关键词:
肺结节检测
深度学习
无锚检测头
自注意力
增量学习
特征蒸馏
摘要:
近年来,由于抽烟、空气污染以及遗传等多种因素,肺癌的发病率和死亡率都在趋于高位,肺部肿瘤严重危害人们的健康。肺结节作为肺癌的早期症状,及早发现肺结节并按时监测对于降低肺癌发病率和死亡率具有重要意义。随着深度学习的发展,计算机辅助肺结节检测已经取得了很大的进展。使用深度学习方法进行肺结节检测可以获得更高的准确度和敏感度,这对于早期诊断和治疗非常重要。深度学习检测模型可以自动地在大量的CT图像中检测肺结节,大大减轻了医生的工作负担。并且可以在短时间内处理大量的数据,提高了检测速度和效率。相比于传统方法手工制作特征,深度学习模型可以自动地学习结节特征,能够有效提高模型的准确度。基于深度学习在肺结节检测中的各项优势,本文的主要研究内容如下:(1)现有的三维检测方法需要更多的计算资源和训练时间,二维检测方法效率高但精度不佳,如何平衡计算资源和检测精度是肺结节临床辅助诊断所面临的问题。针对这一问题,提出了一种多维多尺度特征融合的无锚肺结节检测方法,该检测方法的特征提取阶段分为二维特征提取和多视图特征提取,首先利用二维卷积网络提取多尺度语义特征。其次,基于自注意力与三维卷积具有相似性,为了降低计算量,采用Transformer编码器替代三维卷积提取多视图特征。最后将提取的多尺度语义特征与多视图特征通过多维特征融合模块融合,得到多分辨率、语义特征丰富、位置信息精确的融合特征图。检测阶段设计了面向生物视觉的无锚检测头,在检测头中使用圆形卷积核以获得更适应结节形态特征的圆形感受野,并设计了更符合医生标注的中心点分支加半径分支。在LUNA16数据集上进行实验验证,结果表明该方法竞争性能指标(CPM)达到了0.850,高于目前主流二维检测方法。FLOPs值低至9.7G,单样本序列检测时间为1.59s,计算资源消耗均低于主流三维检测方法,达到了计算资源和检测精度的有效平衡。(2)针对卷积神经网络在肺结节检测中仅有局部感受野,检测假阳性率高的现象,提出了两种卷积与自注意力融合模块。首先将三维卷积引入Transformer,作为全局C-T模块捕获肺结节全局上下文联系。其中卷积用于建模局部空间位置信息,自注意力用于整理全局信息以提高网络对假阳性结节鉴别能力。然后将自注意力引入残差模块,作为局部C-T模块以提高网络泛化能力。针对三维特征信息丰富计算困难的特点,提出一种空间注意力,采用提出的TM计算方式对Q、K、V矩阵进行计算。为了保持三维特征中结节位置信息不变,不再进行展平操作,而是直接在三维矩阵上计算。在LUNA16数据集上进行交叉验证实验,结果表明该方法FROC曲线整体高于主流方法,竞争性能指标(CPM)达到了0.877,具有较高的敏感度,为临床辅助医生检测提供了有效参考信息。(3)当有新样本到来时,现有的模型增量更新方法存在灾难性遗忘、更新时空成本过高等问题。为了克服上述问题,提出了一种基于弹性权重整合(EWC)和特征蒸馏的肺结节检测增量学习方法。首先对CT图像进行肺实质分割;其次基于弹性权重整合方法优化原始模型,将费舍尔信息矩阵简化为参数权重矩阵以减少计算量,然后基于参数权重矩阵在更新过程中将正则化惩罚项引入损失函数,限制重要参数的变化得到增量更新后的优化模型;最后将原始模型作为教师网络,优化模型作为学生网络计算特征蒸馏损失以提高优化模型性能,在不遗忘已学习知识的条件下实现对新样本的充分拟合。该方法在LUNA16数据集上进行了交叉验证,结果显示该方法提高了模型增量学习能力,在敏感度、准确度上取得了较好的效果,并且实现了低假阳性,具有较低的时空开销。(4)基于本文创新方法,设计了一种肺结节辅助检测系统,该系统以Vue作为前端框架,Flask服务器作为模型服务器,Orthanc服务器用于存储切片数据。该系统实现了对肺结节的检测与识别。综上所述,本文针对基于深度学习的肺结节检测中存在的一些问题,提出了两种肺结节检测方法以及一种肺结节检测增量学习方法,通过大量实验验证了方法的有效性。并且在多维多尺度特征融合的无锚肺结节检测方法的基础上设计了一种肺结节辅助检测系统,能够提高医生工作效率。