计算机辅助肺癌特征提取及分类方法的研究

摘要

肺癌是当今对人类生命健康危害最大的恶性肿瘤之一，特别近半个世纪以来，各国肺癌的发病率和死亡率都在急剧上升。为了提高肺癌患者的生存率，肺癌的早期诊断与治疗是关键。CT扫描对肺癌的检出率明显高于普通X线片，因而成为目前肺癌筛检最有效的影像学方法。然而，CT扫描产生的图像量很大，大量的CT图像直接导致医生工作量的增加，从而增加了漏诊和误诊的几率。本文的目的就是研发一种基于CT图像的肺癌计算机辅助诊断系统，能够对肺部CT图像进行自动分析后给医生提示可疑肺结节，从而提高肺癌的诊断质量和诊断效率。 本文将肺结节的自动检测分为四个步骤进行研究：(1)对图像进行阈值化、形态学运算、边界跟踪等一系列操作得到肺实质图像；(2)分别使用K-均值聚类(KM)、模糊C均值聚类(FCM)和基于Gibbs随机场与模糊C均值聚类的图像分割(GFCM)三种算法对肺实质图像进行分割，从而得到感兴趣区域(ROI，包括肺结节、肺血管和肺支气管等)；(3)用特征空间优化设计的理论从ROI的10个原始候选特征中选出5个有效特征，然后用模糊理论对这5个特征进行标准化从而得到10维的输入特征向量；(4)设计一个BP神经网络分类器实现了最后的肺结节判别分类。 在系统测试中，我们使用了4种品牌螺旋CT扫描的57例病人含肺结节的图像，共213幅，含262个肺结节。其实验结果分析的RoC曲线下面积A<,2>=0.9848，在诊断界点为0.5时，敏感度为96.18﹪、特异度为96.25﹪，平均每幅图假阳性0.493个，准确率为96.24﹪。 整体而言，系统实现了对肺结节快速准确的计算机自动筛查，操作方便，能够减少医生的工作量，提高肺癌的检出率。

目录

文摘

英文文摘

东南大学学位论文独创性声明及东南大学学位论文使用授权声明

第一章 绪论

§1.1课题背景及意义

§1.2文献综述

§1.3研究目标

§1.4系统结构设计

§1.5章节安排

参考文献

第二章 图像的自动分割

§2.1肺实质的自动分割

§2.1.1图像的二值化

§2.1.2形态学运算

§2.1.3肺实质的轮廓检测和分割

§2.1.4肺实质算法结果验证

§2.2ROI的自动提取

§2.2.1理论基础

§2.2.2分割结果

§2.3本章小结

参考文献

第三章 ROI的特征选择和提取

§3.1理论基础

§3.1.1特征空间优化设计问题

§3.1.2孤立性肺结节(SPN)的CT医学征象

§3.2ROI的候选特征

§3.3特征选择

§3.4特征分量的模糊标准化

§3.5本章小结

参考文献

第四章 分类器设计

§4.1理论基础

§4.1.1人工神经网络模型

§4.1.2人工神经网络的分类及学习方式

§4.1.3 BP神经网络

§4.1.4 BP网络样本的选择及组织

§4.2构造BP神经网络分类器

§4.3网络训练

§4.4本章小结

参考文献

第五章 结果与讨论

§5.1诊断试验的评价

§5.1.1诊断试验中常用的评价指标

§5.1.2ROC曲线

§5.2系统实验结果统计及评价

§5.3系统界面

§5.4本章小结

参考文献

第六章总结与展望

§6.1总结

§6.2展望

致谢