面向肺癌計算機輔助診斷應用的肺結節(jié)檢測算法研究.pdf

1、肺癌是當今世界上發(fā)病率增長最快和死亡率最高的惡性腫瘤，肺癌的早期診斷以及治療對提高患者的5年存活率有重要的意義。由于肺癌的CT圖像表現(xiàn)為肺結節(jié)，所以肺結節(jié)的檢測受到越來越多的人的關注。然而，隨著多層螺旋CT的出現(xiàn)，醫(yī)生需要處理的圖像信息急劇增加，這就迫切需要一個輔助工具來減輕醫(yī)生的工作，計算機輔助診斷方法(CAD)就這樣慢慢發(fā)展起來。
　　本文對面向肺癌CAD應用的肺結節(jié)檢測算法進行研究，主要工作包含四部分:(1)對肺部低劑量常規(guī)

2、CT圖像進行處理，使用最優(yōu)閾值算法分割得到肺實質圖像，并除去診查床、氣管等干擾區(qū)域，對被腐蝕的肺邊緣區(qū)域進行修補，獲得完整的肺實質圖像;(2)研究基于鄰域信息的模糊C-均值聚類算法，并利用該算法獲得感興趣區(qū)域(ROI);(3)根據(jù)肺結節(jié)的CT影像特征，定義了11個特征變量描述肺結節(jié)，根據(jù)概率分布可分性從中選出6個特征進行后續(xù)的分類。這樣做大大減少了算法的冗余，減少了計算時間以及計算量。接著，使用支持向量機(SVM)算法對選出的6個特征進

3、行單一特征分類，分類結果驗證了特征選擇的正確性、合理性;(4)使用Mahalanobis距離的分類器、加權改進Mahalanobis距離的分類器以及SVM算法進行分類。實驗表明，加權改進的Mahalanobis距離分類器比Mahalanobis距離分類器具有更好的分類性能，使用SVM算法分類的效果優(yōu)于基于加權改進的Mahalanobis距離分類的效果。但是，SVM算法更加復雜，需要訓練數(shù)據(jù)，這就大大的增加了計算時間。所以，基于加權改進的