【摘要】：研究表明,肺癌是人類目前死亡率最高的疾病之一,且肺癌的發(fā)病率和死亡率呈現(xiàn)不斷增長的趨勢,如何預防及治療肺癌已經(jīng)成為人們必須解決的課題。通過研究肺癌病例發(fā)現(xiàn),及早發(fā)現(xiàn)肺癌病狀可以延長患者的生存時間,相反,晚期肺癌患者死亡率非常高。肺結(jié)節(jié)作為肺癌早期主要表現(xiàn)形式,因此,肺結(jié)節(jié)分割成為發(fā)現(xiàn)肺癌的重要手段。近年來,活動輪廓模型(Active Contour Model,ACM)憑借其靈活的結(jié)構(gòu)、優(yōu)越的性能以及多樣的形式,在醫(yī)學圖像分割領(lǐng)域受到了越來越廣泛的研究和應用。本文對目前已有的基于活動輪廓模型算法在醫(yī)學圖像分割中的應用進行了深入的學習和研究。提出改進的活動輪廓模型算法,并將改進算法在分割磨玻璃型(Ground Glass Opacity,GGO)肺結(jié)節(jié)和血管粘連型(Juxta-vascular,JV)肺結(jié)節(jié)中進行應用。首先,針對局部區(qū)域活動輪廓模型(Local Region-based Active Contour Model,LRACM)模型分割GGO肺結(jié)節(jié)存在的缺陷:對初始輪廓敏感、分割精度低和依賴梯度信息等。本文在LRACM模型基礎(chǔ)上提出了改進的基于局部和全局隸屬的活動輪廓模型(Local and global membership based on the active contour model,LGMACM)分割方法:1)采用全局隸屬度構(gòu)造邊界停止函數(shù)。通過全局隸屬度來構(gòu)造邊界停止函數(shù),解決了邊界泄露的問題;2)采用局部隸屬度構(gòu)造輪廓模型的數(shù)據(jù)項,加強了GGO肺結(jié)節(jié)與背景的對比度;3)采用全局隸屬度來獲取初始輪廓曲線,提高了模型的效率和收斂速度。其次,針對基于邊界的輪廓模型(Edge-based Active Contour Model,EACM)和基于區(qū)域活動輪廓模型(Region-based Active Contour Model,RACM)分割 JV 型肺結(jié)節(jié)存在的問題:邊界泄露、對噪聲敏感、收斂速度慢和沒充分考慮圖像先驗知識等。本文在EACM和RACM模型基礎(chǔ)上提出了改進的基于模糊速度的活動輪廓模型(Fuzzy velocity function based on active contour model,FVFACM)的分割方法:1)構(gòu)造亮度和形狀特征的二維向量并結(jié)合模糊聚類算法計算模糊隸屬度,并根據(jù)隸屬度構(gòu)造速度函數(shù)。2)將模糊速度函數(shù)引入到活動輪廓模型中,將模糊速度作為內(nèi)部能量和外部能量的權(quán)重系數(shù)。基于以上兩點的改變,該模型有效的處理了邊界泄露、對噪聲敏感和收斂速度慢的問題,同時也提高了模型的分割精度。實驗結(jié)果表明,本文提出的兩種改進模型,通過實驗仿真結(jié)果對比和數(shù)據(jù)統(tǒng)計對比,能夠達到預期的效果。
[Abstract]:The research shows that lung cancer is one of the highest mortality diseases, and the morbidity and mortality of lung cancer are increasing. How to prevent and treat lung cancer has become a problem that must be solved. Through the study of lung cancer cases, early detection of lung cancer symptoms can prolong the survival time of patients, on the contrary, the mortality rate of advanced lung cancer patients is very high. Pulmonary nodules as the main early manifestations of lung cancer, lung nodules segmentation has become an important means of finding lung cancer. In recent years, the active contour model (Active Contour Model,ACM) has been more and more widely studied and applied in the field of medical image segmentation because of its flexible structure, superior performance and various forms. In this paper, the application of active contour model algorithm in medical image segmentation is studied. An improved active contour model (ACM) algorithm is proposed and applied to segmented glass-grinding (Ground Glass Opacity,GGO) pulmonary nodules and vascular adhesion type (Juxta-vascular,JV) pulmonary nodules. Firstly, the defects of local active contour model (Local Region-based Active Contour Model,LRACM) model for segmenting GGO pulmonary nodules include sensitivity to initial contour, low segmentation accuracy and dependent gradient information. In this paper, an improved (Local and global membership based on the active contour model,LGMACM segmentation method based on local and global membership is proposed based on LRACM model. The global membership degree is used to construct the boundary stop function, and the problem of boundary leakage is solved. 2) the data item of the contour model is constructed by using the local membership degree. The contrast between GGO pulmonary nodules and background is enhanced. The global membership degree is used to obtain the initial contour curve, which improves the efficiency and convergence speed of the model. Secondly, the problems of boundary based contour model (Edge-based Active Contour Model,EACM) and region based active contour model (Region-based Active Contour Model,RACM) for segmenting JV pulmonary nodules include boundary leakage, sensitivity to noise, slow convergence rate and inadequate prior knowledge of image. On the basis of EACM and RACM models, an improved segmentation method of active contour model (Fuzzy velocity function based on active contour model,FVFACM) based on fuzzy velocity is proposed in this paper. The segmentation method: 1) constructs two-dimensional vectors of luminance and shape features, and calculates fuzzy membership degree with fuzzy clustering algorithm. The fuzzy velocity function is introduced into the active contour model and the fuzzy velocity is used as the weight coefficient of internal and external energy. Based on the above two changes, the model effectively deals with the problems of boundary leakage, sensitivity to noise and slow convergence rate, and also improves the segmentation accuracy of the model. The experimental results show that the two improved models proposed in this paper can achieve the desired results through the comparison of the experimental simulation results and the statistical data.
【學位授予單位】：長春工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R734.2;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 毛亞莉;劉勇;張曉忠;;肺結(jié)節(jié)的X線片診斷[J];中國民康醫(yī)學;2006年22期

2 宋佳;李翠芳;孫希文;聶生東;;一種非實質(zhì)性肺結(jié)節(jié)分割的新方法[J];中國醫(yī)學影像技術(shù);2011年12期

3 ;矽肺結(jié)節(jié)鈣化五例臨床分析[J];冶金勞動衛(wèi)生;1976年02期

4 王敏杰,王培軍,田建明,余準,李曉兵,崔恒武,邵成偉;低劑量和靶螺旋CT掃描技術(shù)在肺結(jié)節(jié)診斷中的價值[J];臨床放射學雜志;2003年07期

5 王化,唐光健;多層螺旋CT在肺結(jié)節(jié)診斷中的應用及展望[J];國外醫(yī)學(臨床放射學分冊);2005年06期

6 吳龍海;周荷琴;李傳富;;基于高分辨率CT圖像的肺結(jié)節(jié)檢測[J];中國醫(yī)療器械雜志;2008年03期

7 苗芬;吳龍海;周荷琴;;一種基于相關(guān)矩陣的肺結(jié)節(jié)增強算法[J];北京生物醫(yī)學工程;2008年05期

8 賈守勤;趙斌;尚延海;馬子堂;劉世合;齊向芹;;常規(guī)DR胸片對肺結(jié)節(jié)漏診原因的分析[J];醫(yī)學與哲學(臨床決策論壇版);2009年04期

9 高園園;呂慶文;;肺結(jié)節(jié)檢測算法研究[J];醫(yī)學信息;2010年02期

10 林歡;;容積CT掃描發(fā)現(xiàn)的肺結(jié)節(jié)的處理[J];循證醫(yī)學;2010年01期

相關(guān)會議論文 前10條

1 查開繼;高劍波;張永高;郭華;楊學華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結(jié)節(jié)的比較研究[A];2010中華醫(yī)學會影像技術(shù)分會第十八次全國學術(shù)大會論文集[C];2010年

2 孫志遠;;數(shù)字化體層融合在肺結(jié)節(jié)探查中的初步應用[A];中華醫(yī)學會第16次全國放射學學術(shù)大會論文匯編[C];2009年

3 穆景博;高向東;;X線數(shù)字化體層融合技術(shù)在肺結(jié)節(jié)探查中的應用[A];2010中華醫(yī)學會影像技術(shù)分會第十八次全國學術(shù)大會論文集[C];2010年

4 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學學術(shù)年會論文匯編[C];2006年

5 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學會放射學分會第八屆全國心胸影像學術(shù)大會暨河南省第十二次放射學術(shù)會議論文匯編[C];2006年

6 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

7 高園園;呂慶文;馮前進;陳武凡;;一種新的肺結(jié)節(jié)檢測算法[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術(shù)年會論文集（上冊）[C];2007年

8 徐巖;馬大慶;;計算機輔助檢測肺結(jié)節(jié)在數(shù)字化胸片上的應用價值[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

9 王永仁;吳碧芳;經(jīng)鳳華;李峻;金德勝;;低劑量CT篩查肺結(jié)節(jié)對圖像質(zhì)量的影響[A];2008年浙江省放射學年會論文匯編[C];2008年

10 徐巖;馬大慶;賀文;;計算機輔助檢測肺結(jié)節(jié)在數(shù)字化胸片肺癌篩查中的應用價值[A];中華醫(yī)學會第16次全國放射學學術(shù)大會論文匯編[C];2009年

相關(guān)重要報紙文章 前2條

1 上海交通大學醫(yī)學院附屬瑞金醫(yī)院胸外科主任醫(yī)師 邱維誠;發(fā)現(xiàn)肺結(jié)節(jié) 別輕易下診斷[N];健康報;2013年

2 朱立明　第四軍醫(yī)大學;三聯(lián)診斷方案辨明肺結(jié)節(jié)[N];醫(yī)藥經(jīng)濟報;2010年

相關(guān)博士學位論文 前9條

1 劉陽;基于肺部高分辨率CT影像的肺結(jié)節(jié)識別方法研究[D];東北大學;2011年

2 吳龍海;高分辨率CT圖像的肺部病變計算機輔助診斷研究[D];中國科學技術(shù)大學;2008年

3 裴曉敏;基于CT影像的孤立性肺結(jié)節(jié)檢測關(guān)鍵技術(shù)研究[D];東北大學;2011年

4 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學;2003年

5 韓芳芳;基于CT圖像多維特征的肺結(jié)節(jié)檢測和診斷方法研究[D];東北大學;2015年

6 蔡強;低劑量螺旋CT早期肺癌篩查—肺結(jié)節(jié)的檢出及其相關(guān)研究[D];北京協(xié)和醫(yī)學院;2011年

7 孫申申;基于CT影像的肺結(jié)節(jié)檢測與分割方法研究[D];東北大學　;2009年

8 張婧;基于SVM的肺結(jié)節(jié)自動識別方法研究[D];華南理工大學;2011年

9 張濤;肺結(jié)節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實驗研究[D];中國人民解放軍軍醫(yī)進修學院;2008年

相關(guān)碩士學位論文 前10條

1 邢謙謙;不規(guī)則形態(tài)肺結(jié)節(jié)的分割及毛刺檢測研究[D];南方醫(yī)科大學;2015年

2 劉曉娜;基于支持向量機的肺結(jié)節(jié)識別研究[D];浙江大學;2016年

3 滕雅琴;計算機輔助檢測系統(tǒng)CT肺結(jié)節(jié)檢出方式的研究[D];新疆醫(yī)科大學;2016年

4 黑嘯吉;基于低劑量CT圖像的肺結(jié)節(jié)分割算法研究[D];鄭州大學;2016年

5 張俊杰;基于粗糙集的特征級融合肺結(jié)節(jié)檢測算法[D];寧夏醫(yī)科大學;2016年

6 劉晨輝;基于DoG的胸部CT肺結(jié)節(jié)自動檢測算法研究[D];廣州大學;2016年

7 樂昂霖;基于SVM的肺結(jié)節(jié)分割與識別[D];東北大學;2015年

8 李仙鳳;生物標志物結(jié)合肺結(jié)節(jié)影像學特征對肺結(jié)節(jié)良惡性的預測價值[D];大連醫(yī)科大學;2016年

9 柏蕓;低劑量胸腔CT肺部影像的肺結(jié)節(jié)計算機輔助診斷方法研究[D];西南交通大學;2017年

10 王國明;基于CT圖像的肺結(jié)節(jié)分割方法研究[D];長春工業(yè)大學;2017年

，

本文編號：2213057