肺癌是一種全球性的高危疾病,尤其在男性中肺癌是最常見的癌癥,而肺癌早期是以肺結節(jié)的形式表現出來的,雖然低劑量肺CT篩查肺結節(jié)為早期診斷提供了一個有效的方法,大大降低了肺癌的死亡率。但隨著信息數據的增加,給醫(yī)生的工作帶來巨大的負擔,因此利用計算機輔助肺結節(jié)檢測十分必要,有利于減少診斷時間,幫助醫(yī)生提高工作效率。傳統的肺結節(jié)檢測使用的方法大部分都是基于機器學習算法,結合專業(yè)的醫(yī)學領域知識和CT圖像的特點,人工提取出特征,并選取有用的特征放到分類器中訓練,不僅過程繁瑣,而且這樣訓練出來的模型泛化能力不好,并不能直接運用起到輔助治療的作用。隨著深度卷積神經網絡與圖像處理領域的結合,深度學習算法漸漸成為熱門的研究課題,它不再需要傳統方法中手工特征提取設計的步驟,而是由模型以卷積方式自動提取圖像的表征,且深層的網絡提取的特征更具體,更具有辨識力。因此,越來越多的人開始將深度學習的算法融合到肺結節(jié)圖像研究中�，F已有的方法主要是將傳統的機器學習算法與深度學習結合起來,在疑似肺結節(jié)區(qū)域分割中應用傳統的算法,在去除肺結節(jié)假陽性中使用深度卷積神經網絡,但是這類方法得到的模型往往泛化能力不好,在提取疑似結節(jié)過... 

【文章來源】：上海海洋大學上海市

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

語義分割Fig.2-1Semanticsegmentation

圖分割Fig.2-2Graphsegmentation

9圖 2-3 最小化分割Fig.2-3 Normalized cut的基本思想是按照圖像的灰度特征選取閾值，并針對圖閾值的比較結果來分類，閾值的最佳求解方法是按照某際上將輸入圖像 f 轉化為輸出圖像 g（2-3）：， h h圖像中各個像素點大于等于閾值 T 時，圖像中的像素點輸入圖像中各個像素點小于閾值 T 時，將圖像中的像素，閾值的選取是基于閾值分割算法的關鍵，確定閾值后值與閾值的大小，對各像素并行地進行輸出灰度值，給區(qū)域。該算法直接利用圖像灰度特性進行分割，易實現、

【參考文獻】：
期刊論文
[1]基于三維形狀指數的肺結節(jié)自動檢測方法[J]. 董林佳,強彥,趙涓涓,原杰,趙文婷.  計算機應用. 2017(11)
[2]基于多尺度小波變換的醫(yī)學圖像邊緣檢測[J]. 張劍,金延昊.  醫(yī)療衛(wèi)生裝備. 2016(05)
[3]肺結節(jié)的CT計算機輔助檢測和診斷的基本方法和應用[J]. 崔云,馬大慶.  中國醫(yī)學影像技術. 2007(03)

碩士論文
[1]基于深度學習的肺結節(jié)檢測方法研究[D]. 郝歡.西安理工大學 2018
[2]基于深度學習的肺結節(jié)檢測研究[D]. 方俊煒.廣州大學 2018
[3]基于深度學習的肺結節(jié)檢測與診斷研究[D]. 楊晗.鄭州大學 2018
[4]基于機器視覺的肺結節(jié)初篩算法研究與實現[D]. 嚴忱君.浙江大學 2018
[5]基于卷積神經網絡的肺結節(jié)檢測方法研究[D]. 林春偉.華南理工大學 2017
[6]基于形態(tài)特征的肺結節(jié)CT圖像計算機輔助檢測和輔助診斷研究[D]. 胡玉娜.復旦大學 2012



本文編號：3562274