基于深度学习的X光胸片肺结节识别系统研究

The purpose of this project is to develop a deep learning based lung nodule detection system. Fully Convolutional Network (FCN) and Convolutional Neural Network (CNN) are employed to achieve lung field segmentation, rib suppression and lung nodule detection. A combination method of FCN and Active Shape Model will be developed to improve the segmentation accuracy. The structure of FCN will be improved to generate simulated images. The sensitivity and specificity of lung nodule detection should be improved through image preprocessing and framework design. The project should advance the computer-aided detection technology on this particular issue. This project is the first time that deep learning was used on automatic detection of CXR images. It has great heoretical significance and applicable value. The research of this project can relive the pressure of lacking of radiologist; benefit the extension of CXR and advance the digitization and informatization of medical treatment.

本项目以X光胸片肺结节检测为目标，提出一种基于深度学习的肺结节自动检测系统。该系统拟基于深度学习理论，利用全卷积网络和卷积神经网络实现肺野的自动分割，肋骨的自动抑制以及肺结节的自动检测。通过全卷积网络和主动形状模型的融合算法，提高图像分割精度；通过改进网络的结构和类标签设计算法，实现基于全卷积网络的模拟图像生成；通过数据预处理和网络结构改进，使得基于卷积神经网络的肺结节检测算法在敏感性和特异性方面大幅提升，将基于X光胸片的肺结节自动识别向实用方向推进。本项目首次将深度学习理论应用于X光胸片自动检测领域，具有较强的理论意义和巨大的实用价值。通过本项目的研究，能够在一定程度上解决目前中国放射科医师缺乏的问题，减轻放射医师的读片压力，同时能够让X光胸片检查在广大乡镇得到普及，推进医疗的数字化和信息化发展。

医学影像已成为医学技术中发展最快的领域之一，机器学习与医学图像处理相结合已成为该领域技术发展的重点。随着人工智能和深度学习的发展，在医学图像处理的多个领域，人工智能算法已经可以达到甚至超越医生的准确率，从而实现辅助医生进行影像诊断的目的。.本研究基于深度学习算法，在X光胸片肺部疾病智能诊断领域进行了较深入的研究。主要包括1）基于多分辨率CNN的肺结节识别算法。该算法首先基于之前的研究成果对CXR图像进行分割和预处理，然后在多分辨率下对图像进行patch提取，并设计网络对patch进行分类，再将多分辨率网络的输出进行融合给出分类结果，达到对肺结节进行识别和定位的目的。2）基于特征标准化层的X光胸片跨数据库分类算法。该算法提出了一种深度学习网络特征标准化层，并提出基于灰度共生矩阵的损失函数对图像特征进行标准化。该层能够提升网络在不同数据库之间的适应能力，通过对3中经典网络进行测试，该算法能够将跨数据库的分类精度提升6%以上。3）基于CAM-loss的X光胸片跨数据库分类算法。该算法提出了一种新的损失函数CAM-loss，用于对网络分类的判断依据进行监督。具体来说，就是让网络在分类正确的同时，保证其分类所依据的特征符合临床意义。通过对3种经典网络进行测试，该算法能够将跨数据库的分类精度提升4%以上。4）基于PNet的肺炎智能检测算法。该算法提出了一种新的肺炎检测网络PNet，采用堆叠小卷积核以及浅层网络的方式对X光胸片的肺炎进行识别。降低网络参数的同时提升了识别精度。.项目在相关医学图像智能分析领域也进行了研究。如基于DCNN融合的早期糖网识别算法；基于深度与手工特征融合的眼部疾病分类算法；基于双阶段faster-RCNN的黄斑和中央凹识别算法等。.本研究提出的算法针对X光胸片等医学图像智能分析中存在的问题，如训练数据少，数据之间差异大，网络在不同数据库之间的适应性以及多特征融合等问题进行了深入的研究。该工作有较强的科学研究意义和临床实用意义。