论文部分内容阅读
肺癌是当今世界上发病率增长最快和死亡率最高的恶性肿瘤，肺癌的早期诊断以及治疗对提高患者的5年存活率有重要的意义。由于肺癌的CT图像表现为肺结节，所以肺结节的检测受到越来越多的人的关注。然而，随着多层螺旋CT的出现，医生需要处理的图像信息急剧增加，这就迫切需要一个辅助工具来减轻医生的工作，计算机辅助诊断方法(CAD)就这样慢慢发展起来。 本文对面向肺癌CAD应用的肺结节检测算法进行研究，主要工作包含四部分:(1)对肺部低剂量常规CT图像进行处理，使用最优阈值算法分割得到肺实质图像，并除去诊查床、气管等干扰区域，对被腐蚀的肺边缘区域进行修补，获得完整的肺实质图像;(2)研究基于邻域信息的模糊C-均值聚类算法，并利用该算法获得感兴趣区域(ROI);(3)根据肺结节的CT影像特征，定义了11个特征变量描述肺结节，根据概率分布可分性从中选出6个特征进行后续的分类。这样做大大减少了算法的冗余，减少了计算时间以及计算量。接着，使用支持向量机(SVM)算法对选出的6个特征进行单一特征分类，分类结果验证了特征选择的正确性、合理性;(4)使用Mahalanobis距离的分类器、加权改进Mahalanobis距离的分类器以及SVM算法进行分类。实验表明，加权改进的Mahalanobis距离分类器比Mahalanobis距离分类器具有更好的分类性能，使用SVM算法分类的效果优于基于加权改进的Mahalanobis距离分类的效果。但是，SVM算法更加复杂，需要训练数据，这就大大的增加了计算时间。所以，基于加权改进的Mahalanobis距离分类算法与SVM分类算法各有优势。 通过实验表明，本文提出的肺结节检测算法具有较高的敏感性。同时，该算法稳定、可靠，还不依赖于模型假设，能广泛使用。