本文關(guān)鍵詞：薄掃CT序列圖像的肺實(shí)質(zhì)分割和肺結(jié)節(jié)檢測方法研究　出處：《太原理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 肺實(shí)質(zhì)分割 結(jié)節(jié)檢測 超像素 自生成神經(jīng)森林 海森矩陣

【摘要】：孤立性肺結(jié)節(jié)是大多數(shù)肺癌的早期呈現(xiàn)形式,在肺癌的早期診斷中,肺結(jié)節(jié)的檢出至關(guān)重要。隨著臨床對病灶區(qū)域成像的精度要求不斷提高,為了提高肺結(jié)節(jié)的檢出率,需要采用薄層掃描CT技術(shù),可精確顯示人體微小的組織及各種原發(fā)病灶的結(jié)構(gòu)影像。在高分辨的薄層掃描下,CT影像數(shù)據(jù)會呈現(xiàn)爆炸式增長態(tài)勢,勢必增加醫(yī)生的工作量,導(dǎo)致發(fā)生誤診和漏診情況。計(jì)算機(jī)輔助檢測是利用圖像處理技術(shù)和醫(yī)學(xué)影像學(xué)診斷方法進(jìn)行醫(yī)學(xué)圖像中病灶區(qū)域的輔助檢測的,與人工閱片相比,能夠比較客觀的進(jìn)行圖像分析,可以有效地實(shí)現(xiàn)肺結(jié)節(jié)的檢測,這不僅會減少醫(yī)師工作量提高診斷效率,也對提高肺癌患者生存率具有重要意義。因此,對肺結(jié)節(jié)計(jì)算機(jī)輔助檢測方法的研究是醫(yī)學(xué)影像學(xué)研究中的熱點(diǎn)。肺實(shí)質(zhì)序列圖像的快速精確分割是后續(xù)肺結(jié)節(jié)檢測的基礎(chǔ)。針對以往肺部CT序列圖像肺實(shí)質(zhì)分割算法中,肺頂部和肺底部圖像分割的不徹底性,序列圖像分割時效性低等問題,提出一個基于超像素和自生成神經(jīng)森林的肺實(shí)質(zhì)序列圖像分割方法。首先獲取肺部CT序列ROI圖像,再對其進(jìn)行超像素序列圖像分割,得到超像素樣本,接著采用遺傳算法優(yōu)化的自生成神經(jīng)森林聚類算法對超像素樣本進(jìn)行聚類,最后根據(jù)聚類后的超像素集的灰度特征和位置特征識別分割肺實(shí)質(zhì)區(qū)域。實(shí)驗(yàn)結(jié)果表明,該方法對能夠有效地實(shí)現(xiàn)肺實(shí)質(zhì)序列圖像的完整分割。在二維CT圖像中,血管和結(jié)節(jié)都呈現(xiàn)類圓形,且密度和CT值等屬性都極為相似。在肺結(jié)節(jié)檢測結(jié)果中,往往會有很高的假陽性,影響肺結(jié)節(jié)的檢測準(zhǔn)確率。為此,本文提出了一種基于多尺度增強(qiáng)濾波器和3D形狀特征的肺結(jié)節(jié)自動檢測方法。首先構(gòu)建了肺結(jié)節(jié)和血管的理想模型,然后利用Hessian矩陣構(gòu)建兩種基于3D形狀的多尺度增強(qiáng)濾波器,分別用于增強(qiáng)肺結(jié)節(jié)圖像和血管圖像,去除結(jié)節(jié)圖像中的大部分血管圖像,得到疑似結(jié)節(jié)圖像,接著提出了一種新的肺結(jié)節(jié)特征描述子法向量角度直方圖,并提取疑似結(jié)節(jié)的特征并用SVM分類器進(jìn)行肺結(jié)節(jié)的分類。實(shí)驗(yàn)結(jié)果表明,本文方法可以有效地降低檢測結(jié)果的假陽性,提高肺結(jié)節(jié)檢測的準(zhǔn)確率。這也進(jìn)一步表明本文提出的肺結(jié)節(jié)特征描述子是有效的,可以用作區(qū)分結(jié)節(jié)和血管的依據(jù)。
【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)】

相關(guān)期刊論文 前10條

1 雷蕾;趙涓涓;史曜華;;人車交互技術(shù)中的手勢檢測及識別方法[J];太原理工大學(xué)學(xué)報(bào);2016年06期

2 紀(jì)國華;趙涓涓;潘玲;;基于改進(jìn)自生成神經(jīng)網(wǎng)絡(luò)的孤立性肺結(jié)節(jié)分類[J];太原理工大學(xué)學(xué)報(bào);2015年06期

3 M.S.Brown;P.Lo;J.G.Goldin;E.Barnoy;G.H.J.Kim;M.F.Mc Nitt-Gray;張邢;;臨床上可用于肺癌CT篩查的CAD[J];國際醫(yī)學(xué)放射學(xué)雜志;2015年01期

4 鄒小林;;基于2D-WLDH的最大熵閾值分割算法[J];計(jì)算機(jī)工程;2012年19期

5 戈樂樂;趙銀娣;;五種分割算法在高分辨率遙感圖像中的適用性分析[J];測繪科學(xué);2012年04期

6 李露;;SGNN優(yōu)化算法的研究及其在圖像分割中的應(yīng)用[J];紅外技術(shù);2010年04期

7 張玉新;;孤立性肺結(jié)節(jié)影像學(xué)研究進(jìn)展[J];醫(yī)學(xué)理論與實(shí)踐;2009年01期

8 謝鳳英;秦世引;姜志國;孟如松;;基于改進(jìn)自生成神經(jīng)網(wǎng)絡(luò)的皮膚鏡黑色素細(xì)胞瘤圖像分割[J];中國體視學(xué)與圖像分析;2008年04期

9 曹蕾;占杰;余曉鍔;陳武凡;;基于自動閾值的CT圖像快速肺實(shí)質(zhì)分割算法[J];計(jì)算機(jī)工程與應(yīng)用;2008年12期

10 張震;胡洪濤;;基于VC++的迭代閾值分割算法在圖像處理中的應(yīng)用[J];礦山機(jī)械;2008年08期

相關(guān)博士學(xué)位論文 前2條

1 孟t-;基于活動輪廓模型的醫(yī)學(xué)圖像分割關(guān)鍵技術(shù)研究[D];東北大學(xué);2010年

2 孫宗海;支持向量機(jī)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前5條

1 紀(jì)國華;基于PET-CT的孤立性肺結(jié)節(jié)分割及分類方法的研究[D];太原理工大學(xué);2016年

2 劉少芳;結(jié)合DICOM CT序列三維信息肺結(jié)節(jié)CAD系統(tǒng)設(shè)計(jì)研究[D];電子科技大學(xué);2013年

3 趙巍;計(jì)算機(jī)輔助診斷塵肺的研究[D];重慶理工大學(xué);2011年

4 張博聞;肺癌CAD關(guān)鍵算法研究與系統(tǒng)實(shí)現(xiàn)[D];東北大學(xué);2010年

5 楊聃;三維肺部CT圖像中的結(jié)節(jié)自動識別[D];華中科技大學(xué);2007年

，

本文編號：1333076