基于粗糙集的肺部肿瘤PET/CT图像特征级融合研究
发布时间：2021-04-15 19:45
研究背景肺癌对人类健康构成巨大的威胁,如今医学影像辅助手段为肺癌患者提供了先进的临床检查技术,其中PET/CT同时具有PET的显像功能和CT的解剖形态功能,两者优势互补,但海量的医学影像加重了医生的阅片负担,因此基于粗糙集的肺部肿瘤计算机辅助诊断能够给医生提供定量分析,并提供具有较好一致性的诊断参考,减轻医生诊断工作量,提高诊断效果。研究目的以肺部肿瘤CT、PET、PET/CT三模态图像作为研究对象,将基于集成SVM和变精度粗糙集模型用于对肺部肿瘤图像的识别研究,以实现肺部肿瘤的计算机辅助诊断,减轻医生诊断工作量,提高阅片效率。研究方法在粗糙集模型结构的基础上,提出了基于集成SVM和变精度粗糙集两种模型分别用于肺部肿瘤图像识别研究,其中基于集成SVM的模型用于对肺部肿瘤PET/CT三模态图像的特征进行识别研究,基于变精度粗糙集模型用于对PET/CT图像的特征进行识别研究,并采用准确率、敏感性、特异性和算法耗时作为性能指标。研究结果针对基于集成SVM的肺部肿瘤PET/CT计算机辅助诊断研究,进行了五组实验,即:在CT特征空间里构造个体分类器、在PET特征空间里构造个体分类器、在PET/C...
【文章来源】：宁夏医科大学宁夏回族自治区
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
模糊集改进方法分类图
图 2 给出基于人工神经网络的分类图。图 2 基于人工神经网络的分类图2.2.7基于粗糙集的方法粗糙集（rough set）理论在处理含糊性问题和不确定信息时是比较有效的工具。它在知识的获取方面、机器学习领域、决策分析过程、过程控制等范畴都得到了比较广泛和成功的运用，其优点是不需要问题所需素材之外的任何先验知识[9]。粗糙集在医学领域的应用主要包括医学图像的增强、滤波、识别、分类、融合、分割；医学数据挖掘；疾病预测、医疗诊断、疾病分类[58]等等。模型的扩展和改进是粗糙集研究的重要方向，常用的粗糙集模型有：传统粗糙集模型、变精度粗糙集模型、模糊集与粗糙集相结合的模糊粗糙集模型、粗糙模糊集模型、概率粗糙集模型、决策粗糙集模型、Bayes 粗糙集模型等。Ashish Phophalia[59]等提出一种基于粗糙集理论的脑核磁图像去噪方法，该去噪方法在医学图像处理过程中具有很好的适用性；Zexuan Ji[60]等提出广义的粗糙模糊 C 均值算法应用于脑核磁图像分割，具有良好的鲁棒性和去噪能力；S. Madhukumar[61]等结合模糊 K 均值和模糊 C 均值用于评估脑核磁共振分割图像；Jong-Hyun Lee[62]等提出基
图 3 粗糙集改进方法分类图优化，自适应的调整搜索方向，达到，改进后的方法如自适应遗传算法、优化精度，而且拥有很好的收敛性以适应度函数的构造、选择、交叉、变且防止遗传算法过早收敛，对遗传算隔离小生境遗传算法能保持群体的多法中适应度函数进行改进，在特征选出改进的乘幂适应度函数应用于遗传
【参考文献】：
期刊论文
[1]特征级图像融合及在医学图像中的应用研究[J]. 吴翠颖,周涛,陆惠玲,王媛媛. 电视技术. 2016(12)
[2]基于多维特征和支持向量机核函数优化的自动化肺结节检测模型[J]. 刘银凤,张俊杰,周涛,夏勇,吴翠颖. 生物医学工程研究. 2016(02)
[3]基于粗糙集特征级融合的肺结节检测算法[J]. 张俊杰,周涛,夏勇,王文文. 电视技术. 2016(03)
[4]基于特征级融合神经网络的磁共振成像前列腺肿瘤CAD模型[J]. 陆惠玲,周涛,王惠群,王文文. 计算机应用. 2015(10)
[5]基于决策树对支持向量机的医学图像分类新方法[J]. 邹丽,蒋芸,陈娜,沈健,胡学伟,李志磊. 计算机工程与应用. 2016(21)
[6]基于区间二型模糊粗糙集的连续属性约简算法[J]. 李冬梅,李涛,赵涛. 计算机应用研究. 2015(05)
[7]改进的乘幂适应度函数在遗传算法中的应用[J]. 杨水清,杨加明,孙超. 计算机工程与应用. 2014(17)
[8]基于等距映射的监督多流形学习算法[J]. 邵超,万春红. 模式识别与人工智能. 2014(02)
[9]多模态医学影像融合识别技术研究进展[J]. 周涛,陆惠玲,陈志强,马竟先. 生物医学工程学杂志. 2013(05)
[10]融合LLE和ISOMAP的非线性降维方法[J]. 张少龙,巩知乐,廖海斌. 计算机应用研究. 2014(01)
博士论文
[1]几类特殊模糊集的理论与应用研究[D]. 张振华.南京理工大学 2012
[2]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
[3]DNA遗传算法及应用研究[D]. 陈霄.浙江大学 2010
硕士论文
[1]多粒度变精度粗糙集的若干问题[D]. 唐小龙.广西民族大学 2015
[2]基于直觉犹豫模糊信息的多准则群决策方法研究[D]. 彭露.中南大学 2013
[3]基于核独立成分分析的发酵过程监测方法研究[D]. 祝元春.北京化工大学 2013
[4]改进的BP神经网络与D-S证据理论融合在入侵检测系统中的应用[D]. 张来武.云南大学 2013
[5]几种粗糙集模型及与神经网络相结合的研究[D]. 王学明.电子科技大学 2013
[6]变精度粗糙集属性约简理论与算法[D]. 杨燕燕.华北电力大学 2013
[7]局部支持向量机的研究[D]. 朱莹莹.北京交通大学 2013
[8]基于粗糙模糊集的数据融合在传感器网络中的应用[D]. 宋胜娟.天津大学 2012
[9]基于D-S理论的人脑医学图像的融合分割[D]. 罗亚桃.昆明理工大学 2012
[10]分块核独立成分分析的人脸识别方法研究[D]. 彭磊.广东工业大学 2012
本文编号：3139978
【文章来源】：宁夏医科大学宁夏回族自治区
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
模糊集改进方法分类图
图 2 给出基于人工神经网络的分类图。图 2 基于人工神经网络的分类图2.2.7基于粗糙集的方法粗糙集（rough set）理论在处理含糊性问题和不确定信息时是比较有效的工具。它在知识的获取方面、机器学习领域、决策分析过程、过程控制等范畴都得到了比较广泛和成功的运用，其优点是不需要问题所需素材之外的任何先验知识[9]。粗糙集在医学领域的应用主要包括医学图像的增强、滤波、识别、分类、融合、分割；医学数据挖掘；疾病预测、医疗诊断、疾病分类[58]等等。模型的扩展和改进是粗糙集研究的重要方向，常用的粗糙集模型有：传统粗糙集模型、变精度粗糙集模型、模糊集与粗糙集相结合的模糊粗糙集模型、粗糙模糊集模型、概率粗糙集模型、决策粗糙集模型、Bayes 粗糙集模型等。Ashish Phophalia[59]等提出一种基于粗糙集理论的脑核磁图像去噪方法，该去噪方法在医学图像处理过程中具有很好的适用性；Zexuan Ji[60]等提出广义的粗糙模糊 C 均值算法应用于脑核磁图像分割，具有良好的鲁棒性和去噪能力；S. Madhukumar[61]等结合模糊 K 均值和模糊 C 均值用于评估脑核磁共振分割图像；Jong-Hyun Lee[62]等提出基
图 3 粗糙集改进方法分类图优化，自适应的调整搜索方向，达到，改进后的方法如自适应遗传算法、优化精度，而且拥有很好的收敛性以适应度函数的构造、选择、交叉、变且防止遗传算法过早收敛，对遗传算隔离小生境遗传算法能保持群体的多法中适应度函数进行改进，在特征选出改进的乘幂适应度函数应用于遗传
【参考文献】：
期刊论文
[1]特征级图像融合及在医学图像中的应用研究[J]. 吴翠颖,周涛,陆惠玲,王媛媛. 电视技术. 2016(12)
[2]基于多维特征和支持向量机核函数优化的自动化肺结节检测模型[J]. 刘银凤,张俊杰,周涛,夏勇,吴翠颖. 生物医学工程研究. 2016(02)
[3]基于粗糙集特征级融合的肺结节检测算法[J]. 张俊杰,周涛,夏勇,王文文. 电视技术. 2016(03)
[4]基于特征级融合神经网络的磁共振成像前列腺肿瘤CAD模型[J]. 陆惠玲,周涛,王惠群,王文文. 计算机应用. 2015(10)
[5]基于决策树对支持向量机的医学图像分类新方法[J]. 邹丽,蒋芸,陈娜,沈健,胡学伟,李志磊. 计算机工程与应用. 2016(21)
[6]基于区间二型模糊粗糙集的连续属性约简算法[J]. 李冬梅,李涛,赵涛. 计算机应用研究. 2015(05)
[7]改进的乘幂适应度函数在遗传算法中的应用[J]. 杨水清,杨加明,孙超. 计算机工程与应用. 2014(17)
[8]基于等距映射的监督多流形学习算法[J]. 邵超,万春红. 模式识别与人工智能. 2014(02)
[9]多模态医学影像融合识别技术研究进展[J]. 周涛,陆惠玲,陈志强,马竟先. 生物医学工程学杂志. 2013(05)
[10]融合LLE和ISOMAP的非线性降维方法[J]. 张少龙,巩知乐,廖海斌. 计算机应用研究. 2014(01)
博士论文
[1]几类特殊模糊集的理论与应用研究[D]. 张振华.南京理工大学 2012
[2]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
[3]DNA遗传算法及应用研究[D]. 陈霄.浙江大学 2010
硕士论文
[1]多粒度变精度粗糙集的若干问题[D]. 唐小龙.广西民族大学 2015
[2]基于直觉犹豫模糊信息的多准则群决策方法研究[D]. 彭露.中南大学 2013
[3]基于核独立成分分析的发酵过程监测方法研究[D]. 祝元春.北京化工大学 2013
[4]改进的BP神经网络与D-S证据理论融合在入侵检测系统中的应用[D]. 张来武.云南大学 2013
[5]几种粗糙集模型及与神经网络相结合的研究[D]. 王学明.电子科技大学 2013
[6]变精度粗糙集属性约简理论与算法[D]. 杨燕燕.华北电力大学 2013
[7]局部支持向量机的研究[D]. 朱莹莹.北京交通大学 2013
[8]基于粗糙模糊集的数据融合在传感器网络中的应用[D]. 宋胜娟.天津大学 2012
[9]基于D-S理论的人脑医学图像的融合分割[D]. 罗亚桃.昆明理工大学 2012
[10]分块核独立成分分析的人脸识别方法研究[D]. 彭磊.广东工业大学 2012
本文编号：3139978
本文链接：https://www.wllwen.com/linchuangyixuelunwen/3139978.html
最近更新
教材专著
