论文部分内容阅读
研究表明,肺癌是全球发病率和死亡率最高的恶性肿瘤之一。肺癌的临床表现比较复杂,肺结节症状因人而异,对临床的诊断和治疗方面带来了很大的麻烦。影像组学是目前医学图像领域的一个研究重点,它旨在利用计算机辅助诊断(computer aided diagnosis,CAD)技术和图像处理算法,从医学影像中挖掘定量的特征数据,通过对大量数据的量化分析,筛选最有价值的数据特征,然后进行更深层次的数据挖掘、预测和分析来辅助临床医师取得准确的诊断结果。本文基于影像组学,针对肺部CT图像的肺结节分割和良恶性分类问题,主要研究工作如下:(1)针对肺结节分割问题,本文提出了一种基于模糊C均值(Fuzzy C-Means,FCM)聚类和改进的随机游走(Random Walk,RW)的图像分割算法。首先,使用改进的FCM算法结合各向异性扩散滤波和形态学处理,记录图上像素顶点坐标信息并为随机游走算法提供种子点;其次,加入测地线距离来改进随机游走算法的权函数,使用改进的随机游走分割算法完成了肺结节的准确分割,避免了传统分割算法因图像灰度、血管干扰而导致的过分割问题,缩短单张肺部CT图像的分割时间。(2)针对肺结节良恶性分类问题,本文首先对使用改进的随机游走算法分割后的肺结节区域提取了95个高通量影像组学特征;其次,提出了一种基于Mahalanobis距离和最小绝对收缩选择算子(Least absolute shrinkage and selection operator,LASSO)的M-LASSO回归模型,将模型筛选后的最佳特征子集输入到支持向量机(Support Vector Machine,SVM)分类器完成了肺结节的良恶性分类,有效的提高了分类准确率。(3)本文将研究理论和临床实际相结合,基于本文提出的肺结节分割和良恶性分类算法,使用Java语言和Matlab语言编写设计了肺癌辅助诊断平台。本平台运行稳定,操作简便,可辅助临床医生进行分析诊断、提高工作效率、降低误诊率。