论文部分内容阅读
肺癌是目前世界上发病率和死亡率增长最快、对人类健康和生命威胁最大的恶性肿瘤之一。由于肺癌早期症状的表征不容易察觉，当身体出现不适或长期咳嗽的时候，经医院诊断可能已经到了肺癌晚期，错过了肺癌治疗的最佳时期。因此对肺癌的早期诊断和治疗具有重要的研究意义。在此背景下，本文进行了肺癌计算机辅助诊断技术研究，主要研究内容如下:
(1)分析肺结节的病理特征以及医学征象，以此作为后续诊断分析的理论基础，为整体系统框架打下坚实基础。分析医学图像国际标准DICOM以及对应的dcm格式，为后续图像处理预处理部分做铺垫。深入研究传统Canny算法，并进行了实现，结果表明Canny算法存在不足，需要针对不足之处进行针对性改进。
(2)在图像分割与提取这一大部分中，针对于肺部CT图像不同组织之间的灰度值差异较小的特点，选用了对于分割弱边缘效果较为突出的Canny算法进行肺结节的分割与提取。由于最重要的是要整合成一个完整的系统，算法一定要具有自适应性。为了提升自适应性，本文提出基于自适应中值滤波以及迭代法阈值选择算法的增强型Canny算法，自动得到Canny算法中需要手动选择的高低双阈值以及滤波器大小。又因为CT图像中可能会出现肺结节粘连的现象，所以提出形态学方法中的开运算分隔开粘连的肺结节。针对Canny算法具有易产生过分割，使分割区域多于实际区域，导致分割出的肺结节存在假阳性的特点。本文提出基于SVM的假阳性肺结节剔除操作，利用肺结节的图像特征对肺结节进行假阳性分类，最终得到肺部CT中正确的肺结节图像。整体改进后，真实肺结节分割准确率从传统Canny算法的63.2％上升为84.2％，效果提升较为明显。
(3)在分析诊断部分中，判断是否患有肺癌最重要的判断方式就是判断患者肺部是否存在恶性肺结节。由于恶性肺结节与良性肺结节的差异并不明显，同时肺结节图像尺寸较小的特点，本文首先基于DenseNet卷积神经网络对肺结节进行良恶性分类，由于结节本身具有尺寸较小以及良恶性肺结节区别不明显的特点，所以本文对重用特征且传入尺寸要求较小的DenseNet卷积神经网络进行改进。针对于肺结节尺寸及肺结节周边环境的特征，将DenseNet卷积神经网络改为双输入单输出结构，并用Concatenate方式将特征进行融合。为了提高整体的分类效果，提出基于Inception模块结构的DenseNet卷积神经网络改进方案。对DenseNet卷积神经网络中的BottlenneckLayer结构与Inception模块结构进行融合改进，进一步提高了系统的诊断准确度。诊断正确率由改进前DenseNet卷积神经网络的91.7％上升为改进后的95.5％。证实了改进的有效性，并最终体现在了诊断准确度上。
(4)最后，在Qt跨平台图形用户界面应用程序开发框架上实现了肺癌计算机辅助诊断系统，主要包含四个模块:病人信息模块、CT图像处理模块、肺结节良恶性分类模块以及CT图像备注模块。可以将患者CT图像分析诊断后提供一个初步的诊断结果供医生参考，达到肺癌计算机辅助诊断的目的。
(1)分析肺结节的病理特征以及医学征象，以此作为后续诊断分析的理论基础，为整体系统框架打下坚实基础。分析医学图像国际标准DICOM以及对应的dcm格式，为后续图像处理预处理部分做铺垫。深入研究传统Canny算法，并进行了实现，结果表明Canny算法存在不足，需要针对不足之处进行针对性改进。
(2)在图像分割与提取这一大部分中，针对于肺部CT图像不同组织之间的灰度值差异较小的特点，选用了对于分割弱边缘效果较为突出的Canny算法进行肺结节的分割与提取。由于最重要的是要整合成一个完整的系统，算法一定要具有自适应性。为了提升自适应性，本文提出基于自适应中值滤波以及迭代法阈值选择算法的增强型Canny算法，自动得到Canny算法中需要手动选择的高低双阈值以及滤波器大小。又因为CT图像中可能会出现肺结节粘连的现象，所以提出形态学方法中的开运算分隔开粘连的肺结节。针对Canny算法具有易产生过分割，使分割区域多于实际区域，导致分割出的肺结节存在假阳性的特点。本文提出基于SVM的假阳性肺结节剔除操作，利用肺结节的图像特征对肺结节进行假阳性分类，最终得到肺部CT中正确的肺结节图像。整体改进后，真实肺结节分割准确率从传统Canny算法的63.2％上升为84.2％，效果提升较为明显。
(3)在分析诊断部分中，判断是否患有肺癌最重要的判断方式就是判断患者肺部是否存在恶性肺结节。由于恶性肺结节与良性肺结节的差异并不明显，同时肺结节图像尺寸较小的特点，本文首先基于DenseNet卷积神经网络对肺结节进行良恶性分类，由于结节本身具有尺寸较小以及良恶性肺结节区别不明显的特点，所以本文对重用特征且传入尺寸要求较小的DenseNet卷积神经网络进行改进。针对于肺结节尺寸及肺结节周边环境的特征，将DenseNet卷积神经网络改为双输入单输出结构，并用Concatenate方式将特征进行融合。为了提高整体的分类效果，提出基于Inception模块结构的DenseNet卷积神经网络改进方案。对DenseNet卷积神经网络中的BottlenneckLayer结构与Inception模块结构进行融合改进，进一步提高了系统的诊断准确度。诊断正确率由改进前DenseNet卷积神经网络的91.7％上升为改进后的95.5％。证实了改进的有效性，并最终体现在了诊断准确度上。
(4)最后，在Qt跨平台图形用户界面应用程序开发框架上实现了肺癌计算机辅助诊断系统，主要包含四个模块:病人信息模块、CT图像处理模块、肺结节良恶性分类模块以及CT图像备注模块。可以将患者CT图像分析诊断后提供一个初步的诊断结果供医生参考，达到肺癌计算机辅助诊断的目的。