学位论文 > 优秀研究生学位论文题录展示

基于CT影像的肺结节检测与分割方法研究

作　者: 孙申申
导　师: 赵宏；康雁
学　校: 东北大学
专　业: 计算机应用技术
关键词: 肺结节检测肺结节分割候选点提取去假阳特征选择聚类算法特征提取分类器
分类号: TP391.41
类　型: 博士论文
年　份: 2009年
下　载: 261次
引　用: 3次
阅　读: 论文下载

内容摘要

肺癌是全球男性死亡率最高的癌症,也是女性死亡率次高的癌症。肺癌早期是以肺结节的形式表现的。CT扫描是早期检测肺结节最有效的工具。计算机辅助检测(ComputerAided Detection,CAD)系统能帮助放射科医生减少阅片时间,并提高检测的准确率。肺癌CAD有两个主要功能:肺结节检测和肺结节分割,其中,肺结节检测包括候选结节提取和去假阳。本论文首先分别对它们进行了综述,分析现有方法的缺陷,并提出了解决方案,且取得了很好的效果。第一,综述结节检测方法和结节分割方法。对现有方法进行分类型综述,并分析出现有方法存在的待解决问题。第二,针对圆点滤波器(Dot Filter)不能提取候选毛玻璃型肺结节的问题,提出了一种基于自适应非线性滤波器(Adaptive Nonlinear Filter,AN)和圆点滤波器相结合的候选毛玻璃型结节提取方法。对于23套CT影像(内含有32个毛玻璃型结节)漏检率为15.6%,平均每层影像5.5个假阳,平均每套影像需要时间1.2分钟。本文算法在所需运行时间、敏感性和特异性上都优于现有方法。第三,针对圆点滤波器不能区分粘连血管型结节、血管交叉处和血管末梢处,从而造成假阳率高的问题,提出了两种新特征和一种基于组合优化方法(改进遗传算法或分散搜索)和支持向量机(Support Vector Machine,SVM)相结合的肺结节检测框架。首先建立特征选择模型,然后用组合优化方法和SVM对模型求解,求得的最优特征组合结合SVM构建分类器。该分类器能保证低漏检率的前提下,降低肺结节检测的假阳率。用64套肺影像(内含有136个结节和6253个假阳)测试分类器的性能,检出110个结节,漏检26个结节,共有96个假阳,最终效果为:敏感性80.9%,平均每套影像1.5个假阳。实验结果表明,该框架和算法的敏感性和特异性都优于Philips、Siemens、GE等产品。第四,针对应用均值漂移(Mean-Shift)算法分割肺结节时,带宽选择范围过长的问题,提出了一种新的缩短带宽选择范围的方法。应用区域生长和带宽选择定理确定初始带宽参数,再利用多尺度空间滤波聚类理论的最稳定尺度准则确定最佳的自适应带宽参数。与基于统计分析规则的带宽选择方法相比,该方法时间复杂度低,且能得到符合实际问题的带宽参数。该方法对毛玻璃型、粘连血管型、粘连肺壁型和孤立型肺结节(各向同性和各向异性),共18套CT影像病例内含有36个结节(共95层结节影像),进行评估实验,都取得了符合医生金标准的分割结果。结果表明,该方法对分割所有类型的肺结节都是有效的。第五,针对结节与血管相连且两者CT值相近造成分割粘连血管型结节困难的问题,提出一种基于最大期望(Expectation Maximum,EM)的自适应带宽参数选择方法,并采用Mean-Shift算法解决粘连血管型结节分割问题。与基于统计分析规则的带宽选择方法和基于迭代的带宽选择方法相比,该方法时间复杂度低,且能直接求得符合实际问题的正确的带宽参数。利用血管流向特征方向分布服从正态分布,而结节的流向特征方向服从均匀分布的特点,建立模型,并用EM估计模型参数,根据均匀分布的权重和带宽选择定理确定带宽参数。该方法在16套CT影像病例(内含有16个粘连血管型结节)进行评估实验,都取得了符合医生金标准的分割结果。结果表明,该方法能快速、精确、自动地对粘连血管型结节进行三维分割。

全文目录

摘要  5-7
Abstract  7-9
目录  9-13
第1章绪论  13-26
  1.1 研究背景和意义  13-15
  1.2 研究现状和现有问题  15-21
  1.3 研究目标和内容  21-22
  1.4 论文结构及技术路线  22-26
第2章肺结节检测与分割方法综述  26-48
  2.1 肺结节检测方法综述  26-38
    2.1.1 候选肺结节提取方法  26-32
      2.1.1.1 基于阈值的候选肺结节提取方法  26-27
      2.1.1.2 基于聚类的候选肺结节提取方法  27-28
      2.1.1.3 基于形态学的候选肺结节提取方法  28-29
      2.1.1.4 基于分类的候选肺结节提取方法  29
      2.1.1.5 基于模板匹配的候选肺结节提取方法  29-30
      2.1.1.6 基于形状的候选肺结节提取方法  30-32
    2.1.2 肺结节去假阳方法  32-35
      2.1.2.1 特征提取方法  32-33
      2.1.2.2 特征选择方法  33
      2.1.2.3 分类方法  33-35
    2.1.3 检测算法的评价指标  35-36
    2.1.4 现有算法检测效果评价  36-38
  2.2 肺结节分割方法综述  38-47
    2.2.1 基于区域生长的肺结节分割方法  39
    2.2.2 基于形态学的肺结节分割方法  39-40
    2.2.3 基于可变模型的肺结节分割方法  40
    2.2.4 基于马尔科夫随机场的肺结节分割方法  40-41
    2.2.5 基于聚类的肺结节分割方法  41
    2.2.6 分割方法的评价指标  41-43
    2.2.7 聚类方法综述  43-47
      2.2.7.1 基于动态聚类方法  43-44
      2.2.7.2 基于层次聚类方法  44
      2.2.7.3 基于密度聚类方法  44-45
      2.2.7.4 基于图论聚类方法  45
      2.2.7.5 基于混合概率分布聚类方法  45-46
      2.2.7.6 基于组合优化聚类方法  46
      2.2.7.7 聚类方法间的联系  46-47
  2.3 本章小结  47-48
第3章基于AN Filter和Dot Filter的GGO候选结节提取方法研究  48-63
  3.1 导论  48-50
  3.2 GGO候选结节提取原理及方法  50-59
    3.2.1 基础理论  50-54
      3.2.1.1 对比度增强  50-52
      3.2.1.2 圆点滤波器  52-54
    3.2.2 现有方法的缺陷  54-56
      3.2.2.1 对比度增强提取候选结节的缺陷  54-55
      3.2.2.2 圆点滤波器提取候选结节的缺陷  55-56
    3.2.3 基于AN Filter和Dot Filter的GGO候选结节提取方法  56-59
  3.3 结果及分析  59-62
    3.3.1 实验数据  59
    3.3.2 实验环境  59-60
    3.3.3 实验方案  60
    3.3.4 实验结果  60-62
    3.3.5 讨论  62
  3.4 本章小结  62-63
第4章基于组合优化和SVM的肺结节去假阳方法研究  63-82
  4.1 导论  63-65
  4.2 基础理论  65-66
    4.2.1 遗传算法  65
    4.2.2 分散搜索  65-66
  4.3 肺结节检测框架  66
  4.4 特征分析  66-70
    4.4.1 预处理  66-67
    4.4.2 自适应感兴趣区域获取  67-68
    4.4.3 特征提取  68-70
  4.5 特征选择模型  70-73
    4.5.1 基于改进GA和SVM求解模型  71-72
    4.5.2 基于SS和SVM求解模型  72-73
  4.6 结果及分析  73-81
    4.6.1 实验数据  73-74
    4.6.2 参数的选取  74
      4.6.2.1 改进GA的参数选取  74
      4.6.2.2 SS参数  74
    4.6.3 实验结果及讨论  74-81
      4.6.3.1 特征选择算法结果及讨论  74-76
      4.6.3.2 检测效果及讨论  76-81
  4.7 本章小结  81-82
第5章基于多尺度和Mean-Shift的肺结节分割方法研究  82-98
  5.1 导论  82-83
  5.2 基础理论  83-86
    5.2.1 多尺度层次聚类方法  83-84
    5.2.2 均值漂移算法  84-86
  5.3 均值漂移算法带宽选取现状  86-88
  5.4 现有基于Mean-Shift结节分割方法原理及缺陷  88-89
  5.5 基于多尺度的带宽选取方法  89-92
    5.5.1 初始区域的获取  90
    5.5.2 初始带宽的选取  90-92
    5.5.3 最佳带宽的选取  92
  5.6 Mean-Shift二维分割结节过程  92-93
  5.7 结果及分析  93-96
    5.7.1 实验方案  93-94
    5.7.2 人造实验数据及结果  94
    5.7.3 肺CT影像实验数据  94-95
    5.7.4 实验结果与讨论  95-96
  5.8 本章小结  96-98
第6章基于EM和Mean-Shift的粘连血管型肺结节分割方法研究  98-113
  6.1 导论  98-99
  6.2 期望最大算法  99-101
  6.3 基于EM的带宽选取方法  101-107
    6.3.1 预处理  102-103
    6.3.2 基于关系矩阵的流向特征提取  103-105
    6.3.3 基于EM估计粘连血管型结节模型参数  105-107
    6.3.4 最佳带宽选取  107
  6.4 Mean-Shift三维分割结节过程  107-108
  6.5 结果及分析  108-112
    6.5.1 实验方案  108
    6.5.2 人造实验数据及结果  108-110
    6.5.3 肺CT影像实验数据  110-112
    6.5.4 实验结果与讨论  112
  6.6 本章小结  112-113
第7章结论  113-117
  7.1 本文的主要研究成果  113-114
  7.2 未来工作展望  114-117
参考文献  117-126
致谢  126-127
攻读学位期间发表的论文及科研工作  127-128
作者简介  128

基于CT影像的肺结节检测与分割方法研究

内容摘要

全文目录

相似论文