【摘要】：近年來,肺癌已經(jīng)成為當(dāng)今發(fā)病率和死亡率最高的癌癥疾病之一。肺癌的早期診斷和治療能夠有效的降低患者的死亡率,在提高治愈率方面起著至關(guān)重要的作用。肺癌早期大多表現(xiàn)為孤立性結(jié)節(jié)。PET和CT影像可以有效的對結(jié)節(jié)進行檢測,但是肺結(jié)節(jié)良惡性的確診仍須進一步的病理檢查,由此會給患者造成經(jīng)濟和身心的雙重負擔(dān)。目前,計算機輔助診斷技術(shù)能夠通過提取肺結(jié)節(jié)圖像中的紋理、形狀等特征對圖像進行分析,為放射科醫(yī)師診斷提供支持,但是基于統(tǒng)計特征提取的診斷方法無法適用于組織結(jié)構(gòu)復(fù)雜的肺結(jié)節(jié)。深度自編碼技術(shù)可以通過多層非線性網(wǎng)絡(luò)堆疊自主地從圖像中學(xué)習(xí)特征并利用這些特征對圖像進行分類,客觀地反映圖像的真實信息,本文的研究主要是利用深層自編碼技術(shù)實現(xiàn)肺結(jié)節(jié)的良惡性輔助診斷。本文的主要研究內(nèi)容和創(chuàng)新如下:(1)現(xiàn)有的肺結(jié)節(jié)診斷方法多是依靠圖像處理技術(shù)和專業(yè)診斷知識等先驗知識對肺結(jié)節(jié)圖像進行特征提取,但是這樣的統(tǒng)計學(xué)的特征并不一定適用于所有類型的肺結(jié)節(jié)圖像。為了解決上述問題,本文提出一種基于棧式極限學(xué)習(xí)機的肺結(jié)節(jié)自動診斷方法。由于CT系統(tǒng)在成像時存在系統(tǒng)噪聲,成像對比度低,本文首先采用自適應(yīng)直方圖均衡法處理肺結(jié)節(jié)圖像,提高圖像的對比度。然后將增強后的肺結(jié)節(jié)圖像輸入到基于極限學(xué)習(xí)機的自編碼網(wǎng)絡(luò)中進行無監(jiān)督的特征學(xué)習(xí),最后將經(jīng)過深度網(wǎng)絡(luò)學(xué)習(xí)的高層特征作為有監(jiān)督原始極限學(xué)習(xí)機的輸入進行最終的診斷。由于極限學(xué)習(xí)機算法不需要參數(shù)微調(diào),所以基于極限學(xué)習(xí)機的自編碼網(wǎng)絡(luò)的訓(xùn)練速度要比基于BP網(wǎng)絡(luò)的自編碼網(wǎng)絡(luò)的訓(xùn)練速度快,但是網(wǎng)絡(luò)的診斷性能不輸BP網(wǎng)絡(luò)。通過與現(xiàn)有診斷方法的比較,該方法具有較好的準確率、敏感性和特異性,是一種比較可靠的肺結(jié)節(jié)診斷方法。(2)為了克服單模態(tài)圖像特征的片面性和無監(jiān)督特征學(xué)習(xí)的局限性,本文結(jié)合CT和PET圖像特征提出基于雙模態(tài)深度極限學(xué)習(xí)機的孤立性肺結(jié)節(jié)診斷方法,該方法中設(shè)計了一種深度有監(jiān)督降噪自編碼網(wǎng)絡(luò),該網(wǎng)絡(luò)引入了限制差分和降噪進行網(wǎng)絡(luò)優(yōu)化,能夠從PET和CT圖像中學(xué)習(xí)得到有區(qū)分度的特征信息。由于整個框架的子網(wǎng)絡(luò)對應(yīng)不同模態(tài)圖像,因此在獲得不同模態(tài)特征后采用不同的融合策略進行特征融合,最后對融合后的特征進行分類診斷。實驗表明,融合后的特征要比單獨的特征具有更好的區(qū)分度;并且與已有的基于深度學(xué)習(xí)技術(shù)的肺結(jié)節(jié)診斷方法比較,本文的方法獲得92.81±0.57%的準確性和1.58/scan的假陽性,超過了其他優(yōu)秀的肺結(jié)節(jié)診斷方法并且網(wǎng)絡(luò)具有很好的魯棒性和抗噪性,對肺結(jié)節(jié)輔助診斷的進一步研究具有一定參考價值。
【圖文】：

肺部CT切片

如圖 3-8 所示，不同類型的核函數(shù)運dlim”代表硬極限函數(shù)，，“Purelin”代表線性函函數(shù)，結(jié)果顯示非線性核函數(shù)比線性核函數(shù)取得最好的測試準確率。所以最后選用高斯函數(shù)能夠得到最好的結(jié)果。
【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

【相似文獻】

相關(guān)期刊論文 前10條

1 王德杭,汪家旺,于立燕,俞同福;肺結(jié)節(jié)檢測算法研究[J];上海生物醫(yī)學(xué)工程;2005年01期

2 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(xué);2006年22期

3 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(xué)影像技術(shù);2011年12期

4 ;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

5 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(xué)雜志;2003年07期

6 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(xué)(臨床放射學(xué)分冊);2005年06期

7 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

8 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(xué)工程;2008年05期

9 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(xué)與哲學(xué)(臨床決策論壇版);2009年04期

10 高園園;呂慶文;;肺結(jié)節(jié)檢測算法研究[J];醫(yī)學(xué)信息;2010年02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(xué)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(xué)會影像技術(shù)分會第十八次全國學(xué)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(xué)會第16次全國放射學(xué)學(xué)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(xué)會影像技術(shù)分會第十八次全國學(xué)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(xué)學(xué)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(xué)會放射學(xué)分會第八屆全國心胸影像學(xué)術(shù)大會暨河南省第十二次放射學(xué)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(xué)會第十三屆全國放射學(xué)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(xué)工程進展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)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(xué)會第十三屆全國放射學(xué)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(xué)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(xué)會第16次全國放射學(xué)學(xué)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(xué)醫(yī)學(xué)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(xué);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(xué)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(xué);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(xué)技術(shù)大學(xué);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(xué);2011年

4 李惠民;肺結(jié)節(jié)CT研究[D];第二軍醫(yī)大學(xué);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(xué);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(xué)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(xué)　;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(xué);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(xué)院;2008年

相關(guān)碩士學(xué)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(xué);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(xué);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(xué);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(xué);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(xué);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(xué);2016年

7 樂昂霖;基于SVM的肺結(jié)節(jié)分割與識別[D];東北大學(xué);2015年

8 李仙鳳;生物標志物結(jié)合肺結(jié)節(jié)影像學(xué)特征對肺結(jié)節(jié)良惡性的預(yù)測價值[D];大連醫(yī)科大學(xué);2016年

9 柏蕓;低劑量胸腔CT肺部影像的肺結(jié)節(jié)計算機輔助診斷方法研究[D];西南交通大學(xué);2017年

10 王國明;基于CT圖像的肺結(jié)節(jié)分割方法研究[D];長春工業(yè)大學(xué);2017年

本文編號：2523436