摘 要

肺癌是当前严重威胁人类生命的恶性肿瘤之一，是全球发病率上升最明显的恶性肿瘤。目前其死亡率居于各种恶性肿瘤之首，发现的肺癌多处于中晚期。当前影像检测肺癌的手段主要是胸部X片和CT。本次肺癌检测系统设计便是基于CT图片展开。

本系统数据为LIDC-IDRI数据集（美国国家癌症研究所发起收集）。系统检测流程为：（1）图像处理：从下载的32GCT图像数据里所及抽取图像，并将其由DICOM格式转换为PNG格式，并进行归一化处理，方便后期使用。（2）肺部有效部分提取：将肺部有效部分从整个胸部CT图片中提取出来；（3）数据增强：使用生成对抗网络（GANs）进行数据增强，增强泛化能力。（4）图像分割：通过训练U-net模型，对肺结节可疑区域进行检测，生成权重文件；优化模型，反馈肺结节区域坐标。（5）肺结节分类：训练3D-CNN网络，加载权重文件进行训练，对图像分割的结果进行分类，剔除假阳性，反馈肺结节的半径。（6）整合模型：整合图像分割和分类模型，使流程完整化，并将肺结节信息（坐标、半径等信息）在同一程序输出。

本论文从肺癌检测现状出发，重点介绍生成对抗网络、U-net、3D-CNN的概念、特点、运用，随后详细介绍了该检测系统的设计流程和实现，最后给出了相关分析，缺点以及展望等。

关键词：肺癌；肺结节；数据增强；图像分割；检测

Abstract

Lung cancer is one of the current malignant tumors that seriously threatens human life, and it is the most obvious malignant tumor that has increased in global incidence. At present, its mortality rate ranks first among various malignant tumors, and most of the lung cancers found are in the middle and late stages.^[1] The current methods of image detection of lung cancer are mainly chest X-ray and CT. The design of this lung cancer detection system is based on CT images.

The data in this system is the LIDC-IDRI data set (collected by the National Cancer Institute). The system detection process is as follows: (1) Image processing: extract the image from the downloaded 32GCT image data, and convert it from DICOM format to PNG format, and normalize it to facilitate later use. (2) Extraction of the effective part of the lungs: extract the effective part of the lungs from the CT image of the entire chest; (3) Data enhancement: use the generative confrontation networks (GANs) for data enhancement and enhance the generalization ability. (4) Image segmentation: by training the U-net model, detect suspicious regions of lung nodules and generate weight files; optimize the model and feedback the coordinates of lung nodule regions.^[2] (5) Pulmonary nodule classification: train a 3D-CNN network, load weight files for training, classify the results of image segmentation, remove false positives, and feedback the radius of lung nodules. (6) Integrated model: integrate image segmentation and classification models to complete the process and output lung nodule information (coordinates, radius, etc.) in the same program

Starting from the current status of lung cancer detection, this paper focuses on the concepts, characteristics, and applications of generative confrontation networks, U-net, and 3D-CNN, and then details the design process and implementation of the detection system. Finally, relevant analysis, disadvantages, and Outlook, etc.

Keywords: lung cancer; lung nodules; data enhancement; image segmentation; detection

目录

第1章 绪论 1

1.1 肺癌检测背景 1

1.2 人工智能在医学研究中的发展现状 1

1.2.1 人工智能发展与现状 1

1.2.2 人工智能在医学研究中的应用 2

1.2.3 医学领域结合人工智能的展望 2

1.3 开发数据、硬件、环境、工具 2

1.4 数据存储模型 3

1.5 本章小结 3

第2章 系统整体设计 4

2.1 系统设计概述 4

2.2 系统设计流程和结构 4

2.2.1 系统流程 4

2.2.2 系统模块结构 5

2.3 各个模块功能详解 5

2.4 本章小结 6

第3章 系统详细设计与实现 7

3.1 系统UI设计、实现与展示 7

3.2 后台检测部分实现 8

3.2.1 数据处理 9

3.2.1.1 数据介绍 9

3.2.2.2 数据处理 9

3.2.2 肺部有效部分提取 10

3.2.2.1 提取步骤 10

3.2.2.2 提取效果展示 10

3.2.3 数据增强 11

3.2.3.1 数据增强的概念 11

3.2.3.2 基于生成对抗网络的数据增强 12

3.2.3.2.1 GANs原理 12

3.2.3.2.2 基于生成对抗网络的数据增强流程 14

3.2.3.3 传统数据增强 15

3.2.3.4 各增强方法效果图 15

3.2.4 图像分割 16

3.2.4.1 U-net分割详解 16

3.2.4.2 U-net流程 17

3.2.4.3 U-net分割操作效果 17

3.2.5 肺结节分类 18

3.2.5.1 三维卷积神经网络（3dcnn）分类原理 18

3.2.5.2 3dcnn流程 19

3.2.5.3 训练效果图 20

3.2.6 模型整合 21

3.2.6.1 整合流程图 21

3.2.6.2 整合细节解释 22

3.3 前后台结合 22

3.4 本章小结 23

第4章 系统运行、测试 24

4.1 系统运行 24

4.2 数据测试 24

4.3 本章小结 27

第5章 总结与展望 28

5.1 总结 28

5.2 展望 28

参考文献 30

致谢 31

第1章 绪论

1.1肺癌检测背景

肺癌，别名为支气管肺癌。它是目前恶性肿瘤中发病率以及死亡率增长率最快的肿瘤。其病因复杂，包括大气污染、吸烟、肺部慢性感染、职业、环境、电离辐射等^[3]。转移传播快、致病因素众多、临床表现复杂等都是肺癌的特点^[4]。随着医学技术发展，其检查手段越来越多样，包括X线检查、细胞学检查、ECT检查、支气管镜检查等，但是这些手段都各有缺陷。英国研究人员在2019年9月提出结合CT和血液检查的新型检测技术，使肺癌检测技术更加精确与迅速。但是这些技术都有一个局限：伴随着技术更新，医学影像数据增长，医务人员供不应求，工作人员工作量大，间接导致误诊和漏诊。

1.2人工智能在医学研究中的发展现状