论文部分内容阅读
目的:我国肺癌的发病率和死亡率均居各种恶性肿瘤之首,对肺癌的早发现、早治疗可以有效提高患者的生存率和愈后情况。CT成像是医学影像技术中检查肺部疾病最好的影像学手段。为减轻医生的工作量,更快更准确地检查出肺部疾病,将医学图像处理技术应用于肺部疾病辅助诊断中,对于辅助肺部疾病的诊断意义重大。计算机辅助诊断肺部疾病过程中,将肺部CT图像中的肺实质提取出来能够辅助临床医生诊断、评价肺部疾病。然而,由于肺部CT图像主要包括肺实质和肺实质外的空气、检查床等部分,同时肺部CT图像由于噪声强、组织结构复杂,故快速、有效地分割出肺实质区域已成为辅助诊断肺部疾病研究的热点和难点之一。方法:本文在超像素细化分割的基础上提出肺实质分割算法。本文通过对超像素粗分割后同一个超像素中出现含有不同组织的这部分超像素进行细化分割,在此基础上对SVM、Adaboost、决策树三个基分类器集成,采用融合规则得到最终的肺实质分割结果。其次,针对患病较严重的肺部CT图像,本文在超像素细化分割的基础上改进了算法,将其与模糊C均值聚类算法相结合,通过对超像素子区域进行聚类、标记,合并同一类的超像素子区域,获得最终的肺实质分割结果。结果:为了验证算法的有效性,本文在由日内瓦大学公开的肺部CT图像数据库ILDs(Interstitial Lung Diseases)上进行实验。实验结果表明,基于超像素细化分割结合集成分类器的分割算法的准确率达到96.41%,结合模糊C均值聚类的分割算法分割准确率达到99.56%,不同患病类型的分割准确率均在99%以上,肺实质的最终分割结果较理想。结论:本文提出的超像素细化分割算法能够很好地保留肺部CT图像的边界信息,降低图像处理在时间、计算方面的复杂程度,使分割结果的准确率得到提升。在超像素细化分割的基础上通过对SVM、Adaboost、决策树三个基分类器集成来实现肺实质的分割,最终集成分类器后的分割算法准确率高于单分类器分割。针对较复杂的患病肺部CT图像,利用了模糊C均值聚类算法与超像素技术的优势,能很好地实现肺部CT图像中肺实质的自动分割。该算法针对经常出现的去除肺实质区域周围的血管、解决肺实质细小空洞易发生分割遗漏、双肺边界难以准确分割等问题,设计了一个快速、有效的算法,并获得较高的分割精度。