本文關鍵詞：肺部薄掃CT序列圖像肺實質分割與肺結節(jié)分類算法研究

  更多相關文章： CT薄層掃描技術 序列圖像 肺實質分割 肺結節(jié)分類 卷積神經網絡 字典對學習算法

【摘要】：肺癌的早期篩查可以幫助患者早發(fā)現(xiàn)早治療,可以有效降低死亡率。肺部低劑量薄層掃描CT由于輻射劑量小且診斷準確率高的優(yōu)點,被廣泛應用于肺癌的早期篩查,但該技術會產生大量的CT圖像,增加了放射科醫(yī)生的工作強度,容易造成誤診或漏診,不能有效提高肺癌的早期檢出率。面對這樣的現(xiàn)狀,針對肺部低劑量CT薄層掃描影像的計算機輔助診斷(Computer Aided Diagnosis,CAD)技術成為研究的熱點。在基于肺部低劑量CT薄層掃描影像的CAD系統(tǒng)中,肺實質的分割是肺結節(jié)(肺癌早期主要形態(tài))診斷的基礎,是降低CAD系統(tǒng)診斷計算量的必要環(huán)節(jié);此外,肺結節(jié)分類性能的優(yōu)劣,是評價一個肺部CAD系統(tǒng)的關鍵和核心。因此,上述兩個方面的內容,也成為肺部CAD研究中的熱點和難點。本論文主要針對低劑量薄層掃描CT序列圖像中肺實質的分割與肺癌的早期形態(tài)肺結節(jié)的分類這兩個關鍵內容展開研究。(一)本文針對序列肺實質分割過程中需要人工干預和相鄰切片的相似性易被忽略這一問題,提出了一種改進的測地線活動輪廓(Geodesic Active Contour,GAC)模型進行序列肺實質的分割。該算法的思想是:運用以Nystrom逼近理論推廣為基礎的譜聚類算法分割處于CT序列圖像中間位置切片的肺實質,然后沿著上下兩個方向依次以分割好的肺實質輪廓作為下一張CT圖像中肺實質的初始輪廓,采用改進的GAC模型對所有CT圖像中的肺實質進行分割。本文提出的改進的GAC模型有以下兩個創(chuàng)新點:1)將譜聚類算法應用于肺實質的分割;2)利用序列圖像相鄰切片灰度特征變化緩慢的特點構造了一個灰度相似性信息項,對GAC模型的能量泛函進行改進。通過對20組臨床數(shù)據(jù)進行實驗,結果表明本文提出的序列肺實質分割算法的分割結果與醫(yī)師手動分割結果相比,XOR評價系數(shù)、Hausdorff距離和Jaccard相似系數(shù)的平均值都得到有效改善。(二)在肺結節(jié)分類方面,為了提高分類準確率,本文提出了一種將卷積神經網絡(Convolutional Neural Networks,CNN)與字典對學習算法(Dictionary Pair Learning,DPL)相結合的肺結節(jié)分類模型CNN-DPL。以包含有肺結節(jié)的肺實質圖像作為模型輸入的數(shù)據(jù)集,該模型的思想是:采用CNN提取肺實質圖像的特征,然后用DPL算法替換CNN的分類層,并將提取到的特征作為DPL算法的輸入,最終實現(xiàn)肺結節(jié)分類。本文提出的肺結節(jié)分類模型CNN-DPL有以下兩個創(chuàng)新點:1)利用DPL算法替換CNN的分類層,將CNN與DPL算法結合,用于實現(xiàn)肺結節(jié)的分類;2)提出了包括卷積神經網絡參數(shù)的預訓練和參數(shù)微調與字典對分類器層的訓練兩個步驟的訓練分類模型CNN-DPL的方法。實驗結果表明基于肺實質圖像的肺結節(jié)分類模型CNN-DPL的分類準確率、敏感性和特異性都達到了預期效果。
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R734.2;TP391.41

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 袁戎;石姝s，

本文編號：1260047