学位论文 > 优秀研究生学位论文题录展示
基于半监督学习的肺部CT图像中结节检测研究与实现
作 者: 邢志安
导 师: 郭茂祖
学 校: 哈尔滨工业大学
专 业: 计算机科学与技术
关键词: 肺结节检测 肺结节良恶性检测 类圆形检测 半监督机器学习
分类号: TP391.41
类 型: 硕士论文
年 份: 2010年
下 载: 35次
引 用: 0次
阅 读: 论文下载
内容摘要
近年来,由于人类生存环境的恶化,肺癌等肺部疾病已经成为导致人类死亡、影响人类生活质量的主要原因之一。对于肺癌病人来说,早期检测可以使病人及时进行治疗,产生良好的预后。随着CT影像技术的发展,CT技术已经作为肺癌早期检测的主要工具。肺部的病变一般在CT图像上会表现为肺结节。因此,医生在临床上需要查阅CT图像来查找肺结节病变,而当前CT机扫描病人肺部所产生的图像数量少则几十张,多则数百张,这就给医生带来了沉重的负担,并会由此导致出现一些漏检的情况。肺结节计算机辅助诊断系统(CAD)可以帮助医生减少由于失误而漏检结节的概率,并且还可提供肺结节良恶性的预测参考。本文围绕肺结节计算机辅助诊断这一课题,做了一些相关的工作,主要包括以下三个方面:首先,提出了一套完整的肺结节自动检测方案。包括DICOM文件的处理及格式转换,基于区域生长的肺实质的提取,ROI提取,类圆形检测,ROI特征提取,以及基于半监督学习算法Co-Forest的肺结节判别。采用半监督学习的理由是无标记的样例,即医生未标记的CT图像,非常容易获得,而医生标记的数据却不太容易获取,这种情况正是半监督机器学习算法所擅长解决的。其次,提出了一种肺结节良恶性的预测方法。从影像学特征上判断具体的病症是比较困难的,目前即使是非常有经验的医学专家,在未对病人进行病理检验之前预测肺结节良恶性,准确率也很低。本文通过合作医院提供的13种特征,并采用SVM算法将预测肺结节良恶性作为一个简单的类别判别问题。最后,实现了一个肺结节计算机辅助诊断系统,拥有良好的用户界面,提供较好的用户体验。采用Server/Browser模式,使用户可以随时随地访问辅助诊断系统,同时实现了界面与算法的分离,易于维护升级算法。论文最后对上述方法进行了实验验证,实验的结果表明,本文所提出的方法是有效的,在一定程度上解决了肺结节的计算机辅助诊断问题。
|
全文目录
摘要 4-5 Abstract 5-9 第1章 绪论 9-16 1.1 课题背景 9-10 1.1.1 课题意义 9-10 1.1.2 课题来源 10 1.2 国内外研究现状 10-14 1.2.1 初始结节检测 10-12 1.2.2 基于学习方法的肺结节识别 12-14 1.3 肺结节辅助诊断所面临的问题 14 1.4 本文的研究内容及组织结构 14-16 第2章 肺结节检测 16-31 2.1 CT 原理及DICOM 文件介绍 16-17 2.2 肺实质提取 17-21 2.2.1 区域生长算法 19-21 2.3 ROI 区域与特征提取 21-23 2.3.1 获取初始ROIs 21-22 2.3.2 类圆形检测 22 2.3.3 特征提取 22-23 2.4 基于半监督学习的肺结节预测 23-26 2.4.1 半监督机器学习算法 23-25 2.4.2 Co-Forest 算法 25-26 2.5 肺结节检测实验 26-28 2.5.1 实验数据 26 2.5.2 性能评估指标 26-27 2.5.3 实验结果 27-28 2.6 辅助诊断系统中的肺结节自动检测实验 28-30 2.7 本章小结 30-31 第3章 肺结节的良恶性预测 31-39 3.1 肺结节病理特征与医学征象 31-32 3.2 本文选取的特征 32-34 3.3 基于SVM 的肺结节良恶性预测 34-37 3.4 肺结节良恶性预测实验 37 3.5 本章小结 37-39 第4章 肺结节辅助诊断系统 39-49 4.1 总体设计 39-41 4.2 用户交互 41-47 4.3 肺结节标记工具 47-48 4.4 本章小结 48-49 结论 49-51 参考文献 51-56 攻读学位期间发表的学术论文 56-58 致谢 58
|
相似论文
- 胸部CT图像的肺结节CAD系统,TP391.41
- 基于CT影像的肺结节检测与分割方法研究,TP391.41
- CT图像肺结节自动检测算法研究与实现,TP391.41
- CT影像中肺结节的检测方法研究,TP391.41
- 基于FPGA的数字图像处理基本算法研究与实现,TP391.41
- 用于检索的人脸特征提取与匹配算法研究,TP391.41
- 基于FPGA的高速图像预处理技术的研究,TP391.41
- 基于用户兴趣特征的图像检索研究与实现,TP391.41
- 图像拼接技术研究,TP391.41
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 舌体特征的提取及融合分类方法研究,TP391.41
- 基于人眼检测的驾驶员疲劳状态识别技术,TP391.41
- 空中目标与背景的红外图像仿真技术研究,TP391.41
- 基于TMS320C6713的SPIHT图像压缩算法研究及实现,TP391.41
- 双传感器图像联合目标检测及系统实现研究,TP391.41
- 雾天或背光条件下图像清晰化算法研究及硬件实现,TP391.41
- 基于纹理特征的视频编码技术研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 基于多示例学习的用户关注概念区域发现,TP391.41
- 图像的稀疏表示及编码模型研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|