請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82572
標題: | 利用特徵融合與注意力機制3-D捲積神經網路偵測電腦斷層影像之肺部結節 One-Stage Pulmonary Nodule Detection using 3-D DCNN with Feature Fusion and Attention Mechanism in CT Image |
作者: | Ping-Ru Chou 周秉儒 |
指導教授: | 張瑞峰(Ruey-Feng Chang) |
關鍵字: | 肺癌,卷積神經網路,電腦輔助偵測系統,感受野模組,單次聚合模組,特徵融合策略, Lung cancer,Convolution neural network,Computer-aided detection,Receptive field block,One-shot aggregation,Feature fusion scheme, |
出版年 : | 2021 |
學位: | 碩士 |
摘要: | "近年來,肺癌為最常見的癌症之一,其死亡率在男性中位居第一,而在女性中僅次於乳癌,若提早發現肺癌,將可大幅降低死亡率,這使得早期偵測肺癌日益重要。低劑量電腦斷層掃描(Low-dose Computed Tomography, LDCT)已被廣泛地使用作為肺癌篩檢的重要工具,透過LDCT影像找出在肺部內形成且日後有可能會演變成肺癌的異常組織-結節。然而,醫師從LDCT影像觀察可疑的結節是一項非常耗時的工作,故電腦輔助偵測系統(Computer-Aided Detection System, CADe)被提出用來當作第二閱片者來幫助醫師。近年來,許多基於卷積神經網路(Convolution Neural Network, CNN)實現的CADe系統被證實能輔助醫師進行偵測。因此,在這篇研究中,我們提出一個基於YOLOv3偵測方法的CADe系統-OSAF-YOLOv3輔助醫師進行LDCT影像的肺結節偵測。 本篇論文所提出的CADe系統包含了資料前處理、結節偵測、以及非極大值抑制(Non-maximum Suppression, NMS)。在資料前處理中,首先會將非肺部的區域去除,再將LDCT影像得空間資訊歸一化到相同地比例尺,最後切割LDCT影像成多個感興趣區域(Volume of Interest, VOI)。接著,將切割的VOI輸入到OSAF-YOLOv3模型中進行結節偵測,由於在YOLOv3中,因為下採樣而導致小結節的空間資訊遺失,故對小結節的敏感性較低,因此,在OSAF-YOLOv3中,使用單次聚合模組和感受野模組來增強空間資訊,且提出特徵融合策略將不同大小的特徵圖融合並增強空間資訊。最後,將模型偵測的結果進行NMS演算法以消除重疊的偵測結果。在我們的實驗中,OSAF-YOLOv3在平均偽陽性(False Positive per Scan)為8的前提下,敏感度為96.2%並且在競爭性能度量(Competitive Performance Metric, CPM)上達到0.905。此外,原生的YOLOv3以及利用DenseBlocks取代YOLOv3裡ResBlocks的DenseNet-YOLOv3皆被訓練用來驗證提出的模型效果。根據結果,YOLOv3和DenseNet-YOLOv3分別取得CPM分數0.850和0.865,證實我們所設計的系統能有效的提升偵測能力。" |
URI: | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82572 |
DOI: | 10.6342/NTU202101250 |
全文授權: | 同意授權(限校園內公開) |
電子全文公開日期: | 2023-07-29 |
顯示於系所單位: | 資訊工程學系 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
U0001-0307202109275300.pdf 授權僅限NTU校內IP使用(校園外請利用VPN校外連線服務) | 2.05 MB | Adobe PDF | 檢視/開啟 |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。