论文部分内容阅读
肺癌是全球发病率、病死率位居首位的恶性肿瘤，死亡率约91.6%，并以每年0.5%的趋势趋于增长，占到所有癌症死亡数的23.8%。肺结节（Pulmonary Nodule）是早期肺癌最常见的表现形式，而CT影像检查可直接显示和观察病变，对早期肺癌、肺结节检查最为有效。计算机辅助诊断（ComputerAided Diagnosis, CAD）能够克服主观因素的影响自动分析病人CT影像序列，标注出疑似肺结节，并提供结节的形状，体积，灰度等参数信息辅助医师做出诊断，降低了漏诊、误诊几率。针对DICOM格式CT影像序列信息，结合肺部CT影像的临床特征，本文对DICOM格式及解析过程、序列影像归一化预处理、单幅影像自动肺实质数据提取、序列化分割、肺结节检测、结节二维与三维特征提取、分类判别等几个关键步骤进行详细研究和算法验证，具体来说：首先对国际通用的DICOM医学影像格式进行分析，对DICOM格式的解析过程进行研究，总结了近年来文献及临床研究发现的、适用于计算机辅助检测诊断的肺结节影像特点，并针对DICOM肺部CT影像序列在归一化窗宽、窗位设定等方面进行研究和实验。然后提出一种逐层消除背景，构建肺实质模板的算法来获取全面准确的肺实质数据，同时构造圆形结构数据对肺实质模板边界进行平滑修复，又引入基于监督函数的图搜索算法获取肺实质边界，结合序列间相似性进行上下层映射从而实现自动序列化肺实质分割。接着分别采用结合改进的局部阈值及连通域标记算法、在肺实质三维数据空间基于灰度、梯度获取种子点三维自适应并行区域生长算法、设计二维和三维高斯模板进行结节匹配算法进行ROI检测，对提取的ROI区域进行轮廓提取和连通域标记提取各个ROI的位置、形状、灰度等多个二维特征，同时结合VOI体积、球形度、对称度、形状矩描述算子、傅里叶描述算子等三维特征组成特征矩阵，然后采用多个样本训练线性判别分类器后对ROI进行分类判别。通过大量的实验，分别以美国的LIDC(Lung Imaging Database Consortium)肺癌影像数据库提供的影像和标注信息为实验对象和算法评估标准，利用文中提出的肺实质分割、肺结节检测算法进行处理，经过大量的训练和验证反馈，算法对结节的敏感性达到了90%，检测结节的假阳性率为2.3FPs/Scan。