论文部分内容阅读
肺癌是世界上死亡率最高的癌症，尤其在发达工业国家。计算机辅助诊断(ComputerAided Diagnosis，CAD)为肺癌的早期诊断和治疗提供了有力的支持。CAD近年来逐渐成为医学影像学中的研究热点之一。目前医学影像学中很多CAD技术不断出现，并且获得快速发展。研究表明CAD对于提高肺癌诊断的准确率、减少漏诊起到积极的作用。典型的CAD系统可以帮助医生进行医学图像评估、测量和及时的诊断。 本文对肺部CAD系统进行了分析和算法研究。在肺部病灶感兴趣区域(ROI)分割算法研究方面，研究了三种肺部ROI分割算法:基于区域生长的ROI分割算法、基于与邻域相关的K-均值聚类ROI分割算法和基于局部密度最大值的ROI分割算法，对三种ROI分割算法进行了实验和分析比较，根据消除噪声干扰效果和运行速度两方面考虑，选择局部密度最大值作为ROI分割算法。 在ROI特征提取与选择算法研究方面，提取了包括CT均值、面积、圆形度、矩形度等16个特征，为了减少不必要的计算量和过训练，提高分类器的性能，对原始特征进行基于类间可分离性判据算法的特征选择。使用这种优化算法可以自动的确定特征集合的大小和选择出与分类最相关的特征子集合，使用结节和非结节特征密度分布的方法对这个特征子集合进行了分析和比较，实验表明这个特征子集合是最优特征集合，包括CT均值、CT最小值、面积、周长、密度、标准偏差、方差。 在ROI分类算法研究方面，分类器利用最优特征子集合来判断疑似区域是否是结节。因此，分析和设计了基于BP神经网络、模糊神经网络两种ROI分类器，实验证明从准确率和运行时间两方面考虑，BP神经网络更具有很好的分类效果。