1. 研究目的与意义
背景
肺癌是全球癌症相关死亡的主要原因。我国大部分医院都在采用低剂量 ct扫描筛查高危人群的肺癌情况。在 ct 肺癌筛查中，需要分析数以百万计的 ct 扫描，这对放射科医生来说是一个巨大的负担,当人一直坐在电脑前阅片时，他的诊断准确程度与用眼疲劳程度呈反相关，即时间越长，眼睛越易疲劳，而读片的准确率就会呈现一定程度的下滑。但 ai 却不会，它可以保证每一分钟都在同质化工作，每个小时的读片准确性都是同质的。如果能通过计算机算法对 ct 进行快速的筛查和标注，那将大大减轻放射科医生的负担,减少医生由于疲劳而无法察觉出 ct 中较小的结节这种漏查的现象。因此，开发计算机算法以优化筛选显得尤为重要。
目的
2. 研究内容和预期目标
研究内容
面向肺结节检测的深度边框回归算法，在整个设计过程中需要完成以下工作：
解析 lidc-idri 的 dicom 格式的序列 ct 图像，转换成矩阵的形式并在图形界面上显示出来。基于 fasterrcnn 算法，对 ct 图像中的肺扫描结构生成候选区域，并利用边框回归算法，预测肺结节的位置，并给出预测的准确度估计。开发图形界面程序，载入训练的模型和待检测的 ct 序列图像，并自动检测，供医生逐切片查看疑似结节的位置和概率。预期目标
3. 研究的方法与步骤
研究方法
在服务端利用基于tensorflow 平台实现 fasterrcnn 对肺结节小目标的检测，在 lidc-idri 人工标注的肺结节 ct 序列图像上检验算法的有效性。通过http协议实现服务端与客户端的数据互换，使用web实现图形界面中查看疑似结节的位置和预测概率。
步骤
4. 参考文献
[1] 李惠民, 肖湘生. 肺结节 ct 影像评价[j]. 中国医学计算机成像杂志, 2001, 7(1):30-41.
[2] 李旭冬, 叶茂, 李涛. 基于卷积神经网络的目标检测研究综述[j]. 计算机应用研究, 2017,34(10):2881-2886.[3] 乐国庆. 基于车载视觉系统的目标检测优化算法研究[d]. 北京交通大学, 2017
[4] 王华利,周俊忠,张见,等.基于深度卷积神经网络的图像分类算法[j].计算机工程与应用,2017;53(13):181-188.
5. 计划与进度安排
(1) 2022.1.10 ---- 2022.3.10 查阅资料，撰写开题报告，翻译英文资料
(2) 2022.3.11 ---- 2022.3.18需求分析，熟悉开发工具
(3) 2022.3.19 ---- 2022.3.31概要设计
