基于CT图像的孤立性肺结节诊断模型研究

摘要

近些年，由于环境污染的加剧等原因，肺部疾病已经成为影响人们健康的主要原因之一，这其中肺癌的死亡率更是居恶性肿瘤之首。早期发现、早期诊断和早期治疗是目前提高肺癌患者生存率的重要手段。肺部疾病早期在影像学上通常表现为孤立性肺结节，因此通过CT的影像学检查对肺结节的检测和识别成为了肺部疾病诊断的重要途径。由于肺部疾病种类的多样性和病理变化的复杂性，如何提高CT定性诊断的准确率成为了我们面临的一个问题。计算机辅助诊断对肺部疾病的检测和诊断大大的减轻了医师的工作量，提高了工作效率，使诊断更加客观化，并提高了诊断的正确率。
　　 本文以肺部螺旋CT扫描图像为对象，以肺部CT图像上的医学征象为入手点，利用计算机诊断技术鉴别肺结节的良恶性，并研究其对临床诊断的辅助意义。
　　 首先，我们选取了经手术或穿刺检查的肺结节图像样本共193例，依据医师所提供的特征并结合以往的研究资料优选了21个肺结节CT影像特征，作为孤立性肺结节良恶性分类诊断模型的输入向量。
　　 其次，为了研究计算机诊断的效果，我们选用了目前比较常用的神经网络模型，构造了一个三层的BP网络，实验显示诊断准确率为71.5％。另外针对样本中良性结节数量偏少这一情况，我们选用了对于小样本学习效果更好的支持向量机模型，并通过平行网络搜索方法寻找最优参数，实验得出其诊断准确率为68.9％。对比医师诊断准确率80.3％，从诊断准确率可见计算机诊断对医师诊断有参考价值。
　　 最后，通过统计对比了两种诊断方法的分类效果，特异性方面，支持向量机79.6％明显高于神经网络的34.7％。并通过ROC曲线的绘制对比神经网络和支持向量机模型的分类效果，曲线下面积支持向量机0.714大于神经网络的0.655，可见支持向量机的效果更好。实验证明：计算机诊断对于医师诊断具有辅助意义，能够对医师诊断起到帮助作用，另外两种模型比较支持向量机诊断更加可靠。

目录

文摘

英文文摘

第1章 绪论

1.1 课题背景及研究目的和意义

1.2 国内外在该方向的研究现状及分析

1.2.1 关于孤立性肺结节的影像诊断

1.2.2 计算机辅助诊断在影像学中的应用

1.2.3 计算机辅助诊断的数学模型

1.3 孤立性肺结节的影像特点

1.3.1 CT图像特点

1.3.2 肺结节征象分析

1.4 本文的研究内容

第2章 基于人工神经网络的诊断模型

2.1 人工神经网络的分类及学习方式

2.2 BP神经网络

2.2.1 BP神经网络模型

2.2.2 BP网络的样本选择及组织

2.3 BP神经网络分类器的建立和实验

2.3.1 BP网络的建立

2.3.2 BP网络分类实验

2.4 本章小结

第3章 基于支持向量机的诊断模型

3.1 统计学习理论

3.2 支持向量机原理

3.2.1 线性可分的最优分类面

3.2.2 线性不可分的最优分类面

3.2.3 支持向量机

3.3 支持向量机分类实验

3.4 本章小结

第4章 诊断模型与医师对比研究

4.1 诊断试验中常用的评价指标

4.2 ROC曲线

4.2.1 ROC曲线分析

4.2.2 ROC曲线评价

4.3 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢