發(fā)布時(shí)間：2017-09-12 08:52

  本文關(guān)鍵詞：基于隨機(jī)森林和BSS特征的PET-CT肺腫瘤分割

  更多相關(guān)文章： 肺腫瘤分割 隨機(jī)森林 單調(diào)下降 盲源分離 PET CT

【摘要】：據(jù)統(tǒng)計(jì),近幾十年人類肺癌的發(fā)生率和死亡率一直處于上升趨勢(shì)。因此,肺腫瘤的精確分割在臨床評(píng)估和病情監(jiān)測中起到非常重要的作用。PET-CT是定量的分子-結(jié)構(gòu)成像技術(shù),是如今用以腫瘤等疾病早期診斷的最佳手段。在本課題中,充分利用肺腫瘤在PET和CT兩種成像模態(tài)上的信息,結(jié)合3D單調(diào)下降函數(shù)、隨機(jī)森林(random forests,RF)和盲源分離算法(BSS,Blind Source Separation)來解決腫瘤分割問題。首先,3D單調(diào)下降函數(shù)在PET圖像上對(duì)同質(zhì)均勻的腫瘤初步定位。然后,再利用加入BSS特征的隨機(jī)森林算法對(duì)肺腫瘤進(jìn)行精確分割。在定位階段,均勻的腫瘤可以看成是單調(diào)下降的函數(shù),即灰度值從均勻腫瘤最大值處到背景的變化是逐漸遞減的。在精確分割階段,隨機(jī)森林訓(xùn)練時(shí),不僅分別從PET和CT圖像上提取了特征,而且基于盲源分離算法,在PET圖像上提取了包含圖像分解信息的BSS特征。并且加入了特征選擇步驟,來減少訓(xùn)練時(shí)間和提高分類性能。本文的創(chuàng)新點(diǎn)在于通過特征提取的方式充分利用PET圖像的新陳代謝信息和CT圖像的解剖信息;提取了充分利用PET圖像分解信息的BSS特征;將3D單調(diào)下降函數(shù)和隨機(jī)森林算法充分結(jié)合,先定位再分割達(dá)到精確分割肺腫瘤的目的。在23個(gè)患有非小細(xì)胞肺癌的3D PET-CT數(shù)據(jù)上驗(yàn)證本文算法的合理和有效性,并將實(shí)驗(yàn)結(jié)果與其他圖像分割算法進(jìn)行比較,如區(qū)域生長算法、改進(jìn)的圖割算法等。實(shí)驗(yàn)的結(jié)果表明本文算法在腫瘤分割方面有更好的精確度。
【關(guān)鍵詞】：肺腫瘤分割 隨機(jī)森林 單調(diào)下降 盲源分離 PET CT
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R734.2;TP391.41
【目錄】：

• 中文摘要4-5
• Abstract5-9
• 第一章 引言9-17
• 1.1 PET-CT肺腫瘤分割的研究背景及意義9-11
• 1.1.1 肺癌的研究背景9
• 1.1.2 醫(yī)學(xué)影像技術(shù)研究意義9-11
• 1.2 圖像分割算法簡介11-13
• 1.3 肺腫瘤分割方法研究現(xiàn)狀13-14
• 1.4 本文的研究內(nèi)容14-15
• 1.5 文章組織結(jié)構(gòu)15-17
• 第二章 單調(diào)下降函數(shù)、隨機(jī)森林和BSS算法17-26
• 2.1 單調(diào)下降函數(shù)17-18
• 2.1.1 單調(diào)下降函數(shù)簡介17
• 2.1.2 單調(diào)下降函數(shù)原理和解法17-18
• 2.2 隨機(jī)森林18-21
• 2.2.1 隨機(jī)森林簡介18-19
• 2.2.2 隨機(jī)森林分類原理19-20
• 2.2.3 隨機(jī)性和特征的重要性20-21
• 2.2.4 隨機(jī)森林解法21
• 2.3 盲源分離算法模型21-25
• 2.3.1 盲源分離對(duì)多通道圖像分解21-22
• 2.3.2 盲源分離對(duì)單通道圖像分解22-23
• 2.3.3 盲源分離在PET圖像上的解法23-25
• 2.4 本章小結(jié)25-26
• 第三章 肺腫瘤的分割26-40
• 3.1 算法及創(chuàng)新26-27
• 3.1.1 算法簡介26
• 3.1.2 本文的創(chuàng)新點(diǎn)26-27
• 3.2 預(yù)處理27-29
• 3.2.1 PET圖像上采樣27
• 3.2.2 排除骨骼區(qū)域27-28
• 3.2.3 獲得連通區(qū)域28-29
• 3.3 同質(zhì)均勻腫瘤定位29-31
• 3.4 腫瘤精確分割31-39
• 3.4.1 特征提取32-35
• 3.4.2 特征選擇35-36
• 3.4.3 隨機(jī)森林訓(xùn)練36-38
• 3.4.4 隨機(jī)森林分割38-39
• 3.5 后處理39
• 3.6 本章小結(jié)39-40
• 第四章 實(shí)驗(yàn)結(jié)果及分析40-47
• 4.1 實(shí)驗(yàn)結(jié)果分析40-42
• 4.1.1 圖像的獲取40-41
• 4.1.2 評(píng)判標(biāo)準(zhǔn)41
• 4.1.3 參數(shù)值的設(shè)置41-42
• 4.2 實(shí)驗(yàn)分析與比較42-46
• 4.2.1 金標(biāo)準(zhǔn)的相關(guān)性42
• 4.2.2 與其他圖像分割算法進(jìn)行比較42-46
• 4.3 本章小結(jié)46-47
• 第五章 總結(jié)和展望47-49
• 5.1 總結(jié)47-48
• 5.2 展望48-49
• 參考文獻(xiàn)49-56
• 攻讀學(xué)位期間公開發(fā)表的論文、專利56-57
• 附錄 縮略詞57-58
• 致謝58-59

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 錢維;王超;吳騁;許金芳;葉小飛;杜文民;賀佳;;運(yùn)用隨機(jī)森林分析藥品不良反應(yīng)發(fā)生的影響因素[J];中國衛(wèi)生統(tǒng)計(jì);2013年02期

2 武曉巖;李康;;隨機(jī)森林方法在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用及研究進(jìn)展[J];中國衛(wèi)生統(tǒng)計(jì);2009年04期

3 李貞子;張濤;武曉巖;李康;;隨機(jī)森林回歸分析及在代謝調(diào)控關(guān)系研究中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計(jì);2012年02期

4 劉永春;宋弘;;基于隨機(jī)森林的乳腺腫瘤診斷研究[J];電視技術(shù);2014年15期

5 聶斌;王卓;杜建強(qiáng);朱明峰;林劍鳴;艾國平;熊玲珠;;基于粗糙集和隨機(jī)森林算法輔助糖尿病并發(fā)癥分類研究[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

6 武曉巖;李康;;基因表達(dá)數(shù)據(jù)判別分析的隨機(jī)森林方法[J];中國衛(wèi)生統(tǒng)計(jì);2006年06期

7 武曉巖;閆曉光;李康;;基因表達(dá)數(shù)據(jù)的隨機(jī)森林逐步判別分析方法[J];中國衛(wèi)生統(tǒng)計(jì);2007年02期

8 馬廣立;趙筱萍;程翼宇;;基于隨機(jī)森林與Chemistry Development Kit描述符的P-gp底物識(shí)別[J];高等學(xué)校化學(xué)學(xué)報(bào);2007年10期

9 苑婕;李曉杰;陳超;宋向崗;王淑美;;基于隨機(jī)森林算法的川芎成分-靶點(diǎn)-疾病網(wǎng)絡(luò)的預(yù)測研究[J];中國中藥雜志;2014年12期

10 ;[J];;年期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達(dá)數(shù)據(jù)分析的隨機(jī)森林方法及算法改進(jìn)[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會(huì)論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機(jī)森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙酰化酶抑制劑的構(gòu)效關(guān)系研究[A];第十一屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機(jī)森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會(huì)會(huì)議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機(jī)森林和k-近鄰法在某型坦克變速箱狀態(tài)識(shí)別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動(dòng)力學(xué)學(xué)術(shù)討論會(huì)論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計(jì)算(機(jī))化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 曹正鳳;隨機(jī)森林算法優(yōu)化研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

2 雷震;隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

3 岳明;基于隨機(jī)森林和規(guī)則集成法的酒類市場預(yù)測與發(fā)展戰(zhàn)略[D];天津大學(xué);2008年

4 李書艷;單點(diǎn)氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測及其機(jī)制研究[D];蘭州大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 錢維;藥品不良反應(yīng)監(jiān)測中隨機(jī)森林方法的建立與實(shí)現(xiàn)[D];第二軍醫(yī)大學(xué);2012年

2 韓燕龍;基于隨機(jī)森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學(xué);2015年

3 賀捷;隨機(jī)森林在文本分類中的應(yīng)用[D];華南理工大學(xué);2015年

4 張文婷;交通環(huán)境下基于改進(jìn)霍夫森林的目標(biāo)檢測與跟蹤[D];華南理工大學(xué);2015年

5 李強(qiáng);基于多視角特征融合與隨機(jī)森林的蛋白質(zhì)結(jié)晶預(yù)測[D];南京理工大學(xué);2015年

6 朱玟謙;一種收斂性隨機(jī)森林在人臉檢測中的應(yīng)用研究[D];武漢理工大學(xué);2015年

7 肖宇;基于序列圖像的手勢(shì)檢測與識(shí)別算法研究[D];電子科技大學(xué);2014年

8 李慧;一種改進(jìn)的隨機(jī)森林并行分類方法在運(yùn)營商大數(shù)據(jù)的應(yīng)用[D];電子科技大學(xué);2015年

9 趙亞紅;面向多類標(biāo)分類的隨機(jī)森林算法研究[D];哈爾濱工業(yè)大學(xué);2014年

10 黎成;基于隨機(jī)森林和ReliefF的致病SNP識(shí)別方法[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：836257