【摘要】：目前,肺癌的發(fā)生率和死亡率均上升為第一,對全人類的身體健康造成巨大威脅。肺癌的早期表現(xiàn)形式為肺結(jié)節(jié),如果早期能夠?qū)Ψ谓Y(jié)節(jié)良惡性進(jìn)行判定,將大大提高患者的生存幾率。本文將肺結(jié)節(jié)圖像底層特征映射為高級語義屬性,然后根據(jù)高級語義屬性的預(yù)測值進(jìn)行肺結(jié)節(jié)良惡性診斷,這種方法克服了圖像底層特征與上層語義屬性之間的“語義鴻溝”,可以更好地為醫(yī)生臨床診斷提供幫助。本文利用計(jì)算機(jī)技術(shù),結(jié)合模式識別和機(jī)器學(xué)習(xí)相關(guān)方法構(gòu)建肺結(jié)節(jié)良惡性診斷模型,爭取為醫(yī)生臨床診斷提供“第二建議”,具體工作如下:(1)利用經(jīng)典的區(qū)域生長算法對肺結(jié)節(jié)病灶區(qū)域進(jìn)行分割,然后提取其底層特征集。為了消除不同量綱對于分類的影響,把底層特征集進(jìn)行歸一化處理。(2)提出Improved Asymmetric Bagging(IM-ASYBagging)算法解決數(shù)據(jù)非均衡問題,該算法通過采樣機(jī)制可以在多數(shù)類和少數(shù)類之間形成一個“復(fù)雜”邊界,從而可以將兩類數(shù)據(jù)很好地分開。(3)醫(yī)生臨床診斷依據(jù)的是高級語義屬性,而計(jì)算機(jī)輔助診斷則是依據(jù)底層特征集,為了讓計(jì)算機(jī)更好地輔助醫(yī)生診斷,本文先構(gòu)建肺結(jié)節(jié)語義屬性預(yù)測模型然后根據(jù)各屬性的預(yù)測值進(jìn)行良惡性判定。另外,由于不同的底層特征對應(yīng)不同的語義屬性,所以需要針對不同的語義屬性進(jìn)行特征選擇。(4)肺結(jié)節(jié)分葉屬性對于臨床診斷有很大幫助,為了更好地刻畫肺結(jié)節(jié)分葉程度,本文利用肺結(jié)節(jié)區(qū)域的最小外接圓和最大內(nèi)接圓提出了三個新特征。實(shí)驗(yàn)結(jié)果表明,這三個新特征對于分葉屬性預(yù)測模型有很大貢獻(xiàn)。
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R734.2;TP391.1
【圖文】：

吸煙將會對本人身體造成不可逆轉(zhuǎn)的危害[3]，患病的幾率大大增加，約的 10~20 倍。吸煙不僅對本人的身體健康有很大危害，對于周圍人的傷覷，長期 吸食 二手煙罹患肺癌的概率增加 20%~30%。此外，大氣污染染、營養(yǎng)飲食因素等都是增加肺癌風(fēng)險(xiǎn)的病因[4]。肺癌是最可防治的癌凈化城市空氣、放平心態(tài)以及保持良好的生活習(xí)慣等都是保護(hù)我們遠(yuǎn)離徑。結(jié)節(jié)是肺癌最常見的潛在表現(xiàn)形式，而且有很大幾率轉(zhuǎn)換為惡性肺結(jié)節(jié)：單一的、邊界清晰的、影像不透明的、直徑小于等于 30mm、周圍完織所包繞的病變，沒有肺不張、肺門增大或胸腔積液表現(xiàn)[5]，如下圖 1 例圖，箭頭標(biāo)出部分為肺結(jié)節(jié)。由于惡性肺結(jié)節(jié)早期癥狀不明顯，不多數(shù)患者在發(fā)現(xiàn)時已經(jīng)是晚期，錯失了最佳的治療時機(jī)，因此早期的發(fā)者意義重大。研究顯示，早期的檢測治療，可以將使患者的生存率由 1[6]，由此可以看出盡早發(fā)現(xiàn)并治療可以為患者爭取很大的生存幾率。

西北大學(xué)碩士專業(yè)學(xué)位論文12、15、30、10、8、18、13、23，由于像素點(diǎn) 4 的灰度值最接近于種子點(diǎn)所以將素點(diǎn) 4 合并到種子點(diǎn)中。此時，種子點(diǎn)為 1、4，灰度平均值為 8.5，其八鄰域像素分別為 2、9、5、6、7、10、3、8。因?yàn)橄袼攸c(diǎn) 6 的灰度值與種子區(qū)域 1、4 的灰度最接近，所以將像素點(diǎn) 6 也納入到該聯(lián)通區(qū)域中。以此類推，不斷將像素點(diǎn)合并到通區(qū)域中，最終完成分割任務(wù)。下圖 5 描述了區(qū)域生長算法的過程，其中生長方向下圖（c）所示。

（a）原始人體 CT 切片圖 （b）已分割肺結(jié)節(jié) （c）肺結(jié)節(jié)邊緣輪廓圖圖 6 基于像素灰度的區(qū)域生長算法分割過程圖域生長算法的偽代碼實(shí)現(xiàn)如下：ep1:建立于原圖大小相等的存儲矩陣 J（512*512）并初始化ep2:半交互式地選取一個種子點(diǎn)（x0,y0）ep3:判別該種子點(diǎn)是否包含在肺結(jié)節(jié)區(qū)域內(nèi)，如果不在則重復(fù) Step2ep4:若該種子點(diǎn)（x0,y0）的八鄰域的像素灰度值的絕對值差小于等于 T，則點(diǎn)納入并將該位置點(diǎn)對應(yīng)的灰度值更新到 J 中ep5:不斷重復(fù) Step4，直到生長結(jié)束圖 7 當(dāng)前像素的八領(lǐng)域示例圖

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鞏萍;程玉虎;王雪松;;基于語義屬性的肺結(jié)節(jié)良惡性分類[J];電子學(xué)報(bào);2015年12期

2 李春;楊達(dá)偉;;肺部結(jié)節(jié)的診斷與處理[J];上海醫(yī)藥;2015年15期

3 戴少明;;肺結(jié)節(jié)疾病患者采用CT診斷特征探討[J];現(xiàn)代醫(yī)用影像學(xué);2013年03期

4 宋勇;姚艷雯;;肺部小結(jié)節(jié)的診斷和治療近況[J];中華肺部疾病雜志(電子版);2012年04期

5 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

6 崔東明;;90%的肺癌由吸煙引起[J];健康管理;2010年05期

7 閉小梅;閉瑞華;;KNN算法綜述[J];科技創(chuàng)新導(dǎo)報(bào);2009年14期

8 翟俊海;趙文秀;王熙照;;圖像特征提取研究[J];河北大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

9 周舒冬;張磊;李麗霞;;基于K近鄰的過抽樣算法在不平衡的醫(yī)學(xué)資料中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計(jì);2008年06期

10 梁長華;岳軍艷;韓東明;王飛;孫鳳霞;齊現(xiàn)瑞;;CT分葉征在肺部孤立結(jié)節(jié)良惡性的診斷價(jià)值[J];醫(yī)學(xué)信息(手術(shù)學(xué)分冊);2007年10期

相關(guān)博士學(xué)位論文 前1條

1 姚登舉;面向醫(yī)學(xué)數(shù)據(jù)的隨機(jī)森林特征選擇及分類方法研究[D];哈爾濱工程大學(xué);2016年

相關(guān)碩士學(xué)位論文 前1條

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

本文編號：2793878