基于三维卷积神经网络模型的肺癌CT图像识别

基于三维卷积神经网络模型的肺癌CT图像识别肺癌长期威胁着人类的健康和生命安全,其发病率和死亡率在众多疾病中都排在前列,在我国甚至是世界上的其他许多国家都已经成为严重影响人类肺部健康的恶性疾病。随着计算机技术的发展,在肺癌诊断方面,计算机辅助诊断系统(computer aided diagnosis,CAD)已广泛应用于肺癌的早期筛查,它一般步骤通常包括图像的预处理过程、特征提取及图像处理等,而其主要的性能表现主要依赖于图像的预处理过程,是将病变或可疑组织从复杂的解剖背景中分割、显示出来,这个过程非常复杂且工作量巨大。

如何快速高效地对肺癌进行分类识别是目前的研究重点。为了克服传统方法中图像预处理过程复杂繁琐的问题,本文主要研究基于卷积神经网络方法的肺癌CT图像的分类识别,此方法主要有以下几种优点:(1)可省略图像数据前期复杂的预处理过程,直接将原始图像输入进卷积神经网络中进行分类识别;(2)针对肺部CT图像的三维立体特性,可构建一个三维卷积神经网络来进行特征提取,更符合图像本身的特性,能更好的抓取图像在第三维度上的相关特征;(3)Tensorflow 网络平台给卷积神经网络的实现提供了各种算法以及相关网络接口,还在2017年新发布了三维卷积、三维池化等相关网络函数,这都使得三维卷积神经网络的特征提取与训练评估等过程顺利实现。

本文利用Tensorflow学习框架来构建一个三维卷积神经网络模型,将其应用到肺癌CT扫描图像的诊断检测中去,主要研究工作如下:(1)本文详细论述了卷积神经网络的基本层级结构与各种算法,即卷积层、激活层、池化层、全连接层、Softmax层,以及模型的训练优化等等。(2)构建了一个三维卷积神经网络模型,来对肺癌图像数据进行学习分类。

一个卷积神经网络的良好运行离不开各式各样的参数与权值的相互作用,在所构建的三维卷积神经网络中,主要通过以下对几种因素的调整来对卷积神经网络的性能做一个提升,例如卷积层、池化层的数量,调整模型中的激活函数,使用不同的池化方法,变换不同的优化函数等方式,来进行一系列的仿真对比试验。实验结果表明,利用此网络模型对肺癌图片进行分析处理是行之有效的,并且合理选择参数能极大改善模型性能,提高分类准确率。

(2)构建一个二维卷积神经网络模型,选取合适的卷积层数、池化函数、激活函数、优化器,将此二维卷积神经网络模型应用到与三维卷积相同的数据集的分类识别中去,再与三维卷积神经网络的分类结果进行对比分析。发现采用二维卷积神经网络模型在提取特征时会削弱三维图像的重要特征而导致丢失关键信息,而利用三维卷积神经网络模型,能够更好地提取肺癌CT图像的特征,在三维立体图像的分类处理上有很强的优越性。