检索历史 清除

摘要肺癌是全球癌症中发病率和死亡率最高的恶性肿瘤.人工智能的兴起、大数据深度挖掘的应用结合计算模型优化,使得计算机辅助诊断大大提高了肺癌的自动诊断率.但是,由于肺癌的临床确诊多为中期晚(Ⅱ、Ⅲ、Ⅳ期),经过标准化治疗(手术或立体定向放疗)后,5年生存率仍低于5%,而早期肺癌患者的治愈率可达80%以上.但早期的肺部细小病变特征很难被发现,薄层扫描模式下CT成像技术能够灵敏发现早期肺部微小病变.但同时,CT成像技术带来了大量的CT序列图像,这将不可避免地导致计算机辅助诊断系统中CT图像处理难度加大,处理速度慢,效率低等问题.<br>　　对CT序列图像中的结节进行准确的分割,同时提高肺结节良恶性分类的准确度,都将大大提高计算机辅助诊断系统的效率.因此,分割与分类都成为肺部计算机辅助诊断研究中的重点与难点.本论文主要针对薄扫CT序列图像中肺结节分割与分类的方法展开讨论与研究.<br>　　(一)本文针对磨玻璃型肺结节分割不准确且分割效率低的问题,提出了一种基于自动种子点的磨玻璃型肺结节序列分割方法.首先,将自适应高斯滤波应用于分割好的肺实质图像,以便拉伸肺实质、磨玻璃结节和血管等之间的对比度;然后,使用改进的滑降算法,自动准确定位种子点;最后通过迭代模糊连接度算法得到分割后的肺结节图像.实验结果表明,本文方法不仅对磨玻璃型肺结节具有很好的分割效果,而且对孤立型、胸膜牵拉型肺结节进行分割时,也能够实现精确分割.本文提出的算法还解决了种子点需要人工交互的问题,在提高肺结节图像分割效果的同时提高了算法的通用性.<br>　　(二)在肺结节分类方面,本文提出了一种基于多尺度空间金字塔池化的肺结节分类方法.由于肺结节大小不一的特性,使得同一尺度图像输入卷积神经网络时,总会包含较多的背景冗余信息,不能精确提取肺结节特征.针对这一问题,首先改进了经典的AlexNet网络,使其更适合肺结节图像分类.其次,设计了结节的多尺度输入方法,极大减少了感兴趣区域的冗余信息.最后,通过多尺度空间金字塔池化策略提取肺结节图像特征,并实现固定长度表示.实验结果表明,本文方法与其他方法相比,在准确性、敏感度、特异度等方面均有更优异的表现,具有更高的分类准确性.