目前,肺結(jié)節(jié)是最常見的一種肺部疾病,而肺癌的發(fā)病率和死亡率最高,嚴重威脅人類的健康。目前臨床肺結(jié)節(jié)篩查的主要手段是胸部CT平掃和增強檢測,而醫(yī)生診斷肺部CT圖存在以下問題:醫(yī)生診斷的正確性依賴很多主觀因素;醫(yī)生的工作量大,并且不同資齡的醫(yī)生診斷結(jié)果有差異;臨床專家需要從巨大數(shù)量的CT檢查中找到與肺病有關(guān)的信息,這本身是復(fù)雜度高,技術(shù)含量高的工作。本文從輔助醫(yī)生專家的角度出發(fā),利用圖像處理手段提供自動的病灶檢測分析,能夠在極短的時間內(nèi)完成CT檢查分析,降低了醫(yī)生的誤診率與閱片時間。本文針對肺結(jié)節(jié)的邊緣檢測與特征值的計算進行研究。首先分析了肺部CT圖像的特征。其次研究了肺部CT圖像邊緣檢測算法、肺部CT圖像常用的區(qū)域生長算法、深度學(xué)習(xí)算法�？偨Y(jié)了它們的原理及其優(yōu)缺點。最后采用了Top-Hat算法與小波算法相結(jié)合的方式,在多尺度、多形狀、多方向上對Top-Hat算法的結(jié)構(gòu)元素進行改進。針對肺部CT醫(yī)學(xué)圖像進行了圖像采集、圖像預(yù)處理、肺實質(zhì)分割、圖像對比度增強、疑似點邊緣檢測、疑似肺結(jié)節(jié)診斷等處理過程的研究。論文處理了大量的肺部CT醫(yī)學(xué)圖像,結(jié)合肺實質(zhì)內(nèi)肺結(jié)節(jié)與血管的形態(tài)特征,采用圓形和線形結(jié)... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究的背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
第2章 醫(yī)學(xué)CT圖像處理算法
    2.1 數(shù)學(xué)形態(tài)學(xué)
        2.1.1 數(shù)學(xué)形態(tài)學(xué)算法
        2.1.2 灰度形態(tài)學(xué)算法
    2.2 邊緣檢測算法
    2.3 區(qū)域生長算法
    2.4 深度卷積神經(jīng)網(wǎng)絡(luò)算法
    2.5 小波分解與重構(gòu)算法
    2.6 Top-Hat算法改進
        2.6.1 Top-Hat算法
        2.6.2 結(jié)構(gòu)元素選取
    2.7 本章小結(jié)
第3章 肺部CT圖像處理
    3.1 肺部CT圖像采集
    3.2 肺部CT圖像特征分析
    3.3 肺部CT圖像基本處理
        3.3.1 肺部圖像預(yù)處理
        3.3.2 肺實質(zhì)分割
        3.3.3 肺部圖像對比度增強
        3.3.4 肺部圖像邊緣檢測
        3.3.5 肺結(jié)節(jié)特征值計算
        3.3.6 肺部CT圖像診斷過程
    3.4 本章小結(jié)
第4章 肺部CT圖像處理結(jié)果與分析
    4.1 肺結(jié)節(jié)圖像處理的算法流程圖
    4.2 本文算法處理肺部CT圖像的結(jié)果
    4.3 幾種算子處理肺部CT圖像處理結(jié)果對比
        4.3.1 邊緣檢測算子處理結(jié)果分析
        4.3.2 區(qū)域生長算子處理結(jié)果分析
        4.3.3 深度卷積神經(jīng)網(wǎng)絡(luò)算法處理結(jié)果分析
    4.4 本章小結(jié)
第5章 GUI界面設(shè)計
    5.1 圖像增強模塊設(shè)計
    5.2 圖像分割模塊設(shè)計
    5.3 邊緣檢測模塊設(shè)計
    5.4 特征值模塊設(shè)計
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)成果
致謝
附錄


【參考文獻】：
期刊論文
[1]基于多尺度的去噪方法研究[J]. 劉強,李宏寧.  電腦知識與技術(shù). 2018(17)
[2]基于不同結(jié)構(gòu)元素的地物邊界提取對比實驗研究[J]. 李帥,郭力娜,曹應(yīng)舉,王奉林,王文佩.  唐山學(xué)院學(xué)報. 2018(03)
[3]計算機輔助檢測對乳腺鈣化灶標記的臨床意義[J]. 楊開顏,劉小娟,司麗芳,蔣濤.  腫瘤影像學(xué). 2018(01)
[4]基于小波變換的車牌文字模糊識別算法研究[J]. 吳曉剛,羊波.  福建電腦. 2018(01)
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)算法的肺結(jié)節(jié)檢測模型[J]. 楊晶晶,王騫,宣曉華.  數(shù)學(xué)建模及其應(yīng)用. 2017(04)
[6]基于小波變換多尺度的圖像邊緣檢測方法研究[J]. 謝道平.  大眾科技. 2017(11)
[7]基于改進Sobel算法的車輛檢測技術(shù)[J]. 趙勇,李懷宇.  電子科技. 2017(11)
[8]霧霾天氣下車前障礙物識別[J]. 李浩,劉志超,楊梅,張良玉.  電子世界. 2017(21)
[9]基于區(qū)域生長分割算法在醫(yī)學(xué)圖像中的研究[J]. 何穎,張星陽,趙金龍.  數(shù)字技術(shù)與應(yīng)用. 2017(10)
[10]一種基于Canny算子的圖像邊緣檢測方法[J]. 辛玉欣,王傳洋.  信息與電腦(理論版). 2017(18)



本文編號：3167850