论文部分内容阅读
肺癌的早期筛查可以帮助患者早发现早治疗,可以有效降低死亡率。肺部低剂量薄层扫描CT由于辐射剂量小且诊断准确率高的优点,被广泛应用于肺癌的早期筛查,但该技术会产生大量的CT图像,增加了放射科医生的工作强度,容易造成误诊或漏诊,不能有效提高肺癌的早期检出率。面对这样的现状,针对肺部低剂量CT薄层扫描影像的计算机辅助诊断(Computer Aided Diagnosis,CAD)技术成为研究的热点。在基于肺部低剂量CT薄层扫描影像的CAD系统中,肺实质的分割是肺结节(肺癌早期主要形态)诊断的基础,是降低CAD系统诊断计算量的必要环节;此外,肺结节分类性能的优劣,是评价一个肺部CAD系统的关键和核心。因此,上述两个方面的内容,也成为肺部CAD研究中的热点和难点。本论文主要针对低剂量薄层扫描CT序列图像中肺实质的分割与肺癌的早期形态肺结节的分类这两个关键内容展开研究。(一)本文针对序列肺实质分割过程中需要人工干预和相邻切片的相似性易被忽略这一问题,提出了一种改进的测地线活动轮廓(Geodesic Active Contour,GAC)模型进行序列肺实质的分割。该算法的思想是:运用以Nystrom逼近理论推广为基础的谱聚类算法分割处于CT序列图像中间位置切片的肺实质,然后沿着上下两个方向依次以分割好的肺实质轮廓作为下一张CT图像中肺实质的初始轮廓,采用改进的GAC模型对所有CT图像中的肺实质进行分割。本文提出的改进的GAC模型有以下两个创新点:1)将谱聚类算法应用于肺实质的分割;2)利用序列图像相邻切片灰度特征变化缓慢的特点构造了一个灰度相似性信息项,对GAC模型的能量泛函进行改进。通过对20组临床数据进行实验,结果表明本文提出的序列肺实质分割算法的分割结果与医师手动分割结果相比,XOR评价系数、Hausdorff距离和Jaccard相似系数的平均值都得到有效改善。(二)在肺结节分类方面,为了提高分类准确率,本文提出了一种将卷积神经网络(Convolutional Neural Networks,CNN)与字典对学习算法(Dictionary Pair Learning,DPL)相结合的肺结节分类模型CNN-DPL。以包含有肺结节的肺实质图像作为模型输入的数据集,该模型的思想是:采用CNN提取肺实质图像的特征,然后用DPL算法替换CNN的分类层,并将提取到的特征作为DPL算法的输入,最终实现肺结节分类。本文提出的肺结节分类模型CNN-DPL有以下两个创新点:1)利用DPL算法替换CNN的分类层,将CNN与DPL算法结合,用于实现肺结节的分类;2)提出了包括卷积神经网络参数的预训练和参数微调与字典对分类器层的训练两个步骤的训练分类模型CNN-DPL的方法。实验结果表明基于肺实质图像的肺结节分类模型CNN-DPL的分类准确率、敏感性和特异性都达到了预期效果。