本文關(guān)鍵詞：肺部薄掃CT序列圖像肺實(shí)質(zhì)分割與肺結(jié)節(jié)分類算法研究

  更多相關(guān)文章： CT薄層掃描技術(shù) 序列圖像 肺實(shí)質(zhì)分割 肺結(jié)節(jié)分類 卷積神經(jīng)網(wǎng)絡(luò) 字典對學(xué)習(xí)算法

【摘要】：肺癌的早期篩查可以幫助患者早發(fā)現(xiàn)早治療,可以有效降低死亡率。肺部低劑量薄層掃描CT由于輻射劑量小且診斷準(zhǔn)確率高的優(yōu)點(diǎn),被廣泛應(yīng)用于肺癌的早期篩查,但該技術(shù)會產(chǎn)生大量的CT圖像,增加了放射科醫(yī)生的工作強(qiáng)度,容易造成誤診或漏診,不能有效提高肺癌的早期檢出率。面對這樣的現(xiàn)狀,針對肺部低劑量CT薄層掃描影像的計(jì)算機(jī)輔助診斷(Computer Aided Diagnosis,CAD)技術(shù)成為研究的熱點(diǎn)。在基于肺部低劑量CT薄層掃描影像的CAD系統(tǒng)中,肺實(shí)質(zhì)的分割是肺結(jié)節(jié)(肺癌早期主要形態(tài))診斷的基礎(chǔ),是降低CAD系統(tǒng)診斷計(jì)算量的必要環(huán)節(jié);此外,肺結(jié)節(jié)分類性能的優(yōu)劣,是評價一個肺部CAD系統(tǒng)的關(guān)鍵和核心。因此,上述兩個方面的內(nèi)容,也成為肺部CAD研究中的熱點(diǎn)和難點(diǎn)。本論文主要針對低劑量薄層掃描CT序列圖像中肺實(shí)質(zhì)的分割與肺癌的早期形態(tài)肺結(jié)節(jié)的分類這兩個關(guān)鍵內(nèi)容展開研究。(一)本文針對序列肺實(shí)質(zhì)分割過程中需要人工干預(yù)和相鄰切片的相似性易被忽略這一問題,提出了一種改進(jìn)的測地線活動輪廓(Geodesic Active Contour,GAC)模型進(jìn)行序列肺實(shí)質(zhì)的分割。該算法的思想是:運(yùn)用以Nystrom逼近理論推廣為基礎(chǔ)的譜聚類算法分割處于CT序列圖像中間位置切片的肺實(shí)質(zhì),然后沿著上下兩個方向依次以分割好的肺實(shí)質(zhì)輪廓作為下一張CT圖像中肺實(shí)質(zhì)的初始輪廓,采用改進(jìn)的GAC模型對所有CT圖像中的肺實(shí)質(zhì)進(jìn)行分割。本文提出的改進(jìn)的GAC模型有以下兩個創(chuàng)新點(diǎn):1)將譜聚類算法應(yīng)用于肺實(shí)質(zhì)的分割;2)利用序列圖像相鄰切片灰度特征變化緩慢的特點(diǎn)構(gòu)造了一個灰度相似性信息項(xiàng),對GAC模型的能量泛函進(jìn)行改進(jìn)。通過對20組臨床數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明本文提出的序列肺實(shí)質(zhì)分割算法的分割結(jié)果與醫(yī)師手動分割結(jié)果相比,XOR評價系數(shù)、Hausdorff距離和Jaccard相似系數(shù)的平均值都得到有效改善。(二)在肺結(jié)節(jié)分類方面,為了提高分類準(zhǔn)確率,本文提出了一種將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)與字典對學(xué)習(xí)算法(Dictionary Pair Learning,DPL)相結(jié)合的肺結(jié)節(jié)分類模型CNN-DPL。以包含有肺結(jié)節(jié)的肺實(shí)質(zhì)圖像作為模型輸入的數(shù)據(jù)集,該模型的思想是:采用CNN提取肺實(shí)質(zhì)圖像的特征,然后用DPL算法替換CNN的分類層,并將提取到的特征作為DPL算法的輸入,最終實(shí)現(xiàn)肺結(jié)節(jié)分類。本文提出的肺結(jié)節(jié)分類模型CNN-DPL有以下兩個創(chuàng)新點(diǎn):1)利用DPL算法替換CNN的分類層,將CNN與DPL算法結(jié)合,用于實(shí)現(xiàn)肺結(jié)節(jié)的分類;2)提出了包括卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練和參數(shù)微調(diào)與字典對分類器層的訓(xùn)練兩個步驟的訓(xùn)練分類模型CNN-DPL的方法。實(shí)驗(yàn)結(jié)果表明基于肺實(shí)質(zhì)圖像的肺結(jié)節(jié)分類模型CNN-DPL的分類準(zhǔn)確率、敏感性和特異性都達(dá)到了預(yù)期效果。
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R734.2;TP391.41

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 袁戎;石姝s，

本文編號：1260047