【摘要】：為了在紋理特征下改善肺結(jié)節(jié)良、惡性的模式識別,提出一種基于local jet變換空間的紋理特征提取方法。首先利用二維高斯函數(shù)的前三階偏微分函數(shù)將結(jié)節(jié)原圖像變換到local jet紋理圖像空間,然后利用紋理描述子在該空間提取特征參數(shù)。以灰度值的前四階矩和基于灰度共生矩陣的特征參數(shù)作為紋理描述子,分別提取結(jié)節(jié)原圖像和變換后紋理圖像的特征參數(shù),以BP神經(jīng)網(wǎng)絡(luò)作為分類器,對同一紋理描述子下的2個不同圖像空間的經(jīng)核主成分分析優(yōu)化后的特征參數(shù)集進行結(jié)節(jié)良、惡性分類。以157個肺結(jié)節(jié)(51個良性,106個惡性)作為實驗數(shù)據(jù)進行對比實驗,結(jié)果顯示:兩種紋理描述子基于local jet變換空間提取的特征參數(shù)分別獲得82.69%和86.54%的分類正確率,較原圖像空間提高6%~8%,同時AUC值提高約10%。實驗結(jié)果表明,基于local jet變換空間提取的紋理特征可以有效地改善肺結(jié)節(jié)良、惡性的模式識別。
[Abstract]:In order to improve the pattern recognition of benign and malignant pulmonary nodules under texture features, a texture feature extraction method based on local jet transform space is proposed. Firstly, the first three order partial differential function of Gao Si function is used to transform the nodule original image into the local jet texture image space, and then the texture descriptor is used to extract the feature parameters in the space. The first four moments of gray value and the feature parameters based on gray level co-occurrence matrix are used as texture descriptors to extract the feature parameters of the original nodular image and the transformed texture image, respectively. The BP neural network is used as the classifier. The feature parameter sets of two different image spaces under the same texture descriptor are classified into benign and malignant nodules by kernel principal component analysis (KPCA). 157 pulmonary nodules (51 benign and 106 malignant) were used as experimental data. The results showed that the classification accuracy of the two texture descriptors was 82.69% and 86.54%, respectively. Compared with the original image space, the value of AUC is increased by about 10. The experimental results show that the texture features extracted from local jet transform space can effectively improve the pattern recognition of benign and malignant pulmonary nodules.
【作者單位】： 天津大學精密儀器與光電子工程學院;天津醫(yī)科大學附屬腫瘤醫(yī)院;天津市生物醫(yī)學檢測技術(shù)與儀器重點實驗室;
【分類號】：R563;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 毛亞莉;劉勇;張曉忠;;肺結(jié)節(jié)的X線片診斷[J];中國民康醫(yī)學;2006年22期

2 宋佳;李翠芳;孫希文;聶生東;;一種非實質(zhì)性肺結(jié)節(jié)分割的新方法[J];中國醫(yī)學影像技術(shù);2011年12期

3 ;矽肺結(jié)節(jié)鈣化五例臨床分析[J];冶金勞動衛(wèi)生;1976年02期

4 王敏杰,王培軍,田建明,余準,李曉兵,崔恒武,邵成偉;低劑量和靶螺旋CT掃描技術(shù)在肺結(jié)節(jié)診斷中的價值[J];臨床放射學雜志;2003年07期

5 王化,唐光健;多層螺旋CT在肺結(jié)節(jié)診斷中的應(yīng)用及展望[J];國外醫(yī)學(臨床放射學分冊);2005年06期

6 吳龍海;周荷琴;李傳富;;基于高分辨率CT圖像的肺結(jié)節(jié)檢測[J];中國醫(yī)療器械雜志;2008年03期

7 苗芬;吳龍海;周荷琴;;一種基于相關(guān)矩陣的肺結(jié)節(jié)增強算法[J];北京生物醫(yī)學工程;2008年05期

8 賈守勤;趙斌;尚延海;馬子堂;劉世合;齊向芹;;常規(guī)DR胸片對肺結(jié)節(jié)漏診原因的分析[J];醫(yī)學與哲學(臨床決策論壇版);2009年04期

9 高園園;呂慶文;;肺結(jié)節(jié)檢測算法研究[J];醫(yī)學信息;2010年02期

10 林歡;;容積CT掃描發(fā)現(xiàn)的肺結(jié)節(jié)的處理[J];循證醫(yī)學;2010年01期

相關(guān)會議論文 前10條

1 查開繼;高劍波;張永高;郭華;楊學華;周志剛;;斷層融合成像與數(shù)字X線成像診斷肺結(jié)節(jié)的比較研究[A];2010中華醫(yī)學會影像技術(shù)分會第十八次全國學術(shù)大會論文集[C];2010年

2 孫志遠;;數(shù)字化體層融合在肺結(jié)節(jié)探查中的初步應(yīng)用[A];中華醫(yī)學會第16次全國放射學學術(shù)大會論文匯編[C];2009年

3 穆景博;高向東;;X線數(shù)字化體層融合技術(shù)在肺結(jié)節(jié)探查中的應(yīng)用[A];2010中華醫(yī)學會影像技術(shù)分會第十八次全國學術(shù)大會論文集[C];2010年

4 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];2006年華東六省一市暨浙江省放射學學術(shù)年會論文匯編[C];2006年

5 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學會放射學分會第八屆全國心胸影像學術(shù)大會暨河南省第十二次放射學術(shù)會議論文匯編[C];2006年

6 于紅;李惠民;劉士遠;肖湘生;;肺外體循環(huán)動脈供血胸膜下肺結(jié)節(jié):提示炎癥?[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

7 高園園;呂慶文;馮前進;陳武凡;;一種新的肺結(jié)節(jié)檢測算法[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術(shù)年會論文集（上冊）[C];2007年

8 徐巖;馬大慶;;計算機輔助檢測肺結(jié)節(jié)在數(shù)字化胸片上的應(yīng)用價值[A];中華醫(yī)學會第十三屆全國放射學大會論文匯編（下冊）[C];2006年

9 王永仁;吳碧芳;經(jīng)鳳華;李峻;金德勝;;低劑量CT篩查肺結(jié)節(jié)對圖像質(zhì)量的影響[A];2008年浙江省放射學年會論文匯編[C];2008年

10 徐巖;馬大慶;賀文;;計算機輔助檢測肺結(jié)節(jié)在數(shù)字化胸片肺癌篩查中的應(yīng)用價值[A];中華醫(yī)學會第16次全國放射學學術(shù)大會論文匯編[C];2009年

相關(guān)重要報紙文章 前2條

1 上海交通大學醫(yī)學院附屬瑞金醫(yī)院胸外科主任醫(yī)師 邱維誠;發(fā)現(xiàn)肺結(jié)節(jié) 別輕易下診斷[N];健康報;2013年

2 朱立明　第四軍醫(yī)大學;三聯(lián)診斷方案辨明肺結(jié)節(jié)[N];醫(yī)藥經(jīng)濟報;2010年

相關(guān)博士學位論文 前9條

1 劉陽;基于肺部高分辨率CT影像的肺結(jié)節(jié)識別方法研究[D];東北大學;2011年

2 吳龍海;高分辨率CT圖像的肺部病變計算機輔助診斷研究[D];中國科學技術(shù)大學;2008年

3 裴曉敏;基于CT影像的孤立性肺結(jié)節(jié)檢測關(guān)鍵技術(shù)研究[D];東北大學;2011年

4 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學;2003年

5 韓芳芳;基于CT圖像多維特征的肺結(jié)節(jié)檢測和診斷方法研究[D];東北大學;2015年

6 蔡強;低劑量螺旋CT早期肺癌篩查—肺結(jié)節(jié)的檢出及其相關(guān)研究[D];北京協(xié)和醫(yī)學院;2011年

7 孫申申;基于CT影像的肺結(jié)節(jié)檢測與分割方法研究[D];東北大學　;2009年

8 張婧;基于SVM的肺結(jié)節(jié)自動識別方法研究[D];華南理工大學;2011年

9 張濤;肺結(jié)節(jié)PET診斷的系統(tǒng)分析及~（11）C-鬼臼的實驗研究[D];中國人民解放軍軍醫(yī)進修學院;2008年

相關(guān)碩士學位論文 前10條

1 邢謙謙;不規(guī)則形態(tài)肺結(jié)節(jié)的分割及毛刺檢測研究[D];南方醫(yī)科大學;2015年

2 劉曉娜;基于支持向量機的肺結(jié)節(jié)識別研究[D];浙江大學;2016年

3 滕雅琴;計算機輔助檢測系統(tǒng)CT肺結(jié)節(jié)檢出方式的研究[D];新疆醫(yī)科大學;2016年

4 黑嘯吉;基于低劑量CT圖像的肺結(jié)節(jié)分割算法研究[D];鄭州大學;2016年

5 張俊杰;基于粗糙集的特征級融合肺結(jié)節(jié)檢測算法[D];寧夏醫(yī)科大學;2016年

6 劉晨輝;基于DoG的胸部CT肺結(jié)節(jié)自動檢測算法研究[D];廣州大學;2016年

7 賈守勤;常規(guī)DR胸片對肺結(jié)節(jié)漏診原因的分析[D];山東大學;2009年

8 侯喬;16層螺旋CT肺結(jié)節(jié)分析軟件在孤立性肺結(jié)節(jié)中的價值[D];重慶醫(yī)科大學;2010年

9 楊榮榮;64排螺旋CT不同的重建參數(shù)對肺結(jié)節(jié)容積定量的影響[D];天津醫(yī)科大學;2012年

10 高園園;肺結(jié)節(jié)檢測算法的研究[D];南方醫(yī)科大學;2008年

，

本文編號：2421032