CT图像中肺结节分割技术研究及实现

发布时间：2024-01-31 03:00

　　肺结节在CT图像切片中形态大小不一,组织密度不均匀,结构边缘模糊,实现结节和非结节的识别与分割是困难的。为了完成CT图像中的肺结节分割任务,本文以LUNA16(Lung Nodule Analysis 2016)挑战赛中提供的肺部CT图像为实验数据。介绍肺结节在CT图像切片中的形态结构特征,从而分析CT图像中肺结节分割的可行性。首先采用简单的阈值分割方法,以直方图为工具统计CT图像切片灰度分布情况,选取合适的灰度值作为分割界限执行肺结节分割。然后采用基于模糊理论的模糊C均值聚类算法,使用隶属度值表示每个像素属于某个类别的概率。通过设定CT图像切片中需要分割的类别数目,逐步迭代算法使目标函数收敛,从而实现自动聚类分割。尽管以上传统分割算法对于小部分肺结节分割效果较好,但是过程耗时太长,且对于大多数肺结节分割效果较差,不能实现结节和非结节的识别。因此,转向基于全卷积网络的语义分割算法进行肺结节分割,在实验没有达到预期效果的情况下,将在生物医学成像细胞分割中表现良好的U-Net网络模型应用于肺结节分割,取得了良好的效果。另外,在U-Net网络模型中加入批归一化和残差网络,设计了四类改变的U-...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 课题研究方法及路线
    1.3 论文组织结构
第二章 基于区域的肺结节分割
    2.1 引言
    2.2 基于直方图的阈值分割
        2.2.1 有监督的阈值分割
        2.2.2 最大类间方差的阈值分割
    2.3 基于聚类的分割
        2.3.1 模糊C均值聚类算法
    2.4 本章结论
第三章 基于全卷积网络的图像分割
    3.1 引言
    3.2 卷积神经网络
        3.2.1 卷积
        3.2.2 池化
        3.2.3 卷积神经网络中的感受野
        3.2.4 卷积神经网络的应用
    3.3 全卷积网络
        3.3.1 分类网络转变为全卷积网络
        3.3.2 反卷积实现上采样
    3.4 语义分割
        3.4.1 从VGG16 分类网络到FCN-VGG16 全卷积网络
        3.4.2 跳层结构
        3.4.3 应用FCN-VGG16 网络进行肺结节分割
        3.4.4 FCN的扩展
    3.5 本章结论
第四章 基于U-Net网络的图像分割
    4.1 引言
    4.2 U-Net网络结构
    4.3 批归一化算法
    4.4 残差网络
    4.5 不同类型的 U-Net 网络模型结构
        4.5.1 加入BN算法的U-Net网络模型结构
        4.5.2 加入残差网络的U-Net网络模型结构
        4.5.3 加入BN算法和残差网络的U-Net网络模型结构
        4.5.4 对加入BN算法和残差网络的U-Net网络模型结构层数加深
    4.6 本章结论
第五章 模型训练测试和评估
    5.1 实验介绍
    5.2 肺部CT图像获取
    5.3 实验数据集的建立
        5.3.1 提取肺部CT中心切片
        5.3.2 肺部CT中心切片预处理
        5.3.3 创建实验数据集
    5.4 实验
        5.4.1 实验环境的安装和调试
        5.4.2 网络模型训练优化实验
        5.4.3 网络模型测试和评估
        5.4.4 测试过程特征图可视化
    5.5 本章结论
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
在读期间公开发表的论文
致谢



本文编号：3890839