论文部分内容阅读
高清晰度的医学CT(Computed Tomography)在临床医疗诊断中发挥着关键作用。医生可以通过CT图像对患者做出病情诊断并给出治疗方案。在目前的计算机辅助诊断系统中,现有检测功能只针对一种特定部位进行病变检测。然而,在实际的临床诊断中会发现,许多病变其实是相关的。单一部位的检测不利于医生对病情做出全面诊断。多部位的病变检测可以更早的发现病变转移并进行治疗,同时可以挖掘不同病变之间存在的关系。本文针对目前单一部位病变检测在医学诊断中的局限性,建立了一个基于改进Faster R-CNN的多部位病变检测系统。该系统能够对多个部位的CT图像进行病变检测,取得了较好的检测效果。此外,在该系统中医生和管理员能够对病人就诊信息和医生个人信息进行管理,方便医生在临床诊断中使用该系统。本文具体工作如下:(1)对数据集中的CT图像进行预处理,包括图像降噪与图像增强。对不同的降噪方法与增强方法进行分析对比,最后确定采用维纳滤波和小波变换对图像进行预处理。(2)采用改进后的Faster R-CNN网络对预处理后的CT图像进行模型训练。首先,对VGG16特征提取网络进行改进,用于增强特征图的分辨率并增加病变区域的采样率。其次,根据数据集中不同病变框的大小重新设计区域建议网络中的锚框,特征图经过区域建议网络得到候选建议区域。最后,经过池化层和全连接层得到最终预测结果。针对实验中传统非极大值抑制算法出现相邻病变区域漏检的情况,本文引入高斯加权罚函数进行改进,取得了较好的改进效果。(3)使用FROC曲线对改进后的检测模型进行评价。实验结果显示,当平均每幅图像的假阳性区域个数一定时,改进后的模型检测灵敏度优于原始模型,能够检测出更多真实病变区域。使用改进后的检测模型对多个部位CT图像进行病变检测,实验结果显示该网络模型能够较好的检测多个部位CT图像中的病变。(4)基于改进Faster R-CNN的多部位病变检测模型,使用Python中的Django框架建立多部位病变检测系统。系统前端采用Bootstrap框架,使用jQuery插件进行页面布局。系统包含三个功能模块,分别是登陆模块、检测模块和管理模块。该系统能够在临床中辅助医生进行多部位病变诊断并对患者就诊信息进行管理。