發(fā)布時(shí)間：2017-08-02 15:37

  本文關(guān)鍵詞：基于粗糙集的特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法

  更多相關(guān)文章： 肺結(jié)節(jié)檢測(cè) 粗糙集 特征提取 特征約簡(jiǎn) 支持向量機(jī)

【摘要】：研究背景肺癌已成為世界范圍內(nèi)發(fā)病率及死亡率最高的惡性腫瘤,早期發(fā)現(xiàn)是提高肺癌治療效果的有效手段,同時(shí)由于肺癌的早期形態(tài)通常表現(xiàn)為肺結(jié)節(jié)(lung nodule),因此肺結(jié)節(jié)的準(zhǔn)確檢測(cè)在肺癌治療中的重要性日益凸顯。計(jì)算機(jī)斷層掃描成像(Computed Tomography,CT)為臨床診斷提供了多角度、可視化、高質(zhì)量的胸部醫(yī)學(xué)影像,但是隨著CT在肺結(jié)節(jié)檢測(cè)中的廣泛應(yīng)用,產(chǎn)生的CT數(shù)據(jù)過(guò)載以及影像結(jié)果判讀主觀(guān)性等因素,都導(dǎo)致臨床誤診率居高不下。研究目的本文以肺部CT影像為研究對(duì)象,從分割算法、感興趣區(qū)域(Region of Interest,ROI)的特征描述與提取、特征屬性的約簡(jiǎn)、分類(lèi)器的設(shè)計(jì)四個(gè)方面出發(fā),針對(duì)CT圖像中肺結(jié)節(jié)分割時(shí)較少考慮肺結(jié)節(jié)的空間分布、特征級(jí)融合過(guò)程中存在特征結(jié)構(gòu)不合理和特征表達(dá)不緊致三個(gè)主要問(wèn)題,提出一種基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法,從而在降低影像科醫(yī)生閱片工作量的同時(shí)提高腫瘤診斷正確率。研究方法1.對(duì)原始CT圖像進(jìn)行預(yù)處理,分割出肺實(shí)質(zhì)和包含不同類(lèi)型肺結(jié)節(jié)的候選ROI。首先在肺部CT圖像三維連通的基礎(chǔ)上利用聚類(lèi)算法分離出肺實(shí)質(zhì),然后在充分考慮肺結(jié)節(jié)空間分布的基礎(chǔ)上將肺結(jié)節(jié)分為三類(lèi):孤立性肺結(jié)節(jié)、胸膜粘附性肺結(jié)節(jié)和血管粘附性肺結(jié)節(jié),最后針對(duì)不同類(lèi)型肺結(jié)節(jié)的灰度分布和形態(tài)結(jié)構(gòu),分別采用基于連通性、灰度下降、散度差異的算法分割出ROI。2.提取了ROI的形狀特征、強(qiáng)度特征和紋理特征,其中在形狀特征中,提出了3個(gè)新的三維特征,即外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差和外接長(zhǎng)方體交線(xiàn)距離;在強(qiáng)度特征中,提出了3個(gè)新的三維特征,即強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度均值、拉普拉斯散度距離。在特征描述上,使用二維紋理特征和三維形狀特征、三維強(qiáng)度特征共同量化。3.針對(duì)特征之間的高維冗余問(wèn)題,用無(wú)需先驗(yàn)知識(shí)的粗糙集模型對(duì)特征集優(yōu)化選擇,消除特征分量之間的關(guān)聯(lián)性,然后采用網(wǎng)格尋優(yōu)算法優(yōu)化支撐向量機(jī)(Support Vector Machine,SVM),通過(guò)十折交叉選擇最優(yōu)的核函數(shù),并將其應(yīng)用到進(jìn)行ROI的分類(lèi)識(shí)別。研究結(jié)果為了驗(yàn)證本文算法的有效性、穩(wěn)定性、優(yōu)越性,本文設(shè)計(jì)了4組對(duì)比實(shí)驗(yàn),即粗糙集約簡(jiǎn)前后的算法有效性驗(yàn)證實(shí)驗(yàn)、粗糙集約簡(jiǎn)前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)、基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)、與其它肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,該算法能夠在一定程度上提升特征結(jié)構(gòu)的合理性和特征表達(dá)的緊致性,從而提高肺結(jié)節(jié)的檢測(cè)正確率。
【關(guān)鍵詞】：肺結(jié)節(jié)檢測(cè) 粗糙集 特征提取 特征約簡(jiǎn) 支持向量機(jī)
【學(xué)位授予單位】：寧夏醫(yī)科大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：R734.2
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-19
• 1 研究背景和意義10-11
• 2 課題的國(guó)內(nèi)外研究現(xiàn)狀11-16
• 2.1 肺結(jié)節(jié)檢測(cè)算法的國(guó)內(nèi)外研究現(xiàn)狀11-12
• 2.2 特征級(jí)融合方法的國(guó)內(nèi)外研究現(xiàn)狀12-16
• 3 課題研究目標(biāo)和研究?jī)?nèi)容16-18
• 4 論文結(jié)構(gòu)和章節(jié)安排18-19
• 第二章 基礎(chǔ)知識(shí)19-31
• 1 肺部CT圖像的特點(diǎn)19-20
• 2 特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法模型20-29
• 2.1 醫(yī)學(xué)圖像ROI的分割21-22
• 2.2 ROI的特征量化及提取22-26
• 2.3 特征選擇及粗糙集約簡(jiǎn)26-28
• 2.4 分類(lèi)識(shí)別及SVM參數(shù)優(yōu)化28-29
• 3 分類(lèi)結(jié)果的評(píng)價(jià)指標(biāo)29-30
• 4 本章小結(jié)30-31
• 第三章 基于空間分布的肺結(jié)節(jié)ROI分割31-41
• 1 基于空間分布的肺結(jié)節(jié)分類(lèi)31-32
• 2 肺結(jié)節(jié)ROI分割算法思想32-34
• 3 肺實(shí)質(zhì)分割實(shí)驗(yàn)34-36
• 4 肺結(jié)節(jié)分割實(shí)驗(yàn)36-40
• 4.1 孤立型肺結(jié)節(jié)分割實(shí)驗(yàn)37-38
• 4.2 胸膜粘附型肺結(jié)節(jié)分割實(shí)驗(yàn)38-39
• 4.3 血管粘附型肺結(jié)節(jié)分割實(shí)驗(yàn)39-40
• 5 本章小結(jié)40-41
• 第四章 基于粗糙集的特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法41-51
• 1 基于粗糙集的特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法思想41-43
• 2 構(gòu)建新的三維特征43-45
• 2.1 外接球形體積比43
• 2.2 表面-中心距離標(biāo)準(zhǔn)差43-44
• 2.3 外接長(zhǎng)方體交線(xiàn)距離44
• 2.4 強(qiáng)度梯度(由內(nèi)向外)44
• 2.5 拉普拉斯散度均值44-45
• 2.6 拉普拉斯散度距離45
• 3 特征提取及約簡(jiǎn)實(shí)驗(yàn)45-46
• 4 SVM核函數(shù)優(yōu)化實(shí)驗(yàn)46
• 5 算法的穩(wěn)定性及有效性驗(yàn)證實(shí)驗(yàn)46-50
• 5.1 粗糙集約簡(jiǎn)前后的算法有效性驗(yàn)證實(shí)驗(yàn)46-48
• 5.2 粗糙集約簡(jiǎn)前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)48-49
• 5.3 基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)49-50
• 5.4 與其它肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn)50
• 6 本章小結(jié)50-51
• 第五章 總結(jié)與展望51-53
• 1 本文總結(jié)51-52
• 2 工作展望52-53
• 參考文獻(xiàn)53-60
• 文獻(xiàn)綜述60-73
• 綜述參考文獻(xiàn)68-73
• 致謝73-74
• 攻讀碩士學(xué)位期間參加的科研項(xiàng)目及發(fā)表的文章74-75
• 個(gè)人簡(jiǎn)介75

，

本文編號(hào)：610019