基于深度学习的肺部CT影像识别——采用U-net、3D CNN、cGAN实现肺结节的检测（零）

---

写在前面

本系列博客是我的部分本科毕业设计内容，基于LUNA16数据集 $[1]$对肺结节检测过程中的候选结节提取、假阳性过滤、数据集扩充等需求做了基本的实现。整个工作参考了SongpingWang的博客$[2]$、Bum-Chae Kim等人$[3]$和Yisroel Mirsky等人$[4]$的工作。

由于疫情居家，项目是在我的破笔记本上运行的，只用到了部分数据，不可避免的存在过拟合的情况，精度也有待提升。完整项目代码已上传至我的GitHub主页$[5]$，请根据硬件条件选择合适的数据集大小训练。

本博客的项目环境如下

背景及内容安排

肺癌的发病率和死亡率在当今世界增长最快，对人群健康威胁最大。早期肺癌筛查能大大提高生存几率。基于深度学习的计算机辅助诊断技术结合了影像学、医学图像处理和模式识别，在临床中得到越来越多的应用。肺部CT影像的结节自动分割，对疑似病灶进一步分类，提供可靠的诊断依据。

研究内容如下：

肺结节检测系列索引

点击文字跳转对应博客

一、U-net结节提取$[2]$

二、多层级3D-CNN假阳性过滤$[3]$

三、CT-GAN正样本数据增强$[4]$

Reference

[1] https://luna16.grand-challenge.org/home/
(下载链接：https://pan.baidu.com/s/1E7yKPLodaPlDkk3m4Pkdsw 提取码：sstk)

[2] https://blog.csdn.net/wsp_1138886114/article/details/81840891

[3] Kim B C , Yoon J S , Choi J S , et al. Multi-scale gradual integration CNN for false positive reduction in pulmonary nodule detection[J]. Neural Networks, 2019, 115:1-10.

[4] Mirsky Y, Mahler T, Shelef I, et al. CT-GAN: Malicious tampering of 3D medical imagery using deep learning[C]//28th {USENIX} Security Symposium ({USENIX} Security 19). 2019:461-478.

[5] 本博客项目开源地址： https://github.com/liuzwin98/Pulmonary-Nodule-Detection-Based-on-Deep-Learning