度学习相关论文的发表情况(包括图a,b,c)
1.3 创新点

在本文中，提出了一个肺结节自动检测识别方法。如下图1.5所示的检测方法流程图，主要涉及三个部分。肺结节的动态检测方法可以帮助患者发现恶性肺结节，减少疾病丢失和错误的机会 , 提前预防癌症的发生。

图1.5 基于深度学习的肺结节检测方法流程图
本文主要研究使用基于深度学习的方法解决肺结节的区域检测问题和良恶性分类间题，主要的工作内容如下:
1.提出一种自适应的闽值调整策略进行胸部医学影像的图像二值化，数据处理的主要功能是肺实质解剖。
2.提出一种基于U型神经网络(Unet),网络信号块的状态采用互连的方法进行设计，使模型可以提高网络减速的效率，提高网络性能一个训练区域更多用于训练。
3.提出一种基于残差连接的肺结节良恶性分类模型(RCN)。在多个网络层的深度，卷积可以在不同的分辨率下获取更好的特征。 它具有提取深度网络特征的能力，可以提取高提取和信号强度的高质量数据。 但是有一个很大的错误，即：如果深度增加，梯度丢失，梯度爆炸，训练速度变慢。 RCN网络采用直连平衡的思想，让网络可以访问其余部分，从而将梯度损失或梯度突发的影响降到最低，从而使训练好的网络更加准确 。
1.4 结构安排
本文的章节结构一个分为7个章节进行肺结节检测方法的阐述。
第一章，绪论，介绍了本文的研究工作和背景的重要性，阐述了国内外研究医学影像数据的方法，包括非网络方法、人工特征提取的神经传统和当前深度.神经网络，并简要介绍了两个结节搜索竞赛的解决方案。通过对多种方法和问题的调查，本文的研究结果得到了考虑。
第二章概述了相关概念，概述了医学影像领域的数据整合，然后重点介绍了关键的研究课题和技术。这些基本技术是本文测试方法的基础，包括概述、历史深入研究的发展和主流。
第三章主要介绍肺结节检测方法的数据预处理过程。本章介绍了肺实质分离和数据增强空间在肺结节和处理中的作用，重点介绍了通过自适应阈值校正策略进行成像回收的过程。它通过数据测序和数据放大的预处理，有助于提高肺结节检测操作的性能。
第四章深入研究了肺结节区域的检测模型。本章重点介绍 3D-DenseUnet 肺结节检测模型。通过第 3 章中的数据处理程序，处理后的数据用于使用 3D-DenseUnet 网络架构检测肺结节位置。 3D-DenseUnet的基本结构单元是使用密度连接方法创建的Encoder Block和Decoding Block。目的是优化网络结构，让网络看到一些atu结节。
第五章在深入研究的基础上，专门考察了轻、恶性肺结节的分类模式。肺结节自动检测后，形成多个候选肺结节，这些候选肺结节必须归为一类，才能检测出恶性肺结节。
第六章深入探讨了肺结节自动诊断系统的设计和实现。通过数据采集、处理、恶性分类，“上述算法用于检测肺结节，然后将诊断结果可视化呈现，从而帮助医生进行肺结节检测。”
第 7 章总结了本文的研究，阐述了检测过程中的挑战以及对临床影像学领域深入研究发展的期望。

2 相关理论
2.1 深度学习概述
深度学习从属于机器学习(Machine Learning)，机器学习是应用知识的一个分支。因此，专家们开始试验这种方法，称之为“学位课程”（degree course）。。包含原始数据后，深入学习逐层取原始数据层，将软区域的特征研究到底层，将底层的复杂抽象特征研究得更高，得到操作所需的形状。完成形状提取后，深度学习再次将模型研究纳入自己的框架，直接完成从形状到功能目标的映射，图2.1展示了深度学习和传统机器学习间的差异。