肺結節(jié)檢測機器視覺技術

第1章肺結節(jié)檢測與深度學習001
1.1肺結節(jié)檢測的背景與發(fā)展現狀001
1.2CAD系統研究現狀004
1.2.1肺實質分割算法研究005
1.2.2肺結節(jié)檢測算法研究008
1.3深度卷積神經網絡009
1.3.1深度卷積神經網絡的發(fā)展009
1.3.2卷積神經網絡的結構010
參考文獻013

第2章肺結節(jié)檢測原理與技術015
2.1醫(yī)學影像知識015
2.1.1計算機斷層掃描技術015
2.1.2肺結節(jié)的醫(yī)學影像特征018
2.2肺結節(jié)檢測評價指標020
2.2.1真/假陽性率020
2.2.2競爭性能指標022
2.2.3自由響應操作特性曲線022
2.3深度學習方法與傳統檢測方法的優(yōu)劣勢023
2.4現有檢測技術介紹025
2.4.1多流框架學習025
2.4.2遷移學習026
2.4.3無/半/自監(jiān)督學習027
2.4.4多任務學習029
2.5常用數據集030
參考文獻034

第3章基于目標檢測的U-Net構建與肺結節(jié)候選檢測036
3.1肺實質分割037
3.1.1圖像預處理037
3.1.2肺實質初定位039
3.1.3肺實質輪廓修補039
3.1.4灰度值歸一化042
3.2數據預處理與增強043
3.2.1圖像裁剪043
3.2.2數據增強044
3.3R2U-Net網絡構建045
3.3.1U-Net框架修正045
3.3.2ResNet殘差單元047
3.3.3RPN網絡的anchor機制049
3.3.4R2U-Net網絡050
3.4模型性能優(yōu)化051
3.4.1損失優(yōu)化051
3.4.2難分類樣本挖掘052
3.4.3非極大值抑制053
3.4.4K-折交叉驗證054
3.5實驗設置與結果分析056
3.5.1實驗設置056
3.5.2結果分析056
參考文獻061

第4章基于多流多尺度融合的U-Net構建與肺結節(jié)候選檢測063
4.1R2 U-Net網絡框架優(yōu)化064
4.1.1多尺度輸入融合算法064
4.1.2多流輸出融合算法065
4.1.3非線性卷積模塊066
4.1.4MS2 U-Net網絡介紹067
4.2非極大值抑制改進算法068
4.3實驗結果與分析069
4.3.1實驗設置069
4.3.2結果分析070
參考文獻080

第5章注意力機制與特征金字塔與肺結節(jié)候選檢測082
5.1基于通道-空間注意力機制的網絡設計083
5.1.1U-Net網絡結構 083
5.1.2U-SENet網絡構建085
5.2U-SENet網絡應用于候選肺結節(jié)檢測086
5.2.1數據增強086
5.2.2優(yōu)化損失函數087
5.2.3通道-空間注意力機制介紹088
5.2.4權重初始化091
5.3特征金字塔網絡結構092
5.4特征金字塔網絡應用于目標檢測095
5.5多尺度3D特征金字塔網絡及肺結節(jié)檢測098
5.6實驗結果與分析100
5.6.1U-SENet實驗結果與分析101
5.6.2MFDM實驗結果與分析102
參考文獻104

第6章3D全卷積網絡設計與肺結節(jié)精檢測106
6.13D全卷積網絡107
6.1.1C3D網絡107
6.1.2FC-C3D網絡111
6.2模型性能分析與改進114
6.2.1測試數據114
6.2.2損失函數優(yōu)化119
6.2.3模型融合121
6.2.4模型訓練125
6.3實驗結果分析127
6.3.13種實驗方法對比127
6.3.2融合方法對比128
6.3.3與其他方法對比131
參考文獻133

第7章多模型融合應用于肺結節(jié)精檢測135
7.1多模型肺結節(jié)檢測融合135
7.1.1Conv3DNet135
7.1.2Inception3DNet138
7.1.3RD3DNet140
7.1.4損失函數優(yōu)化143
7.1.5模型融合145
7.2肺結節(jié)精檢測實驗與分析148
7.2.1正負樣本平衡148
7.2.2訓練過程149
7.2.3實驗結果對比與分析150
參考文獻155

第8章肺結節(jié)CAD檢測系統設計156
8.1需求分析156
8.2結構及功能設計157
8.3功能性測試159
8.3.1登錄功能測試160
8.3.2讀取文件功能與查看原圖功能測試161
8.3.3肺部分割顯示功能測試161
8.3.4結節(jié)檢測顯示功能測試162
8.3.5結果顯示功能測試164
8.3.6診斷意見輸入功能164