论文部分内容阅读
淋巴瘤是一种淋巴系统恶性增生疾病,发病年龄的范围广,不同亚型的临床表现有相当大的差异,严重威胁着人们的生命健康。针对淋巴瘤的筛查主要通过PET/CT图像检测手段进行,大量的影像数据需要通过医生进行人工标注,这项工作十分繁琐耗时。淋巴瘤的自动检测可以辅助医生进行检查工作,而这其中的关键技术就是淋巴结自动检测技术。本文针对淋巴结检测任务,提出了一套基于深度学习的淋巴结自动检测算法。本文提出的淋巴结自动检测算法由淋巴结候选点检测部分和淋巴结候选点分类部分两个部分组成。首先对CT切片图像中的疑似淋巴结候选目标进行检测,找出大部分具有淋巴结特征的候选点,经过合并筛选后作为淋巴结候选点送入淋巴结分类部分。淋巴结分类部分利用卷积神经网络对淋巴结候选点的图像切片组合进行分类,排除假阳性结果,给出最终的淋巴结检测结果。针对淋巴结候选点检测任务,本文采用MaskRCNN目标检测网络对病人的2D CT切片进行淋巴结检测,在淋巴结检测的同时对淋巴结掩膜进行预测。在切片上的检测结果之上本文提出淋巴结候选目标层间合并算法将各个切片的候选框进行合并,减少了候选点的冗佘,同时合并算法依据层间信息对目标检测网络提出的假阳性目标进行排除。针对淋巴结候选点分类任务本文利用多通道输入的卷积神经网络对淋巴结候选点分类,排除假阳性候选点,给出最终的检测结果。本文采用候选点的三个轴向视图的切片作为分类网络输入对候选点的空间特征进行提取。通过独立多输入通道分别对切片的底层特征进行提取,利用残差模块在整合的底层特征上提取高层特征用于分类。使用改进的Focal loss对样本进行动态加权,解决在小数据集上训练困难的问题,提升训练效果。与之前的研究相比本文在淋巴结候选点检测部分提出的假阳性数量更少,平均每个病人提取出22个假阳性目标,达到了 78.0%的淋巴结召回率,更少的假阳性目标有利于提升检测效率,对后续分类过程起到帮助。淋巴结候选点分类部分的检测效果与之前的研究相比有所提升,在平均每病人10个假阳性目标的条件下达到89.3%的召回率。