写在前面

本系列博客是个人部分本科毕业设计内容，基于LUNA16数据集 $\color{#0000FF}{[1] }$对肺结节检测过程当中的候选结节提取、假阳性过滤、数据集扩充等需求作了基本的实现。整个工做参考了SongpingWang的博客 $\color{#0000FF}{[2] }$、Bum-Chae Kim等人 $\color{#0000FF}{[3] }$和Yisroel Mirsky等人 $\color{#0000FF}{[4] }$的工做。html

因为疫情居家，项目是在个人破笔记本上运行的，只用到了部分数据，不可避免的存在过拟合的状况，精度也有待提高。完整项目代码已上传至个人GitHub主页 $\color{#0000FF}{[5] }$，请根据硬件条件选择合适的数据集大小训练。git

本博客的项目环境以下
github

背景及内容安排

肺癌的发病率和死亡率在当今世界增加最快，对人群健康威胁最大。早期肺癌筛查能大大提升生存概率。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，在临床中获得愈来愈多的应用。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。

研究内容以下：web

肺结节检测系列索引

点击文字跳转对应博客app

1、U-net结节提取 $\color{#0000FF}{[2] }$svg

2、多层级3D-CNN假阳性过滤 $\color{#0000FF}{[3] }$学习

3、CT-GAN正样本数据加强 $\color{#0000FF}{[4] }$spa

Reference

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

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

[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