论文部分内容阅读
目前,计算机断层扫描(CT)被认为是最有效的肺部疾病影像学检测手段,在临床诊疗中具有十分重要的指导意义。包括肺癌在内的大部分肺部疾病的CT影像学表现为肺结节,医师通过阅读CT图像对肺结节的良、恶性做出初步的诊断,恶性肺结节即肺癌。但是,随着CT成像技术的发展,医师需要阅读和诊断的数据越来越多,这大大增加了医师的工作量,进而直接影响到诊断的质量。因此,为了减少因工作疲劳和主观情绪引起的漏检和误诊,计算机辅助诊断(CAD)显得尤为必要和重要。CAD系统有两方面:计算机辅助检测(CADe)和计算机辅助诊断(CADx)。本课题的研究重点为肺结节CADx的方法学,主要工作如下:一、设计了基于肺结节特征参数的BP神经网络(BPNN)分类器和支持向量机(SVM)分类器,并在SVM的基础上提出了基于Bootstrap-异质SVM集成学习的肺结节分类方法以改善不平衡数据集下肺结节辅助诊断的性能。二、利用卷积神经网络(CNN)进行肺结节良、恶性的辅助诊断,以克服浅层机器学习的限制,提高辅助诊断的性能。并且,在单输入CNN的基础上结合Local Jet变换设计了基于3维输入的CNN,称之为3D-CNN,以进一步提高诊断性能。三、为了确保用于特征参数提取和CNN输入的肺结节的准确性,去除假阳性结节的干扰,提出了基于模糊C-均值聚类(FCM)的半自动CADe方法,以实现肺结节图像的精确分割。四、在对肺结节提取传统的灰度、形态以及纹理特征的基础上,本文提出了Local Jet空间纹理特征参数的提取方法。然后,对提取到的259个特征参数利用核主成分分析法降维优化后用作BPNN、SVM和Bootstrap-异质SVM的数据集。五、对肺结节图像进行Local Jet变换。将变换前的原图像和变换后的纹理分量图像尺寸归一化到32×32后,前者用作单输入CNN的输入数据,后者用作3D-CNN的输入数据。本课题以164位患者的1305张肺结节图像(299张良性,1006张恶性)作为样本数据库,以约3:1的比例分配训练集和测试集。设计的BPNN、SVM、Bootstrap-异质SVM和3D-CNN获得的最高分类正确率分别为76.49%、80.06%、84.23%和85.07%,表征分类器综合性能的auc值分别为0.75、0.62、0.76、0.78。实验结果表明:提出的Bootstrap-异质SVM集成学习方法和3D-CNN的分类性能要优于传统的分类器。可以认为基于先进机器学习方法的CADx能够有效地对肺结节的良、恶性作出判断,为医师提供一个较为可靠的、客观的参考意见,减少主观情绪造成的误诊率。