全文总字数：7532字

1. 研究目的与意义及国内外研究现状

根据相关研究表明：中国每年医学影像增速远远超过了放射科医生的年增长率，需求缺口只能不断扩大，也正是因为医生数量的匮乏导致无法适应当前的影像数据增长率。工作量与工作效率不匹配。另外，过载工作也会导致误检率和漏检率超出允许范围。体积胸腔ct扫描是肺癌诊断的常用成像工具。它可视化所有组织的x射线吸收水平。 虽然肺结节通常具有与正常组织相同的吸收水平，但它们具有独特的识别形状： 支气管和血管是连续的管道系统，根部厚，分枝薄，结节通常是球形和孤立的。 这个过程通常需要10分钟左右，并且是经验丰富的医生对患者进行彻底检查，因为有些结节很小，很难发现。此外，准确性在通常情况和医师的经验成正比，不同的医生给出的预测结果有时各不相同，准确率下降明显。结合深度学习后，整个流程开始变得更具意义。与传统人工阅片相比，机器完成检测，最终医生根据检测结果进行分析进而完成确诊；在阅读时，机器可以快速完成初步筛查并由医生进行判断，这可以大大缩短医生的阅读时间。 在准确率上，会更具全面性。 图片医生将根据经验关注可疑区域。 机器可以完全观察整个切片而不会丢失。 在稳定性方面，机器不需要休息，也不会受到疲劳的影响。 诊断可以是完全客观，稳定和可重复的。 并且解决了医生资源和肺结节早期筛查的需求不平衡的问题。

国内外研究现状

通过结合数学、计算机科学技术、大数据和互联网等知识，计算机辅助检测和诊断(cad)逐步发展和进步，成为用以影像诊断领域的一项新技术。该系统的发展历史悠久。在图像处理工作中，人们一直在使用计算机技术，利用数学等相关处理，帮助提高计算机的图像处理能力，并利用计算机算法分析医学图像，检出病变，并协助放射科医师提高准确性。肺部癌症检测是的一个典型应用。该系统结合数字图像处理、专家知识、模式识别、深度学习，先对胸部影像数据进行相关预处理，再通过图像分割算法总结图像特征，最终通过分析和筛选，得到检测结果和分析结论，辅助医生分析ct图像和最终的确诊。这样可以降低假阴性率，进一步提高真阳性率，通过计算机算法来进行辅助检测和分析能极大的增强图像中人工较难分辨的检测正确性和尽可能避免有争论区域的误判，以此提高最终结果的准确性。

结节检测是一项典型的体积检测任务。由于其巨大的临床意义, 近年来引起了越来越多的关注。这个任务通常分为两个子任务: 提出建议和减少误报, 每个子任务都吸引了许多研究。通过许多科学家和相关研究人员的努力，现在已经取得了不错的成果并且通过实现代码共享和相互交流平台加快了发展的进程。

j.ding等人利用二维区域提议网络在每个切片中提取相应区域，并采用3d cnn来减少误报率。根据lidc的选定子集举办了名为lungnodule analysis 2016 (luna16) 的竞赛。在这场比赛的检测方法上，大多数参与者使用了两阶段方法。

2. 研究的基本内容

本文对相关书籍与最新文献进行了广泛的综述，了解肺结节在临床上的重要意义，充分研究和吸收国内外有关该课题的研究成果，研究肺结节检测的各种原理和方法。

本文结合以上研究背景和发展状况，总结了建立肺结节目标检测模型中的问题和针对这些问题的研究方法。

3. 实施方案、进度安排及预期效果

实施方案：建立了一个3d rpn [17](区域提议网络)， 直接检测结节的边界框。三维卷积神经网络 (cnn) 结构使网络能够捕获复杂的特征。为了解决 gpu 内存问题， 采用了基于patch的训练和测试规划。该模型经过端到端的培训， 可实现高效优化。广泛的数据增强用于防止过度拟合。探测测器采用较低的阈值，并且包括所有可疑的结节。

进度安排：

1月份 查阅肺结节目标检测相关文献

4. 参考文献

[1] m. infante, s. cavuto, f. r. lutman, g. brambilla,g. chiesa, g. ceresoli, e. passera et al., a randomizedstudy of lung cancer screening with spiral computed to-mography: three-year results from the dante trial,' amer-ican journal of respiratory and critical care medicine,vol. 180, no. 5, pp.445- 453, 2009.

[2] ingrid sluimer, arnold schilham, mathias prokop, bram van ginneken. computer analysisof computed tomography scans of the lung [a survey].ieee transactions on medical imaging.2006.25(4):385405.

[3] a. a. a. setio, f ciompi, g. litjens, p. gerke, c. jacobs,s. j. van riel, m. m. w. wille et al., pulmonary noduledetection in ct images: false positive reduction usingmulti-view convolutional networks,' ieee transactionson medical imaging, vol. 35, no.5, pp.11601169, 2016.