基于DR胸片的肺尘病辅助诊断系统关键技术研究

摘要

尘肺病是一种肺组织纤维化的疾病，主要是由于人们在生产环境中长期吸入生成性粉尘而引起，这种疾病对患者的危害极大。由于尘肺病体检过程复杂且对象群体庞大，致使有关政府、企业及医疗机构都要花费大量的人力、物力和财力用于对职工的尘肺体检、诊断与治疗工作。从目前数字化图像的处理与分析技术发展以及各大医院所拥有的数字化X线摄影DR设备数量来看，开发基于DR胸片的尘肺病计算机辅助诊断系统的条件已经基本具备且具有重要意义。本文通过深入研究数字图像的处理技术以及尘肺病DR胸片的显示特点，提出并实现了利用计算机对DR尘肺胸片进行自动分期判读的关键技术。
　　 本论文主要做了以下创新性工作:
　　 (1)提出了利用计算机对不同期别的尘肺DR胸片实现自动分期判读的综合流程，即首先对不同期别的DR胸片实现肺野区域的精确分割，然后运用灰度共生矩阵(GLCM)方法实现对肺野的纹理特征的描述，最后依据尘肺专家对DR胸片的人工判读结果，采用BP神经网络分类器对GLCM特征值向量进行分类，从而实现对不同期别尘肺的自动分期判读。通过运用实际临床样本对这一流程的测试结果表明，本文所提出的基于DR胸片的医学图像处理与分析关键技术是实用和有效的，基本达到了预期的效果和目标。
　　 (2)研究并实现了对不同期别尘肺DR胸片的肺野区域进行有效分割的关键技术。针对尘肺DR胸片在受到尘肺病变多样性的影响，导致运用传统方法无法实现肺野精确分割的情况下，提出了基于小波变换与Snake模型算法相结合的肺野分割方法。即:首先依据DR尘肺胸片的灰度分布特征，对目标图像在空间域进行线性变换增强，然后再对图像进行基于小波变换的多尺度分解，再利用Canny边缘检测算法对不同尺度的低频图像进行边缘提取并融合，以获取肺野区域的初始轮廓，最后再用GVF Snake模型算法对该初始轮廓进行修正优化，从而实现对肺野区域的精确分割。
　　 (3)研究并实现了对不同期别尘肺肺野的纹理特征进行有效提取与分类关键技术。针对不同期别尘肺DR胸片所表现出的不同纹理特征，提出了基于灰度共生矩阵与BP神经网络相结合的肺野纹理特征提取与分类方法。即:首先对肺野图像的灰度级做适当降阶处理，然后计算图像的灰度共生矩阵(GLCM)并生成该矩阵的二阶矩(ASM)、对比度(CON)、自相关(COR)、逆差距(IDM)等为主要参数的特征值向量，最后再依据尘肺专家对胸片的肺野阴影密集度的判读结果，采用BP神经网络分类器对特征值向量进行分类。设计的网络采用bootstrap法进行测试，运行效果良好，分类最高正确率可达100％，平均正确率达68.3％。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 医学成像与分析技术发展现状

1．3 X射线胸片处理与分析技术综述

1．4 尘肺病的诊断

1．4．1 尘肺病诊断的原则

1．4．2 尘肺病诊断的方法

1．4．3 各期尘肺胸片的诊断结果

1．5 本文研究的主要内容与贡献

1．6 本章小结

第二章 数字图像处理技术

2．1 引言

2．2 图像增强

2．2．1 概述

2．2．2 灰度增强法

2．2．3 空间域图像滤波

2．2．4 频域滤波

2．3 图像分割

2．3．1 概述

2．3．2 基于区域的分割算法

2．3．3 基于边缘的分割算法

2．4 本章小结

第三章 基于DR胸片的肺野分割

3．1 引言

3．2 常用方法的肺野分割

3．2．1 不同期别尘肺胸片特征

3．2．2 基于区域的肺野分割

3．2．3 基于边缘的肺野分割

3．3 基于小波变换与Snake模型相结合的肺野分割

3．3．1 图像的多尺度小波分解

3．3．2 低频图像的边缘提取

3．3．3 Snake算法对初始边缘修正优化

3．4 实验结果与分析

3．5 本章小结

第四章 肺野纹理特征的提取与分类

4．1 引言

4．2 肺野纹理图像的灰度分布特征

4．3 图像纹理特征的提取

4．3．1 灰度共生矩阵(GLCM)

4．3．2 GLCM特征的提取

4．4 BP神经网络

4．4．1 BP学习算法

4．4．2 BP网络的设计

4．4．3 BP网络训练的算法步骤

4．5 实验结果与分析

4．5．1 图像预处理

4．5．2 生成灰度共生矩阵及特征值向量

4．5．3 BP网络训练与测试

4．6 本章小结

第五章 研究工作总结与展望

5．1 研究工作总结

5．2 下一步工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果