肺结节目标检测_基于改进Faster R-CNN的肺结节检测
发布时间
阅读量：
阅读量
基于改进
Faster R-CNN
的肺结节检测
肺癌在我国乃至全球范围内
,
都是发病率及死亡率最高的恶性肿瘤。其早期
的表现形式是直径不超过
30mm
的肺内圆形或不规则形结节。
肺癌的早期诊断与治疗是降低其死亡率的最有效的手段。
肺结节检测主要通
过
CT
检查来实现
,
研究表明
,
低剂量
CT
检查可以有效降低肺癌患者的死亡率。
因此
,
低剂量
CT
逐渐成为当前主流的肺结节检查工具。
深度学习在医学图像
领域非常流行
,Faster R-CNN
是基于深度学习的一种目标检测算法。
鉴于此
,
本文在低剂量二维
CT
胸部图像下研究基于改进
Faster R-CNN
的肺
结节检测算法。本文的主要工作如下
:
(
1
)基于改进
Faster R-CNN
的肺结节检
测为了快速发现数百幅的二维
CT
胸部图像中肺结节的准确位置
,
提出一种基于
改进
Faster R-CNN
的肺结节检测方法。
首先
,
采用数据增强技术
,
扩大数据集
,
再手工标注数据集。
其次
,
将图片送入
加了一层反卷积的
VGG16
网络提取共享卷积特征。
然后
,
将此共享卷积特征送入区域生成网络
(
Region
Proposal
Network,RPN
)
,
输出候选结节区域。
最后
,
将根据候选结节区域在原图中所在的位置与背景信息
,
在共享卷积特征上提取对应候选区域的特征
,
并将这些候选区域的特征送入感兴
趣区域(
Region Of Interest,ROI
)池化层得到固定大小的候选区域特征图
,
最
后通过全连接层后得到
ROI
特征向量
,
将该
ROI
特征向量送入
Softmax
分类器和
边界回归器
,
输出该候选结节区域的分类得分以及回归后的边界框
,
最终得到胸
部图像检测结果。
针对胸部图像背景复杂、
检测对象变化范围大、
肺结节的尺寸相比自然物体
较小的特点
,
我们设计了更小的锚框去适应肺结节尺寸的变化。为了得到更好的
全部评论 (0)
还没有任何评论哟~