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。