基于深度學(xué)習(xí)的肺部組織分類研究.pdf

1、間質(zhì)性肺部疾?。↖nsterstial Lung Disease，ILD）是包含有很多種肺部炎癥和肺部纖維化疾病的總稱。ILD常見的癥狀包括呼吸困難、干咳嗽和呼吸短促，這些癥狀對人們的生活有嚴重的負面影響。絕大多數(shù)的病人都需要肺部的高分辨率CT(High-resolution Computed Tomography, HRCT)掃描可視化不同的ILD肺部組織的細微紋理變化。計算機視覺技術(shù)比放射科醫(yī)生能夠更好地檢測HRCT中不同肺部組織的

2、細微差別。由于理解HRCT圖像內(nèi)在的復(fù)雜性，一種用以區(qū)分不同肺部組織類型的計算機方法給肺部醫(yī)生提供診斷建議是非常有吸引力的。
　　為了提高肺部組織分類系統(tǒng)的性能，在這篇論文中，本文提出了一些特征學(xué)習(xí)的方法。主要的研究內(nèi)容如下:
　　對肺部組織分類的主要工作是基于人工定義的特征。它們基于專家的知識和經(jīng)驗設(shè)計特征描述肺部組織。人工定義的特征的優(yōu)點是能夠快速地解決問題。然而，劣勢也非常明顯，由于特征是人工定義的，設(shè)計的特征可能并不

3、適用于解決不同領(lǐng)域的其他問題;設(shè)計的特征是不全面的，需要融合幾個特征來描述對象，導(dǎo)致特征的參數(shù)過多，優(yōu)化過程費時費力;特征提取過程和分類階段是獨立的，兩個過程的參數(shù)不能朝著更好的分類結(jié)果聯(lián)合優(yōu)化。特征學(xué)習(xí)是一種自動從原始數(shù)據(jù)中提取有用的、有區(qū)分能力的特征。除模型的結(jié)構(gòu)參數(shù)外，無需指定這些方法的其他參數(shù)，而基于特征學(xué)習(xí)的方法可以解決不同領(lǐng)域的不同問題;隨著大數(shù)據(jù)的流行，傳統(tǒng)的人工特征不能充分利用大數(shù)據(jù)中的豐富信息，然而，基于模型強大的表達

4、能力，特征學(xué)習(xí)能夠完成這個目標;一些特征學(xué)習(xí)方法，如深度學(xué)習(xí)，能夠聯(lián)合優(yōu)化特征提取階段和分類階段。
　　卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種特征學(xué)習(xí)方法，它在計算機視覺領(lǐng)域獲得了很好的結(jié)果。考慮到人工定義特征的劣勢和受限玻茲曼機（Restricted Boltzmann Machine，RBM）的無監(jiān)督學(xué)習(xí)方式，因此決定采用CNN作為特征學(xué)習(xí)的模型。CNN能夠以有監(jiān)督的方式從肺部組

5、織圖像中自動學(xué)習(xí)有區(qū)分能力的特征?；谔崛〉腃NN特征，為了提高分類效果，采用隨機森林（RandomForest，RF）對肺部組織分類。RF是一種集成方法，它存在計算開銷小、容易實現(xiàn)、不易過擬合和分類結(jié)果好的優(yōu)點。同時，之前針對肺部組織分類的工作都有一個共同的問題:類別不平衡。如果分類器對此問題敏感，它在對小類樣本分類時效果較差。本文提出在圖像塊準備階段解決這個問題，而非其他的數(shù)據(jù)采樣方法，如重采樣(Oversampling)、SMOT

6、E(Synthetic Minority Over-sampling Technique)，通過改變相鄰圖像塊之間的重疊區(qū)域大小，可以獲得相對平衡的數(shù)據(jù)分布。
　　盡管CNN-RF模型在平衡的數(shù)據(jù)分布上獲得了比較好的結(jié)果，它仍然存在一些問題:特征的單一尺寸不足和未對肺部組織的旋轉(zhuǎn)差異描述。利用提出的MRCNN(Multi-scale Rotation-invariant Convolutional Nerual Network)模