肺癌（lung cancer）是全球癌癥類的主要?dú)⑹种?肺結(jié)節(jié)作為肺癌的早期表現(xiàn)。利用計(jì)算機(jī)技術(shù)可將CT圖像中包含的肺結(jié)節(jié)自動(dòng)勾出,提醒醫(yī)生重點(diǎn)查看,減少醫(yī)生的工作量,使診斷工作智能化、全面化,能夠有效改善診斷工作的準(zhǔn)確率和效率。從CT圖像中快速、精確地檢測(cè)出肺結(jié)節(jié)及其征象,對(duì)實(shí)現(xiàn)肺癌的早期診斷具有重要的意義和研究?jī)r(jià)值。由于肺結(jié)節(jié)的形狀多種多樣,大小不一和分布不均等問題,有經(jīng)驗(yàn)的醫(yī)生也難以快速做出精確診斷。同時(shí),每個(gè)病人都有成百?gòu)埳踔辽锨埖腃T圖像,所以基于計(jì)算機(jī)技術(shù)的肺結(jié)節(jié)準(zhǔn)確檢測(cè)具有重要的應(yīng)用價(jià)值并具有較強(qiáng)的挑戰(zhàn)性。傳統(tǒng)的基于圖像分割方法的肺結(jié)節(jié)檢測(cè),需要的假設(shè)條件較多并且準(zhǔn)確性較低,無法滿足臨床應(yīng)用中肺結(jié)節(jié)檢測(cè)任務(wù)的需求。本文根據(jù)不同的樣本量使用不同的檢測(cè)方法對(duì)CT圖片進(jìn)行肺結(jié)節(jié)檢測(cè),為肺結(jié)節(jié)檢測(cè)提出了新的思路。在小樣本下提出了基于Adaboost的肺結(jié)節(jié)檢測(cè)算法,該方法以監(jiān)督的方式進(jìn)行學(xué)習(xí),從原始CT圖像提取人工標(biāo)注的肺部結(jié)節(jié)圖像塊訓(xùn)練網(wǎng)絡(luò)。針對(duì)人工標(biāo)注的醫(yī)學(xué)圖像稀缺的問題,編寫了讓醫(yī)生標(biāo)注的GUI界面,讓專業(yè)醫(yī)生對(duì)包含肺結(jié)節(jié)的CT圖片進(jìn)行標(biāo)注,搭建了基于Adaboost的... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２肺結(jié)節(jié)檢測(cè)大賽ＬＵＮＡ２０１６??Ｓｉｍｅｎｓ、ＧＥ、飛利浦和柯達(dá)都是國(guó)內(nèi)生產(chǎn)醫(yī)療器材（如ＣＴ和ＭＲＩ）的公司

領(lǐng)域與實(shí)現(xiàn)了前所未有的突破。阿里巴巴“ＮＡＳＡ”計(jì)劃在視覺計(jì)算領(lǐng)域持續(xù)攻堅(jiān)，??各類有關(guān)肺結(jié)節(jié)檢測(cè)的比賽層出不窮。肺結(jié)節(jié)檢測(cè)大賽ＬＵＮＡ２０１６管網(wǎng)排行榜如??圖１－２所示。??一ＪＨＨ??？■?尹承■?ｊ■為；２ｓ；?’?Ｓｆｃ錄?ｓ??ｉ?Ｊ７?＊Ａ？ｆ?￡ｉｉ－－＞?＜ａｓｓｔ；．?ｓａａｓａａｉｓａｓｓ－??ｊ＞?？：？ｗｆｗ２？ｓ？７?ＨＳｓａＳＳＳｔｏＳＳ；??＇?級(jí)＞細(xì)讀您?－ＵＭｉ?ａ＾Ｓｉ＾ａｉｓｉＳ??ｆ?＾Ｍ＜ｙｖ３〇Ｖ？?ｇ＾ｇｊ?？ＨｆｆＳＡｒ＾ＳＳＳＢ；??？?ＪＳ＾ＶＫＳＥ－ａｔ？＾＾?ＳＳＫ＾．ｔｔ＾ｔＶｔＸ＇＾?Ｓ－鄉(xiāng)?．－ｗｉｔ．ｒｍｆＡｙ??９?５？ｔ－？Ｒ＾５＜ＳＳｖｐ／＞?；Ｘ?ｙ＊ｔｘ＾＊＊ｒｙ?Ｋｉ？?ｒ?＆ＳｉＳｉ?ＳＳｆｉｉｉＳａａａ？；－??＇？?＾＾ｉｇｚａｏＫＶ＾－，?ｓ３ｅｓ￡２＊ｓｓａｃ??＜?ＬＵＮＡ１Ｓ徽新苺網(wǎng)排行）??圖１－２肺結(jié)節(jié)檢測(cè)大賽ＬＵＮＡ２０１６??Ｓｉｍｅｎｓ、ＧＥ、飛利浦和柯達(dá)都是國(guó)內(nèi)生產(chǎn)醫(yī)療器材（如ＣＴ和ＭＲＩ）的公司。??醫(yī)學(xué)影像的核心部分是醫(yī)學(xué)成像和圖像處理�，F(xiàn)實(shí)生活中己幵發(fā)的的肺結(jié)節(jié)檢測(cè)??產(chǎn)品操作簡(jiǎn)單快捷

第１章：緒論，本章闡述了肺結(jié)節(jié)檢測(cè)技術(shù)研宄背景，目的和意義，介紹肺??結(jié)節(jié)檢測(cè)技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀及存在的不足，介紹了肺結(jié)節(jié)檢測(cè)在現(xiàn)實(shí)產(chǎn)品中??的應(yīng)用以及和肺結(jié)節(jié)檢測(cè)技術(shù)相關(guān)的權(quán)威比賽。對(duì)肺結(jié)節(jié)檢測(cè)中的特征提取和分??類等核心技術(shù)原理以及分析此核心技術(shù)在國(guó)內(nèi)外研究中存在的優(yōu)點(diǎn)及不足，為本??文的研宄工作提供充足的理論依據(jù)。最后介紹了本文關(guān)于肺結(jié)節(jié)檢測(cè)技術(shù)的研宄??工作和內(nèi)容。??第２章：本章主要研宄基于Ａｄａｂｏｏｓｔ和深度學(xué)習(xí)的肺結(jié)節(jié)檢測(cè)技術(shù)的基礎(chǔ)理??論，提出了小樣本下基于Ａｄａｂｏｏｓｔ算法的級(jí)聯(lián)分類器的肺結(jié)節(jié)檢測(cè)算法及其理論??基礎(chǔ)，然后介紹了基于ＣＴ圖片和Ｆａｓｔｅｒ－ＲＣＮＮ的肺結(jié)節(jié)檢測(cè)算法及其理論基礎(chǔ)。??

【參考文獻(xiàn)】：
期刊論文
[1]多輸入卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測(cè)方法研究[J]. 趙鵬飛,趙涓涓,強(qiáng)彥,王峰智,趙文婷.  計(jì)算機(jī)科學(xué). 2018(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的胸片肺結(jié)節(jié)檢測(cè)[J]. 朱國(guó)策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[3]基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法[J]. 張俊杰,周濤,夏勇,王文文.  電視技術(shù). 2016(03)
[4]基于PCNN與主動(dòng)輪廓的肺CT候選結(jié)節(jié)的分割方法[J]. 賴均,解梅.  計(jì)算機(jī)應(yīng)用研究. 2011(04)
[5]基于CT圖像的自動(dòng)肺實(shí)質(zhì)分割方法[J]. 賈同,孟琭,趙大哲,王旭.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(07)



本文編號(hào)：3125241