基于深度卷积对扩生成网络的肺结节分类和分割方法
肺癌是对人们生命造成威胁最大的癌症，如果可以在肺癌早期就将其诊断出来，那么它对我们生命的威胁就大大降低。然而在实际的CT影像中，肺部会存在血管、气管、钙化点等对肺结节检测产生干扰的假阳性样本，导致检测结果较差。针对这些问题，本文展开了以下工作: (1)提出了一种使用深度卷积对抗生成网络(DCGAN)进行数据生成的肺结节分类方法。针对假阳性率高、肺结节数据少等问题，我们采用DCGAN来替代传统的数据增强方法。与传统的图形学数据增强方法相比，本文方法生成的肺结节图像具有新的特征，可以提高肺结节分类器的判别能力。最终在肺结节分类的精确率、召回率和F1分数等评估指标上，能够得到99.88％、99.15％和99.55％的良好效果。 (2)在使用深度卷积对抗生成网络进行数据生成的基础上，提出了一种深度高分辨率网络与对象上下文方法结合的肺结节分割方法。针对现阶段基于FCN的大部分语义分割网络存在分辨率低，上下文信息缺失的问题，高分辨率网络通过改变以往先进行卷积降低图像分辨率，后面通过反卷积或上采样来将图像恢复到高分辨率的方法来提高分辨率。对象上下文方法通过特征图像得到粗略分割图，然后根据这个粗略分割结果得到对象上下文信息。深度卷积对抗生成网络生成的图像进行数据扩增，通过扩增后的数据去训练分割网络，来解决过拟合问题。本方法在分割结果指标上得到了显著提升，取得了92.4％的dice系数和87.9％的mIoU分数。 本文提出了新的肺结节分类与分割方法，且取得较好的分类与分割效果。同时我们通过肺结节检测方法的研究，多个实验的验证，为小数据样本和数据不平衡的数据提供了一个新的可行的数据增强方法，具有较好的参考价值和现实意义。
肺结节分类;图像处理;深度卷积对抗生成网络;数据生成;对象上下文方法
北京化工大学
硕士
计算机技术
高敬阳;赵地
2021
中文
TP391.41
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）