CT肺結(jié)節(jié)檢測對提高早期肺癌患者五年生存率具有重要的價值。由于肺結(jié)節(jié)病理組織結(jié)構(gòu)的復(fù)雜性,提取高判別性特征、獲得低假陽性率仍是一項極具挑戰(zhàn)性的任務(wù)。針對該問題,本文圍繞肺結(jié)節(jié)檢測方法進行了研究,具體工作及主要成果如下:（1）針對粘連型結(jié)節(jié)提取困難問題,提出一種基于最大熵分割與形態(tài)學(xué)結(jié)合的疑似結(jié)節(jié)提取方法。首先,提取CT圖像肺實質(zhì)區(qū)域,用最大熵分割肺實質(zhì)得到感興趣區(qū)域;然后,用形態(tài)學(xué)方法去除感興趣區(qū)域中結(jié)節(jié)與肺組織粘連部分;最后,用連通域標(biāo)記法提取疑似結(jié)節(jié)圖像并保存為數(shù)據(jù)庫。實驗表明,該方法能有效地斷結(jié)節(jié)開粘連區(qū)域,準(zhǔn)確提取出疑似結(jié)節(jié)區(qū)域。（2）針對小規(guī)模數(shù)據(jù)集難以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)問題,提出一種基于遷移學(xué)習(xí)與SVM的肺結(jié)節(jié)檢測方法。首先,復(fù)制預(yù)訓(xùn)VGG作為目標(biāo)模型;其次,微調(diào)模型使其適用于肺結(jié)節(jié)分類任務(wù);然后,用（1）中數(shù)據(jù)庫通過反向傳播的方式對模型過濾器權(quán)重進行優(yōu)化;最后,用模型提取的深度特征訓(xùn)練和測試SVM。結(jié)實驗表明,該方法能夠準(zhǔn)確地檢測出結(jié)節(jié),且具有較低的假陽性率。（3）針對深度特征維數(shù)多易出現(xiàn)冗余的問題,提出一種基于特征優(yōu)化的肺結(jié)節(jié)檢測方法。首先,用微調(diào)的VGG深度網(wǎng)絡(luò)提取特征... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 疑似結(jié)節(jié)提取方法研究現(xiàn)狀
        1.2.2 假陽性去除方法研究現(xiàn)狀
        1.2.3 現(xiàn)存的問題及難點
    1.3 本文主要工作及章節(jié)安排
        1.3.1 本文主要工作
        1.3.2 本文章節(jié)安排
2 基于最大熵分割與形態(tài)學(xué)結(jié)合的疑似結(jié)節(jié)提取方法
    2.1 問題的提出
    2.2 算法描述
        2.2.1 最大熵分割法提取ROI
        2.2.2 形態(tài)學(xué)方法去除粘連區(qū)域
    2.3 實驗結(jié)果及分析
    2.4 本章小結(jié)
3 基于遷移學(xué)習(xí)與SVM的肺結(jié)節(jié)檢測方法
    3.1 問題的提出
    3.2 算法描述
        3.2.1 對VGG-16進行遷移學(xué)習(xí)提取特征
        3.2.2 訓(xùn)練SVM分類器
    3.3 實驗結(jié)果及分析
    3.4 本章小結(jié)
4 基于特征優(yōu)化的肺結(jié)節(jié)檢測方法
    4.1 問題的提出
    4.2 算法描述
        4.2.1 深度特征PCA降維
        4.2.2 深度特征t-SNE降維
    4.3 實驗結(jié)果及分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 研究展望
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于三維形狀指數(shù)的肺結(jié)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(yīng)用. 2017(11)
[2]CT圖像肺結(jié)節(jié)計算機輔助檢測與診斷技術(shù)研究綜述[J]. 伍長榮,接標(biāo),葉明全.  數(shù)據(jù)采集與處理. 2016(05)
[3]利用游程集合的標(biāo)號傳播實現(xiàn)快速連通域標(biāo)記[J]. 牛連強,彭敏,孫忠禮,張剛.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2015(01)



本文編號：2968043