基于多示例学习的肝脏肿瘤良恶性识别

摘要

肝脏是人体腹腔内最大的的实质性器官，其发病率高，结构复杂，病变种类多，一直以来都是严重威胁人类生命和健康的一大因素。对于肝脏肿瘤这一疾病，在临床医学上主要对其进行检测的手段就是CT医疗影像诊断。现阶段，这种方法实施过程的主体就是医生。通过医生自身的经验以及知识，再结合对于图像的认知最后进行肿瘤良恶性诊断，因此诊断结果存在一定的主观性同时与医师的行医经验有很大的关联性。况且医学图像的数据量较大，医生要在有限的时间里对影像进行判断识别，这在一定程度上是巨大的工作量。因此，在医疗学术领域中，对把能够对医疗影像图像进行诊断识别并根据实际情况给出相应的意见的这一技术即计算机辅助诊疗技术（Computer-aided diagnosis and treatment）提出了迫切的需求。基于CT图像对肝脏肿瘤做出良恶性识别的计算机辅助诊疗技术是当今国际研究领域中的难点问题之一。
　　随着计算机和医学图像处理技术的飞速发展,对于CT图像中所体现出的各项特征进行科学合理检测，这些特征分别包括统计特征纹理特征以及形状特征。通过这种检测分析的方法，可以对肝脏肿瘤进行有效识别。本文基于图像特征提取技术，且应用多示例学习（Multi-instance learning）为基础的算法对肝脏肿瘤进行良恶性识别，为医师对肝脏肿瘤的良恶性识别提供必要且有效的辅助手段。
　　在本文中，先提出了一种医疗图像多示例包构建方法，在多示例学习算法下实现了将整幅图像整体进行肿瘤识别的能力，很大程度上减少了医生的手动识别病变肿瘤区域的工作量，同时减少了由于医生主观性和经验性导致的分类样本标签的误差。其次，对传统经典的多示例学习算法Citation-KNN进行了基于包空间距离加权的改进，提出了DWCKNN算法。实验结果表明，改进的算法在同样的数据样本的分类实验中取得了较高的准确性。

目录

第一个书签之前

摘要

Abstract

目 录

Contents

1绪论

1.1课题研究的背景及意义

1.2 多示例学习的国内外研究现状

1.3医学影像分割研究现状

1.3.1 CT成像技术的应用

1.3.2 肝癌的CT图像说明

1.3.3 医学图像的分割

1.4 论文主要研究内容

1.5 论文的章节安排

2多示例学习的理论研究

2.1 机器学习

2.2 多示例学习

2.3 多示例学习框架与传统学习框架

2.4 经典的多示例学习算法的介绍

2.4.1 Citation-kNN算法

2.4.2 DD算法

2.4.3 DD-SVM算法

2.5 本章小结

3肝癌图像特征提取与多示例包构建

3.1 图像特征提取的基本方法

3.1.1 提取统计特征

3.1.2 提取纹理特征

3.1.3形状特征提取

3.2 感兴趣区域算法与多示例包构建

3.2.1 感兴趣部分

3.2.2 感兴趣区域的图像分割

3.2.3 构建多示例包及提取特征

3.3 基于多示例学习的医疗影像分类方法

3.3.1 基于多示例学习的分类算法

3.3.2 训练样本的选取

3.3.3 实验结果及分析

3.4 本章小结

4基于相对距离加权的Citation-KNN

4.1 算法Distance Weighted Citation-kNN

4.1.1算法流程图

4.1.2包空间分布特征分析

4.2 算法Citation-kNN距离权值设置

4.3 肝脏肿瘤良恶性分类实验

4.3.1 实验具体情况

4.3.2 实验结果及分析

4.4 本章小结

5总结与展望

5.1 总结

5.2 展望

参考文献

致谢