基于卷积神经网络的肺结节分类算法的研究

发布时间：2024-07-05 16:54

　　肺癌已经成为导致病人死亡的恶性疾病中最主要的一种,由于发病率高,而确诊后的治愈率较低,所以患者的存活率一直处于较低的水平。CT技术广泛应用为医生在诊断肺部病灶方面提供了精确的帮助,但是肺癌患者数量仍然居高不下的原因主要有3点:(1)肺部CT扫描图像数量庞大,有经验的阅片医生不足以应付快速增长的病例。(2)肺部的血管、组织较多,与肺部病灶相互交织在一起不易分辨。(3)传统的机器学习方法主要是通过人工提取病灶的低层特征,不同的专家有着不同的提取方法,而不同的特征对于分类结果有着很大的影响。针对肺部CT扫描图像的计算机辅助诊断系统可以有效的提高医生的诊断率,减轻医生的负担,给患者提供较为客观的诊断结果。计算机辅助诊断系统主要由肺部感兴趣区域(RegionofInterest,ROI)的提取和对良恶性结节的分类两部分组成。感兴趣区域的提取是通过分割肺实质、提取感兴趣区域以去除不必要的组织器官的干扰。肺结节分类识别是准确评价一个分类器分类性能优劣的标准。本文针对计算机辅助诊断系统的两大关键:肺部CT图像感兴趣区域的提取和肺结节的分类展开了研究。1.本文针对传统分割方法中,存在过多的人工手动分割或...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图５－?１基于改进ＣＮＮ模型的肺结节检测算法流程图??

经网络从提出到现在，许多专家学者对卷积神经网络模型提出了许多改进算法，本章将??在原始ＣＮＮ模型的基础上，引入最新的改进策略，并将ＣＮＮ和其他模式识别分类器相??结合，提出ＣＮＮ－ＳＶＭ模型和ＣＮＮ－ＲＦ模型。图５－１是基于改进ＣＮＮ模型的肺结节检??测算法流程图。??输入肺部Ｃ....

图２－１?ＣＡＤ系统的一般处理流程??Ｆｉｇ．２－１?Ｇｅｎｅｒａｌ?ｐｒｏｃｅｓｓｉｎｇ?ｆｌｏｗ?ｏｆ?ＣＡＤ?ｓｙｓｔｅｍ??

图２－１?ＣＡＤ系统的一般处理流程??Ｆｉｇ．２－１?Ｇｅｎｅｒａｌ?ｐｒｏｃｅｓｓｉｎｇ?ｆｌｏｗ?ｏｆ?ＣＡＤ?ｓｙｓｔ结节的特征??特征??（Ｃｏｍｐｕｔｅｄ?Ｔｏｍｏｇｒａｐｈｙ，ＣＴ）是常用的用Ｍ。根据扫描射线的不同可以分为：是利用特定的射线围绕人体的特定的受到透过器官....

图２－２肺部ＣＴ图像??Ｆｉｇ．２－２?ＣＴ?ｉｍａｇｅ?ｏｆ?ｌｕｎｇ??ＣＴ图像中像素的不同灰度级别代表不同组织的密度，而ＣＴ值就是测定人体组着??

然人体内各种组织器官的密度差别不大，吸收系数接近于水，也能形成较为明显的的对??比，容易使医生分辨，这是ＣＴ图像最突出的优点，也是深度检查主要的手段之一。基??于这样的特点，体内发生的病变能在ＣＴ图像中清晰的显示出来。图２－２是由ＣＴ扫描??后的肺部ＣＴ图像。??图２－２肺部ＣＴ....

图２－３肺部ＣＴ图像ＣＴ值分布图??Ｆｉｇ．２－３?ＣＴ?ｖａｌｕｅ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ＣＴ?ｉｍａｇｅ?ｉｎ?ｌｕｎｇ??

然人体内各种组织器官的密度差别不大，吸收系数接近于水，也能形成较为明显的的对??比，容易使医生分辨，这是ＣＴ图像最突出的优点，也是深度检查主要的手段之一。基??于这样的特点，体内发生的病变能在ＣＴ图像中清晰的显示出来。图２－２是由ＣＴ扫描??后的肺部ＣＴ图像。??图２－２肺部ＣＴ....

本文编号：4001241