本文選題：肺結(jié)節(jié)　切入點(diǎn)：語(yǔ)義特征　出處：《深圳大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：肺癌是發(fā)病率、死亡率增長(zhǎng)最快的惡性腫瘤之一,早期診斷對(duì)肺癌治療至關(guān)重要。肺結(jié)節(jié)是肺癌的常見表現(xiàn)形式,臨床常用計(jì)算機(jī)斷層掃描技術(shù)(Computed tomography,CT)篩查肺結(jié)節(jié)病變。但肺結(jié)節(jié)CT圖像表征多樣,人眼篩查具有工作量大、觀察者間差異明顯、重復(fù)性差等缺陷。為解決上述缺陷,肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)(Computer-aided Diagnosis,CAD)得以發(fā)展。本文就此提出一種基于多任務(wù)學(xué)習(xí)框架的肺結(jié)節(jié)自動(dòng)評(píng)級(jí)系統(tǒng),自動(dòng)給出肺結(jié)節(jié)CT圖像臨床語(yǔ)義特征的級(jí)別,提高診斷效率與精度。本文提出兩種肺結(jié)節(jié)輔助診斷系統(tǒng)。首先,我們提出基于多任務(wù)線性回歸(Multi-task Learning Regression,MTLR)模型的評(píng)級(jí)方法,對(duì)肺結(jié)節(jié)8個(gè)語(yǔ)義特征自動(dòng)作出評(píng)級(jí)。其次,我們提出多屬性輔助診斷肺癌(Multiple Attribute-assisted Diagnosis of Lung Cancer,MAADLC)的模型,在預(yù)測(cè)8個(gè)語(yǔ)義特征級(jí)別的同時(shí)給出肺結(jié)節(jié)良惡性診斷結(jié)果。計(jì)算機(jī)特征和臨床語(yǔ)義特征的鴻溝是CAD發(fā)展的瓶頸。為此本文首先提出使用異構(gòu)特征的MRLR模型。由描述圖像高層次計(jì)算機(jī)特征的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)特征、堆疊降噪自動(dòng)編碼(Stacked Denoising Autoencoder,SDAE)特征和描述圖像灰度低層次計(jì)算機(jī)特征的隨機(jī)Haar特征形成異構(gòu)特征,隨后將每個(gè)語(yǔ)義特征作為一個(gè)任務(wù),使用MRLR模型發(fā)掘不同任務(wù)間的共享特征和獨(dú)立特征,自動(dòng)回歸出8個(gè)任務(wù)的評(píng)級(jí)結(jié)果。其次,我們提出MAADLC模型對(duì)肺結(jié)節(jié)診斷問(wèn)題進(jìn)行改進(jìn)和效果提升。在特征提取上,新增方向梯度直方圖(Histogram of Oriented Gradient,HoG)特征,描述肺結(jié)節(jié)圖像的形狀與邊界信息;在分級(jí)問(wèn)題上,提出多種訓(xùn)練框架的MAADLC模型,將8個(gè)語(yǔ)義特征作為輔助信息與良惡性信息聯(lián)合訓(xùn)練,聯(lián)合解決分類回歸混合問(wèn)題及高層次診斷問(wèn)題,達(dá)到診斷良惡性的最終目的。我們使用肺部圖像數(shù)據(jù)聯(lián)盟(The Lung Image Database Consortium,LIDC)公共數(shù)據(jù)集作為測(cè)試數(shù)據(jù),在8個(gè)語(yǔ)義特征評(píng)級(jí)上,四組醫(yī)師組間差異為0.58±0.78(絕對(duì)誤差均值±標(biāo)準(zhǔn)差,下同),MRLR模型預(yù)測(cè)結(jié)果為0.65±0.56;在聯(lián)合肺結(jié)節(jié)良惡性的9個(gè)臨床語(yǔ)義特征評(píng)級(jí)上,四組醫(yī)師組間差異為0.70±0.79,MAADLC混合模型預(yù)測(cè)結(jié)果為0.69±0.59,預(yù)測(cè)結(jié)果接近醫(yī)師組間差異,說(shuō)明預(yù)測(cè)方法達(dá)到醫(yī)師人眼篩查的準(zhǔn)確率。本文首次提出肺結(jié)節(jié)9種屬性聯(lián)合自動(dòng)評(píng)級(jí)的方法,該系統(tǒng)使用當(dāng)前流行的機(jī)器學(xué)習(xí)手段,有效解決臨床實(shí)際問(wèn)題。本文提出的評(píng)級(jí)檢索框架是通用的,可擴(kuò)展使用至醫(yī)學(xué)圖像檢索引擎中。
[Abstract]:Lung cancer is one of the malignant tumors with the fastest morbidity and mortality. Early diagnosis is very important to the treatment of lung cancer. Pulmonary nodules are a common manifestation of lung cancer. Computed tomographic CT (CT) is commonly used to screen pulmonary nodule lesions in clinic, but the CT images of pulmonary nodules are diverse, the human eye screening has many defects, such as heavy workload, obvious differences among observers, poor repeatability and so on. The computer-aided diagnosis system for pulmonary nodules (CAD) has been developed. In this paper, an automatic classification system of pulmonary nodules based on multi-task learning framework is proposed, which automatically gives the level of clinical semantic features of CT images of pulmonary nodules. In this paper, two kinds of pulmonary nodule assistant diagnosis systems are proposed. First, we propose a multi-task Learning model based on multi-task Learning model to automatically rate eight semantic features of pulmonary nodules. We present a multiple Attribute-assisted Diagnosis of Lung carcinoma MAADLC model. The diagnosis results of benign and malignant pulmonary nodules are given while predicting eight semantic feature levels. The gap between computer and clinical features is the bottleneck of CAD development. In this paper, a MRLR model using heterogeneous features is proposed firstly in this paper. Convolutional Neural Network CNNs that describe high-level computer features of images, Stacked Denoising autocode (SDAE) features and random Haar features that describe the image's low-grayscale computer features form heterogeneous features, and then each semantic feature is treated as a task. The MRLR model is used to explore the shared and independent features among different tasks, and the grading results of 8 tasks are automatically regressed. Secondly, we propose an improved MAADLC model to improve the diagnosis of pulmonary nodules. A new histogram of Oriented histogram was added to describe the shape and boundary information of pulmonary nodule images, and a MAADLC model of various training frames was proposed, in which eight semantic features were used as auxiliary information and benign and malignant information for training. To solve the mixed problem of classification and regression and the problem of high-level diagnosis, we use the common data set of the Lung Image Database consortiums (LIDC) as the test data to achieve the ultimate goal of diagnosing benign and malignant tumors. In the eight semantic feature ratings, we use the common data set of the lung image data alliance (Lung Image Database consortiums) as the test data. The difference among the four groups was 0.58 鹵0.78 (mean absolute error 鹵standard deviation) and the predicted result of MRLR model was 0.65 鹵0.56. The difference among the four groups was 0.70 鹵0.79% MAADLC mixed model and 0.69 鹵0.59. The predicted results were close to the difference between the physician groups, which indicated that the prediction method reached the accuracy of the doctor's eye screening. The method of combined automatic rating of 9 attributes of pulmonary nodules was put forward for the first time in this paper. The system uses the popular machine learning method to solve the practical clinical problems effectively. The rating retrieval framework proposed in this paper is universal and can be extended to the medical image retrieval engine.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;R734.2

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陸惠昌,陳秀娟;肺結(jié)節(jié)病的誤診分析[J];上海預(yù)防醫(yī)學(xué)雜志;2000年07期

2 李玉蘋,李建平;肺結(jié)節(jié)病診斷和治療[J];中國(guó)現(xiàn)代醫(yī)學(xué)雜志;2000年07期

3 宋熙科;肺結(jié)節(jié)病誤診5例分析[J];臨床薈萃;2001年02期

4 李國(guó)華;肺結(jié)節(jié)病誤診分析[J];衛(wèi)生職業(yè)教育;2002年08期

5 解好群 ,朱運(yùn)奎 ,薛慶亮 ,金遠(yuǎn)林 ,牟玉蘭;20例肺結(jié)節(jié)病臨床分析[J];中國(guó)醫(yī)師雜志;2002年05期

6 冉超蓉,羅發(fā)樞;肺結(jié)節(jié)病10例臨床診治分析[J];四川醫(yī)學(xué);2002年05期

7 鄧西平,包紅,李清華,劉冬明,易清萍;肺結(jié)節(jié)病的誤診分析[J];江西醫(yī)藥;2003年05期

8 董瓊,鄧安彥;肺結(jié)節(jié)病5例臨床分析[J];川北醫(yī)學(xué)院學(xué)報(bào);2003年02期

9 閆香果,郭順新;肺結(jié)節(jié)病64例臨床分析[J];張家口醫(yī)學(xué)院學(xué)報(bào);2003年05期

10 唐育斌,王耀程,徐山淡,白建軍;肺結(jié)節(jié)病1例報(bào)告[J];實(shí)用放射學(xué)雜志;2004年05期

相關(guān)會(huì)議論文 前10條

1 姜偉;;肺結(jié)節(jié)病誤診為肺癌一例診治體會(huì)[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

2 陸志偉;黃慧;張堅(jiān);徐作軍;;纖維支氣管鏡檢查在肺結(jié)節(jié)病診斷中的價(jià)值[A];中華醫(yī)學(xué)會(huì)第三屆全國(guó)間質(zhì)性肺病暨彌漫性泛細(xì)支氣管炎學(xué)術(shù)會(huì)議論文匯編[C];2010年

3 葉秋月;許文兵;劉曉清;張麗帆;;肺結(jié)節(jié)病與肺結(jié)核鑒別診斷的臨床分析[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

4 王曉娟;安立;代華平;葉俏;徐莉莉;何璇;;以大量胸腔積液為表現(xiàn)的胸膜肺結(jié)節(jié)病三例報(bào)告并文獻(xiàn)復(fù)習(xí)[A];中華醫(yī)學(xué)會(huì)第三屆全國(guó)間質(zhì)性肺病暨彌漫性泛細(xì)支氣管炎學(xué)術(shù)會(huì)議論文匯編[C];2010年

5 殷芳;宋寧?kù)o;陳佳;章楚光;樂(lè)嘉豫;;以四肢結(jié)節(jié)為首發(fā)的皮膚-肺結(jié)節(jié)病1例[A];2012全國(guó)中西醫(yī)結(jié)合皮膚性病學(xué)術(shù)會(huì)議論文匯編[C];2012年

6 鄧笑偉;王紅利;;肺結(jié)節(jié)病誤診肺轉(zhuǎn)移瘤1例分析[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

7 王曉娟;安立;代華平;葉俏;徐莉莉;何璇;;以大量胸腔積液為表現(xiàn)的胸膜肺結(jié)節(jié)病3例報(bào)告并文獻(xiàn)復(fù)習(xí)[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

8 邵楊;郭宏琳;張群成;姜淑娟;;經(jīng)支氣管鏡超聲引導(dǎo)針吸活檢(EBUS-TBNA)在肺結(jié)節(jié)病診斷中的價(jià)值[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

9 劉敬禹;李博;裴奇;李振華;;肺結(jié)節(jié)病患者ADAM9低表達(dá)水平的研究[A];中華醫(yī)學(xué)會(huì)呼吸病學(xué)年會(huì)——2011（第十二次全國(guó)呼吸病學(xué)學(xué)術(shù)會(huì)議）論文匯編[C];2011年

10 金兒;王利民;夏俊波;陳灝;任振義;;胸部X線攝影術(shù)和HRCT診斷肺結(jié)節(jié)病的對(duì)比分析[A];2012年浙江省內(nèi)科學(xué)年會(huì)論文集[C];2012年

相關(guān)重要報(bào)紙文章 前2條

1 肖湘生 上海長(zhǎng)征醫(yī)院醫(yī)學(xué)影像科主任醫(yī)師 教授;肺結(jié)節(jié)是怎么回事？[N];文匯報(bào);2013年

2 阿勝;治療原則“吐故納新”[N];醫(yī)藥經(jīng)濟(jì)報(bào);2002年

相關(guān)博士學(xué)位論文 前2條

1 曹陽(yáng);肺結(jié)節(jié)動(dòng)態(tài)增強(qiáng)CT及其與腫瘤血管生成的相關(guān)性研究[D];天津醫(yī)科大學(xué);2003年

2 曹蕾;肺結(jié)節(jié)圖像的分析與識(shí)別[D];南方醫(yī)科大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 楊景茹;NLR和TB-IGRA在肺結(jié)節(jié)病與肺結(jié)核病鑒別診斷中的應(yīng)用價(jià)值[D];山東大學(xué);2015年

2 羅旋;基于DICOM序列影像的肺結(jié)節(jié)檢測(cè)算法研究[D];電子科技大學(xué);2015年

3 劉瀟;基于時(shí)間序列的孤立肺結(jié)節(jié)形態(tài)征象及良惡檢測(cè)[D];西北大學(xué);2015年

4 程莉;肺結(jié)節(jié)病18例臨床分析[D];重慶醫(yī)科大學(xué);2015年

5 溫彩云;單純吸入糖皮質(zhì)激素對(duì)肺結(jié)節(jié)病治療效果的meta分析[D];大連醫(yī)科大學(xué);2015年

6 蘇志遠(yuǎn);基于模糊C均值聚類和字典學(xué)習(xí)的肺結(jié)節(jié)分割[D];山東財(cái)經(jīng)大學(xué);2016年

7 陳慶麟;肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

8 汪俊;基于定量影像組學(xué)的肺結(jié)節(jié)良惡性預(yù)測(cè)[D];哈爾濱理工大學(xué);2016年

9 陳思宏;肺結(jié)節(jié)CT圖像中基于多任務(wù)特征的語(yǔ)義屬性自動(dòng)評(píng)級(jí)[D];深圳大學(xué);2017年

10 香世杰;肺結(jié)節(jié)計(jì)算機(jī)輔助診斷系統(tǒng)中分割算法研究及實(shí)現(xiàn)[D];華南理工大學(xué);2011年

，

本文編號(hào)：1562068