肺癌是發(fā)病率、死亡率增長(zhǎng)最快的惡性腫瘤之一,早期的診斷對(duì)肺癌治療至關(guān)重要。目前,臨床上主要依賴于計(jì)算機(jī)斷層掃描技術(shù)篩查肺結(jié)節(jié)病變,基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助手段去檢測(cè)和診斷對(duì)癌癥患者的治療有重要的意義。由于肺部CT圖像病灶區(qū)域復(fù)雜,表征多樣,醫(yī)師篩查具有工作量大、觀察者間差異明顯等缺陷,如何有效提取病灶特征,并利用相關(guān)特征對(duì)肺結(jié)節(jié)圖像進(jìn)行語(yǔ)義屬性分類,是當(dāng)前生物醫(yī)學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一。本文主要研究了肺結(jié)節(jié)CT圖像中基于流特征的語(yǔ)義屬性等級(jí)分類,具體工作如下:首先,肺結(jié)節(jié)病灶區(qū)域的特征提取是實(shí)驗(yàn)非常重要的一部分。由于CT圖像肺結(jié)節(jié)病灶區(qū)域的臨床表征復(fù)雜多樣,計(jì)算特征集應(yīng)該較為全面的去描述肺結(jié)節(jié)病灶區(qū)域,且需要避免計(jì)算特征之間冗余的問(wèn)題。本論文將選用現(xiàn)有底層的二維圖像特征表示肺結(jié)節(jié)病灶區(qū)域。其次,針對(duì)特征數(shù)據(jù)集不平衡問(wèn)題,我們使用SMOTE算法解決數(shù)據(jù)不平衡問(wèn)題。除此之外,數(shù)據(jù)集沒(méi)有統(tǒng)一量綱會(huì)影響實(shí)驗(yàn)的分類結(jié)果,在此基礎(chǔ)上,我們對(duì)特征集進(jìn)行離散化和歸一化處理。然后,由于肺結(jié)節(jié)CT圖像臨床常用的語(yǔ)義屬性可以對(duì)肺結(jié)節(jié)的深入分析提供豐富的定量線索。針對(duì)肺結(jié)節(jié)圖像的底層計(jì)算特征和語(yǔ)義屬性之... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

015年中國(guó)分性別和城鄉(xiāng)前10位惡性腫瘤發(fā)病構(gòu)成

合肥工業(yè)大學(xué)專業(yè)碩士研究生學(xué)位論文9和標(biāo)注。首先四位放射科醫(yī)師獨(dú)立對(duì)實(shí)例進(jìn)行診斷并標(biāo)注病灶位置和病灶大小，接著各個(gè)放射科醫(yī)師分別對(duì)其它三位放射科醫(yī)師的標(biāo)注結(jié)果進(jìn)行重新審核檢查，并在病灶區(qū)域標(biāo)注不同語(yǔ)義屬性等級(jí)。這兩個(gè)階段可以有效避免醫(yī)師主觀判別的差距性，盡可能完整并可靠的標(biāo)注所有結(jié)果[24]。圖2.1肺部二維CT圖像Fig2.1Two-dimensionalCTimageofthelung在LIDC數(shù)據(jù)庫(kù)中，標(biāo)注醫(yī)師對(duì)每一個(gè)直徑大于3mm的肺結(jié)節(jié)會(huì)標(biāo)注9個(gè)語(yǔ)義屬性，每個(gè)語(yǔ)義屬性會(huì)分為4個(gè)等級(jí)，5個(gè)等級(jí)或者6個(gè)等級(jí)[24]。LIDC數(shù)據(jù)庫(kù)中每個(gè)病例文件均包含完整的肺部CT掃描影像，每個(gè)病例圖像在100張至200表2.1LIDC數(shù)據(jù)庫(kù)中圖像信息Tab2.1ImageinformationinLIDCdatabaseCollectionStatisticsupdated數(shù)據(jù)大小124G圖像類型CT(computedtomography),243958張DX（digitalradiography）CR(computedradiography)圖片數(shù)244,527患者數(shù)1010系列數(shù)1018CT290CR/DX研究數(shù)1038張，CT掃描圖像為DICOM格式，每張大小是512*512像素。每個(gè)病例都包含一個(gè)注釋XML文件，該文件對(duì)每個(gè)斷層掃描切片中的肺結(jié)節(jié)位置進(jìn)行相關(guān)記錄，對(duì)

合肥工業(yè)大學(xué)專業(yè)碩士研究生學(xué)位論文11細(xì)致度（Subtlety,Sub）:肺結(jié)節(jié)與其周圍邊界對(duì)比度語(yǔ)義評(píng)級(jí)1至5；類圓度(Sphericity,Sphe)：肺結(jié)節(jié)是類圓形語(yǔ)義評(píng)級(jí)1至5；邊界(Margin)：肺結(jié)節(jié)邊界清晰度語(yǔ)義評(píng)級(jí)1至5；分葉征（Lobulation,Lob）:肺結(jié)節(jié)邊緣分葉程度語(yǔ)義評(píng)級(jí)1至5；毛刺征(Spiculation,Spi):肺結(jié)節(jié)邊緣毛刺狀語(yǔ)義評(píng)級(jí)1至5；紋理(Texture,Tex):肺結(jié)節(jié)病灶區(qū)纖維化程度語(yǔ)義評(píng)級(jí)1至5；惡性腫瘤（Malignancy,Mal):肺結(jié)節(jié)惡性程度語(yǔ)義評(píng)級(jí)1至5.圖2.2肺結(jié)節(jié)語(yǔ)義屬性Fig2.2Semanticfeatureofpulmonarynodules（7）細(xì)致度(Subtlety,Sub)：描述組織內(nèi)部區(qū)域和周邊區(qū)域的對(duì)比度。結(jié)節(jié)的內(nèi)部組成通常由軟組織，流體以及脂肪和空洞組成。（8）邊界(Margin,Mar)：描述結(jié)節(jié)邊緣是否清晰可見(jiàn)，邊緣越清晰更容易直接辨別出邊緣區(qū)域是否有存在毛刺征。

【參考文獻(xiàn)】：
期刊論文
[1]針對(duì)不平衡數(shù)據(jù)的過(guò)采樣和隨機(jī)森林改進(jìn)算法[J]. 張家偉,郭林明,楊曉梅.  計(jì)算機(jī)工程與應(yīng)用. 2020(11)
[2]肺癌化療合并院內(nèi)肺部感染的病原菌特點(diǎn)及影響因素[J]. 鮑秋紅,周華,陳茜,楊青,周建英.  中國(guó)肺癌雜志. 2019(12)
[3]2015年中國(guó)惡性腫瘤流行情況分析[J]. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農(nóng),陳茹,顧秀瑛,魏文強(qiáng),赫捷.  中華腫瘤雜志. 2019 (01)
[4]數(shù)字減影血管造影設(shè)備機(jī)房建設(shè)與安裝的輻射防護(hù)檢測(cè)分析[J]. 高萬(wàn)河,趙艷瓊,潘文哲.  中國(guó)醫(yī)學(xué)裝備. 2018(10)
[5]第八版國(guó)際肺癌TNM分期修訂稿解讀[J]. 葉波,趙珩.  中國(guó)肺癌雜志. 2016(06)
[6]基于語(yǔ)義屬性的肺結(jié)節(jié)良惡性分類[J]. 鞏萍,程玉虎,王雪松.  電子學(xué)報(bào). 2015(12)
[7]一種采用Gabor小波的紋理特征提取方法[J]. 張剛,馬宗民.  中國(guó)圖象圖形學(xué)報(bào). 2010(02)
[8]基于CT圖像的肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)[J]. 薛以鋒,鮑旭東,馬漢林,吳磊.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2006(02)
[9]基于灰度共生矩陣的紋理圖像分類研究[J]. 郭德軍,宋蟄存.  林業(yè)機(jī)械與木工設(shè)備. 2005(07)

博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤圖像分析與處理[D]. 昌杰.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于結(jié)構(gòu)方程模型的因果發(fā)現(xiàn)研究[D]. 楊靜.合肥工業(yè)大學(xué) 2013

碩士論文
[1]基于語(yǔ)義屬性分級(jí)的肺結(jié)節(jié)良惡性診斷研究[D]. 劉琰.西北大學(xué) 2018
[2]基于CT圖像的肺結(jié)節(jié)臨床診斷語(yǔ)義標(biāo)注方法研究[D]. 張婷.湖南大學(xué) 2018
[3]基于流特征的因果結(jié)構(gòu)學(xué)習(xí)算法研究[D]. 郭曉雪.合肥工業(yè)大學(xué) 2018



本文編號(hào)：3052876