基于SVM的肺结节分割与识别

发布时间：2017-10-13 04:03

  本文关键词：基于SVM的肺结节分割与识别

  更多相关文章： 肺癌 肺结节 CT 胸廓提取 SVM SMO

【摘要】：尽管癌症成像技术和新的癌症治疗方法已有着显着的进步,但癌症仍是一个主要的流行病学医疗保健问题。由于癌症是异质性的疾病,在目前的临床实践中由于缺乏针对癌症预后结果的准确可靠的评估能力而导致大量是过度诊断和过度治疗,不但延误了肺癌的最佳诊疗时间,也为癌症患者增加了医疗成本。因此,能够在前期发现开发最佳的个性化癌症治疗模式已引起了广泛的研究兴趣。而肺结节正是肺癌早期出现的主要征象之一。为了克服这种临床困境并提高癌症治疗的治愈率,有效地从肺部CT图像中分离肺结节对于肺癌的早期诊断时至关重要的。目前关于肺部及肺结节的分割识别算法众多,然而,由于肺结节是个特征异质性较强的组织,因此目前的识别算法大多并不总是可行的,为了获得较为全面的肺部和肺结节信息,需要一个足够可靠的分割及识别算法来对大量的胸部CT图像进行处理,而有时对于在实际的临床图像应用中依然存在着不可预测的变化。目前随着CT断层扫描技术的发展,医学图像具备着显示许多潜在癌症发展和预后生物过程等极其有用的特征,诸如肺结节的识别可以在癌症的诊断和预后评估中提供有用的补充信息。此外,由于计算机辅助计划实现了图像特征的定量分析,开发计算机肺结节识别辅助诊断系统应该是更可靠和具有成本效益的。本文首先对研究的背景及意义进行了阐述,同时总结了目前的一些分割识别的研究成果并概述了现有的分割方法,也阐述了本文选用SVM进行识别算法设计的优势,经过对临床的胸部CT图像进行了轮廓提取等预处理后,对肺结节的一些特征进行了量化的提取,最后利用SVM进行了分类识别的算法的设计。
【关键词】：肺癌 肺结节 CT 胸廓提取 SVM SMO
【学位授予单位】：东北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R734.2;R730.44;TP391.41
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-12
• 1.1 课题研究背景及意义9
• 1.2 肺部分割及肺结节识别的研究现状9-11
• 1.3 本文研究内容11-12
• 第2章 CT图像分割方法12-21
• 2.1 图像分割概述12-18
• 2.1.1 基于图像特征一致性的分割方法14-17
• 2.1.2 基于图像棱边提取和目标抽取的分割方法17-18
• 2.2 基于SVM的分割识别方法的优势18-20
• 2.3 本章小结20-21
• 第3章 CT图像的肺实质分割21-37
• 3.1 图像预处理21
• 3.2 胸廓提取21-22
• 3.3 肺部的识别22-29
• 3.3.1 模糊C均值聚类23-24
• 3.3.2 空气填充区域的检测24
• 3.3.3 大型气管区域的消除24
• 3.3.4 左右肺的分离24-25
• 3.3.5 肺部轮廓的校正25
• 3.3.6 迭代加权平均25-27
• 3.3.7 基于曲率阈值的校正27-29
• 3.4 肺部分割结果及讨论29-36
• 3.4.1 参数的设定29-30
• 3.4.2 在临床数据上的应用30-36
• 3.5 本章小结36-37
• 第4章 肺结节的特征提取37-49
• 4.1 特征的评价准则37-38
• 4.2 使用统计检验作为可分性判据38-39
• 4.3 特征选择39-43
• 4.3.1 特征选择算法概述39-42
• 4.3.2 特征选择算法的步骤设计42-43
• 4.4 肺结节的特征提取43-48
• 4.4.1 灰度特征提取45
• 4.4.2 形态特征提取45-46
• 4.4.3 肺结节的纹理特征提取46
• 4.4.4 特征提取的结果46-48
• 4.5 本章小结48-49
• 第5章 基于SVM的肺结节分类识别49-67
• 5.1 统计学习理论49-51
• 5.1.1 经验风险最小化原理(ERM)50
• 5.1.2 VC维50-51
• 5.1.3 结构风险最小化51
• 5.2 支持向量机51-52
• 5.3 顺序最小优化算法(SMO)52-57
• 5.3.1 SVM训练的各种方法52-53
• 5.3.2 顺序最小优化(SMO)的简介53
• 5.3.3 SMO的原理53-57
• 5.4 肺结节样本的训练57-61
• 5.5 肺结节的分类结果61-66
• 5.6 本章小结66-67
• 第6章 总结与展望67-69
• 6.1 本文工作总结67-68
• 6.2 课题后续展望68-69
• 参考文献69-73
• 致谢73

【相似文献】

中国期刊全文数据库 前10条

1 毛亚莉;刘勇;张晓忠;;肺结节的X线片诊断[J];中国民康医学;2006年22期

2 宋佳;李翠芳;孙希文;聂生东;;一种非实质性肺结节分割的新方法[J];中国医学影像技术;2011年12期

3 ;矽肺结节钙化五例临床分析[J];冶金劳动卫生;1976年02期

4 王敏杰,王培军,田建明,余准,李晓兵,崔恒武,邵成伟;低剂量和靶螺旋CT扫描技术在肺结节诊断中的价值[J];临床放射学杂志;2003年07期

5 王化,唐光健;多层螺旋CT在肺结节诊断中的应用及展望[J];国外医学(临床放射学分册);2005年06期

6 吴龙海;周荷琴;李传富;;基于高分辨率CT图像的肺结节检测[J];中国医疗器械杂志;2008年03期

7 苗芬;吴龙海;周荷琴;;一种基于相关矩阵的肺结节增强算法[J];北京生物医学工程;2008年05期

8 贾守勤;赵斌;尚延海;马子堂;刘世合;齐向芹;;常规DR胸片对肺结节漏诊原因的分析[J];医学与哲学(临床决策论坛版);2009年04期

9 高园园;吕庆文;;肺结节检测算法研究[J];医学信息;2010年02期

10 林欢;;容积CT扫描发现的肺结节的处理[J];循证医学;2010年01期

中国重要会议论文全文数据库 前10条

1 查开继;高剑波;张永高;郭华;杨学华;周志刚;;断层融合成像与数字X线成像诊断肺结节的比较研究[A];2010中华医学会影像技术分会第十八次全国学术大会论文集[C];2010年

2 孙志远;;数字化体层融合在肺结节探查中的初步应用[A];中华医学会第16次全国放射学学术大会论文汇编[C];2009年

3 穆景博;高向东;;X线数字化体层融合技术在肺结节探查中的应用[A];2010中华医学会影像技术分会第十八次全国学术大会论文集[C];2010年

4 于红;李惠民;刘士远;肖湘生;;肺外体循环动脉供血胸膜下肺结节:提示炎症?[A];2006年华东六省一市暨浙江省放射学学术年会论文汇编[C];2006年

5 于红;李惠民;刘士远;肖湘生;;肺外体循环动脉供血胸膜下肺结节:提示炎症?[A];中华医学会放射学分会第八届全国心胸影像学术大会暨河南省第十二次放射学术会议论文汇编[C];2006年

6 于红;李惠民;刘士远;肖湘生;;肺外体循环动脉供血胸膜下肺结节:提示炎症?[A];中华医学会第十三届全国放射学大会论文汇编（下册）[C];2006年

7 高园园;吕庆文;冯前进;陈武凡;;一种新的肺结节检测算法[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）[C];2007年

8 徐岩;马大庆;;计算机辅助检测肺结节在数字化胸片上的应用价值[A];中华医学会第十三届全国放射学大会论文汇编（下册）[C];2006年

9 王永仁;吴碧芳;经凤华;李峻;金德胜;;低剂量CT筛查肺结节对图像质量的影响[A];2008年浙江省放射学年会论文汇编[C];2008年

10 徐岩;马大庆;贺文;;计算机辅助检测肺结节在数字化胸片肺癌筛查中的应用价值[A];中华医学会第16次全国放射学学术大会论文汇编[C];2009年

中国重要报纸全文数据库 前2条

1 上海交通大学医学院附属瑞金医院胸外科主任医师 邱维诚;发现肺结节 别轻易下诊断[N];健康报;2013年

2 朱立明　第四军医大学;三联诊断方案辨明肺结节[N];医药经济报;2010年

中国博士学位论文全文数据库 前9条

1 刘阳;基于肺部高分辨率CT影像的肺结节识别方法研究[D];东北大学;2011年

2 吴龙海;高分辨率CT图像的肺部病变计算机辅助诊断研究[D];中国科学技术大学;2008年

3 裴晓敏;基于CT影像的孤立性肺结节检测关键技术研究[D];东北大学;2011年

4 李惠民;肺结节CT研究[D];第二军医大学;2003年

5 韩芳芳;基于CT图像多维特征的肺结节检测和诊断方法研究[D];东北大学;2015年

6 蔡强;低剂量螺旋CT早期肺癌筛查—肺结节的检出及其相关研究[D];北京协和医学院;2011年

7 孙申申;基于CT影像的肺结节检测与分割方法研究[D];东北大学　;2009年

8 张婧;基于SVM的肺结节自动识别方法研究[D];华南理工大学;2011年

9 张涛;肺结节PET诊断的系统分析及~（11）C-鬼臼的实验研究[D];中国人民解放军军医进修学院;2008年

中国硕士学位论文全文数据库 前10条

1 邢谦谦;不规则形态肺结节的分割及毛刺检测研究[D];南方医科大学;2015年

2 刘晓娜;基于支持向量机的肺结节识别研究[D];浙江大学;2016年

3 滕雅琴;计算机辅助检测系统CT肺结节检出方式的研究[D];新疆医科大学;2016年

4 黑啸吉;基于低剂量CT图像的肺结节分割算法研究[D];郑州大学;2016年

5 张俊杰;基于粗糙集的特征级融合肺结节检测算法[D];宁夏医科大学;2016年

6 刘晨辉;基于DoG的胸部CT肺结节自动检测算法研究[D];广州大学;2016年

7 乐昂霖;基于SVM的肺结节分割与识别[D];东北大学;2015年

8 贾守勤;常规DR胸片对肺结节漏诊原因的分析[D];山东大学;2009年

9 侯乔;16层螺旋CT肺结节分析软件在孤立性肺结节中的价值[D];重庆医科大学;2010年

10 杨荣荣;64排螺旋CT不同的重建参数对肺结节容积定量的影响[D];天津医科大学;2012年

，

本文编号：1022679