【摘要】：肺癌是嚴重危害人類健康的重要惡性腫瘤之一,是我國發(fā)病率和死亡率位于第一位的癌癥。肺癌的早期診斷能夠提高肺癌患者的五年存活率。CT影像是肺癌早期診斷的重要手段,但隨著CT影像數(shù)據(jù)量的增加,影像醫(yī)師閱片工作量增大,導(dǎo)致肺癌漏診率和誤診率的增加。應(yīng)用于CT的計算機輔助檢測與診斷系統(tǒng)(computer aided detection and diagnosis,CAD)能降低影像醫(yī)師的閱片時間,提供必要的輔助診斷信息,提高診斷效率和準確率。肺結(jié)節(jié)是早期肺癌在CT影像中的重要表現(xiàn)。在CAD系統(tǒng)中,肺結(jié)節(jié)的準確分割是降低肺癌漏檢率,實現(xiàn)肺結(jié)節(jié)良惡性判斷等工作的重要前提。本課題探討了現(xiàn)有肺結(jié)節(jié)分割算法,分析其存在的不足,并對胸部CT影像的肺結(jié)節(jié)分割方法做了以下研究:首先,研究了肺實質(zhì)的分割方法。肺實質(zhì)的分割是肺結(jié)節(jié)分割的重要步驟,能有效減少肺部病變的搜索范圍,提高檢測效率。經(jīng)預(yù)處理、圖像二值化、去除周圍組織以及左右肺實質(zhì)分離等步驟,實現(xiàn)了肺實質(zhì)的初分割;利用滾球法對肺實質(zhì)輪廓進行修復(fù),完成了肺實質(zhì)的分割。然后,研究了基于單一函數(shù)混合模型的肺結(jié)節(jié)分割方法,包括高斯混合模型和Gamma混合模型。本課題給出了新的模型參數(shù)估計方法,即自適應(yīng)粒子群算法(adaptive particle swarm optimization,APSO),實現(xiàn)了分割過程中模型分量個數(shù)和參數(shù)的同時優(yōu)化,獲得了較為準確的肺結(jié)節(jié)分割結(jié)果。最后,依據(jù)正常肺實質(zhì)和肺結(jié)節(jié)的灰度分布曲線不一定完全服從某一種分布函數(shù)的事實,采用多種分布函數(shù)組合的方法實現(xiàn)肺結(jié)節(jié)分割。選定一組特定的分布函數(shù),給出了基于自選擇混合分布模型的肺結(jié)節(jié)分割方法,完成了最優(yōu)分布函數(shù)模型的選擇、參數(shù)的估計和混合分量數(shù)的優(yōu)化,實現(xiàn)了肺結(jié)節(jié)的分割。另外,鑒于該模型的優(yōu)越性,研究基于鄰域信息的自選擇混合分布模型的肺結(jié)節(jié)分割方法,它利用像素的鄰域信息,降低了噪聲對分割結(jié)果的影響,進一步提高了肺結(jié)節(jié)分割的準確性。針對本文所述肺結(jié)節(jié)分割方法進行了實驗驗證和分析,給定了基于有限混合模型的肺結(jié)節(jié)分割評價方法。并將本文算法與其它同類肺結(jié)節(jié)分割方法進行比較,實驗結(jié)果表明,本文所述肺結(jié)節(jié)分割方法具有更好的分割效果。
【圖文】：

圖 1-1 中國目前男、女死亡率前十位惡性腫瘤構(gòu)成肺癌的誘因主要有空氣污染、慢性呼吸性疾病、吸煙、家族遺傳、職業(yè)露和飲食等。肺癌的病例特征異常復(fù)雜，不易分辨，惡化速度較快，且其早癥狀并不明顯[4]。在早期診斷過程中的漏診和誤診是肺癌治愈率較低的直接因。臨床醫(yī)學(xué)研究表明，原位癌治愈率接近 100%，I 期肺癌患者的 5 年生率高達 60%~90%，而 III 期和 IV 期患者的 5 年生存率僅為 5%~20%。由于乏理想的早期診斷方法，肺癌的早期診斷率僅為 14%左右[5]。因此肺癌的早診斷和治療是降低肺癌死亡率的主要方向之一。

第 2 章 基于胸部 CT 影像的肺實質(zhì)分割2.1 引言肺實質(zhì)分割是肺結(jié)節(jié)計算機輔助檢測的重要步驟之一，，是肺部疾病定量分析、肺結(jié)節(jié)檢測和肺功能評估的關(guān)鍵環(huán)節(jié)。肺實質(zhì)的準確分割能減少肺部病變的搜尋范圍、提高病變的定位準確性和圖像的處理速度。本章將從以下幾個方面展開。首先分析了肺部 CT 影像的特征，建立了肺實質(zhì)分割流程；然后詳細介紹了肺實質(zhì)初分割過程，肺實質(zhì)輪廓的平滑校正方法；最后實現(xiàn)了肺實質(zhì)的分割，為后續(xù)肺結(jié)節(jié)的準確分割奠定基礎(chǔ)。2.2 肺實質(zhì)分割算法的實現(xiàn)肺實質(zhì)與其周圍組織（如胸壁、縱膈等）的密度存在較大差別，在胸部 CT影像中表現(xiàn)為兩者的灰度值存在明顯的差異，如圖 2-1 所示。因此可以利用 CT影像的灰度特征實現(xiàn)肺實質(zhì)的初分割。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R734.2;TP391.41

【參考文獻】

相關(guān)期刊論文 前6條

1 涂峰;康陳瑤;尹莎;何楚;;自選擇混合分布模型的CFAR用于SAR圖像艦船檢測[J];信號處理;2015年12期

2 李金;鄭冰;梁洪;鄧玉林;;基于改進凸包算法的肺實質(zhì)分割研究[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年04期

3 楊拴盈;;肺癌早期診斷的現(xiàn)狀、困惑和希望[J];西安交通大學(xué)學(xué)報(醫(yī)學(xué)版);2011年01期

4 吳永輝;計科峰;李禹;郁文賢;;基于Wishart分布和MRF的多視全極化SAR圖像分割[J];電子學(xué)報;2007年12期

5 李響;韓萍;吳仁彪;楊國慶;;一種基于Weibull分布的SAR圖像分割方法[J];系統(tǒng)工程與電子技術(shù);2007年05期

6 王曉華;陳卉;馬大慶;高培毅;周新華;;人工神經(jīng)網(wǎng)絡(luò)在孤立性肺結(jié)節(jié)CT診斷研究中的應(yīng)用[J];中華放射學(xué)雜志;2006年04期

相關(guān)博士學(xué)位論文 前2條

1 陳侃;基于活動輪廓模型的肺結(jié)節(jié)分割方法研究[D];華南理工大學(xué);2013年

2 楊安榮;孤立性肺結(jié)節(jié)計算機輔助檢測系統(tǒng)關(guān)鍵技術(shù)研究[D];上海大學(xué);2010年

相關(guān)碩士學(xué)位論文 前6條

1 周兵;CT影像中肺結(jié)節(jié)檢測與識別方法的研究[D];電子科技大學(xué);2017年

2 王順利;肺部磨玻璃密度影的分割算法研究[D];哈爾濱工業(yè)大學(xué);2016年

3 唐娜;改進粒子群算法及其應(yīng)用研究[D];合肥工業(yè)大學(xué);2016年

4 陳超;兩參數(shù)伽馬分布形狀參數(shù)估計方法研究[D];山東理工大學(xué);2015年

5 歐W毥

本文編號：2602153