Details

Цель исследования - повысить точность обнаружения легочных узелков на рентгеновских изображениях грудной клетки путем решения проблем, связанных с небольшим размером и низкой плотностью пикселей узелков. Предметом работы являются методы обнаружения объектов на основе глубокого обучения для медицинской визуализации. В исследовании поставлены следующие задачи: 1. проанализировать ограничения существующих алгоритмов обнаружения на наборах данных рентгеновских снимков грудной клетки, таких как ChestX -ray 8. 2. разработать модуль увеличения с учетом класса ( CAA ), основанный на обрезке с учетом цели, чтобы сохранить особенности узлов. 3. Предложить модуль многомасштабного улучшения характеристик ( MFEM ) д ля улучшения представления характеристик мелких целей. 4. Интегрировать модули CAA и MFEM в улучшенную систему обнаружения SSD . В ходе работы были проанализи рованы существующие проблемы в обнаружении мелких объектов и выявлены ограничения в выражении признаков, присущие традиционным SSD . Для повышения эффективности локализации узлов была разработана усовершенствованная модель, объединяющая модули CAA и MFEM . В результате предложенный метод значительно повысил точность обнаружения при сохранении скорости вывода в реальном времени. Полученные результаты показывают, что интеграция семантического дополнения данных и улучшенного многомасштабного представления призна ков обеспечивает перспективное решение для точного обнаружения легочных узелков в клинических условиях. Разработанный фреймворк может послужить основой для дальнейших исследований в области легких и высокоточных моделей анализа медицинских изображений.

The purpose of the study is to improve the accuracy of pulmonary nodule detection in chest X-ray images by addressing the challenges posed by the small size and low pixel density of nodules. The subject of the work is deep learning-based object detection methods for medical imaging.The research set the following goals: 1. Analyze the limitations of existing detection algorithms on chest X-ray datasets such as ChestX-ray8. 2. Design a class-aware augmentation (CAA) module based on target-guided cropping to preserve nodule features. 3. Propose a multi-scale feature enhancement module (MFEM) to improve the feature representation of small targets. 4. Integrate the CAA and MFEM modules into an improved SSD detection framework. During the work, existing challenges in small-object detection were analyzed, and feature expression limitations of conventional SSD were identified. An improved model combining CAA and MFEM modules was developed to enhance nodule localization performance. As a result, the proposed method significantly improved detection accuracy while maintaining real-time inference speed. The results demonstrate that integrating semantic-aware data augmentation and enhanced multi-scale feature representation provides a promising solution for accurate pulmonary nodule detection in clinical settings. The developed framework can serve as a reference for further research on lightweight and high-precision medical image analysis models.

• РЕФЕРАТ
• ABSTRACT
• CONTENTS
• INTRODUCTION
• 1 Current research status
  • 1.1 Current status of research on lung nodule detection techniques
  • 1.2 Problems with colon polyp detection technology
  • 1.3 The main components of the research for this thesis
• 2 Related Work
  • 2.1 Traditional Detection Approaches
  • 2.2 Deep learning based detection methods
    • 2.2.1 Two-stage detection method:
    • 2.2.2 One-stage detection method:
  • 2.3 Data Enhancement Technology
    • 2.3.1 Traditional Data Enhancement
    • 2.3.2 Class-Aware Augmentation (CAA)
    • 2.3.3 CycleGAN-Based Style Transformation for Lung Nodule Data Augmentation
  • 2.4 Overview of medical image datasets and selection basis
• 3 Methodology
  • 3.1 Overall Framework Design (Overall Framework)
  • 3.2 Class-Aware Augmentation Implementation
    • 3.2.1 Target-guided Clipping
    • 3.2.2 Local enhancement of nodule area
  • 3.3 Backbone Feature Extraction
  • 3.4 Multiscale Feature Enhancement Module (MFEM)
    • 3.4.1 FMulti-scale feature fusion and alignment
    • 3.4.2 Dilated Convolution
  • 3.5 Attentional Mechanisms and CBAM
    • 3.5.1 Channel Attention Module
    • 3.5.2 Spatial Attention Module
    • 3.5.3 Overall Contribution and Application Location of CBAM
  • 3.6 Detection Head and Prediction Output
    • 3.6.1 Multi-scale feature fusion input
    • 3.6.2 Classification and regression branch design
    • 3.6.3 Candidate frame generation and prediction fusion
    • 3.6.4 Anchor frame matching strategy and small target adaptation design
  • 3.7 Loss Function
  • 3.8 CycleGAN Data Generation Module (Auxiliary Stage)
    • 3.8.1 Research Motivation
    • 3.8.2 Style domain division and network design
    • 3.8.3 Training Setup and Data Construction
    • 3.8.4 Quality Evaluation
• 4 Network Training Configuration and Experimental Settings
  • 4.1 Data Preprocessing and Format Conversion
  • 4.2 Dataset & Evaluation Metrics
  • 4.3 Network Training Configuration
  • 4.4 Comparative Experiments
    • 4.4.1 Evaluation Metrics
    • 4.4.2 Experimental Results and Analysis
    • 4.4.3 Visual Comparison
  • 4.5 Ablation Study
    • 4.5.1 Experimental Configurations
    • 4.5.2 Results of ablation experiments
    • 4.5.3 Analysis and Interpretation
• 5 Experimental results and analysis
  • 5.1 Overall Detection Performance
  • 5.2 Generalization and Robustness Evaluation
  • 5.3 Summary
• 6 Conclusion and Future Work
  • 6.1 Research Conclusions
  • 6.2 Limitations
  • 6.3 Future Work
• CONCLUSION
• REFRENCE LIST