（生物医学工程专业论文）计算机辅助肺癌特征提取及分类方法的研究.pdf

东南大学硕士学位论文 a b s t r a c t t i t l e ：r e s e a r e l a c 伽肼i 妇q j d c dr 砒u e x t r a c t i o na n d c l a s s i f i c a t i o no f l u n gc a n c e r a u t h o r ：x u ey f f e n g t h e s i ss u p e r v i p r o f e s s o r b a ox u d o n g s c h o o l ：s o u t h e a s tu n i v e r s i t y t h eh m gc a n c 茁i s 伽co f 山e 辩v h 喊m a l i g n a n c i e sd a n g e r o u sf o rh u m a n sh e a l t h w h o s e i n c i d e n c ea n dm u t t i t y 舡b o t hh i g h l yi n e r e a s i gi na l lc o t r i e s e s p e c i a l l yi nt h el a t e s th a l f e e n u n y t oi m p r o v el u n g 翻蝴p a t i e n t s v i a b i l i t y , t l a ee a r l i e s td i a g n o s i sa n d 曲嗍o fl u n g c a n c 盯i se s s e n t i a l t h ec ts c a n n i n gf o rl u n gc a n fh a so b v i o u s l yh i g l a c ri d e n t i t i e a t i o nr a t et l l a n i l l a to fo r d i n a r yx - r a yp h o t o 1 l l e t c f o r e , i th sb e c o m et h em o s te f f e c t i v ei m a g i n gm e t h o df o rl u n g c a n c e l d e t e c t i o na tp r e s e n ti - i o w c v e r , t h ei m a g e s 。q u a n t i t yg e n e r a t e db yc ts e a n n i a gi s i n m u l t i t u d e w h i e l aw o u l dd i r e c t l yb t m l e nd o c 州w o r k l o a da n dt h e r e f o r ei n c r e a s et h ep r e t e r m i s s i o n o ri n a c e m 越yr a t eo f d i a g n 0 6 i s t l a eg o a lo ft h i sp a p e ri st od e v e l o pae o m p u t e r o a i d e dd i a g n o s i s s y s t e mf o rl u n gc a n c hb a s e d0 1 1e l i m a g 铭，w h i e l ac 姐i d a f yt l a es u s p e c tp , l m o , 艇yn o d u l e s a f t e rt h ea u t o m a t i ca n a l y s i so fc ti m a g e s , a n dg r e a t l yh e l p sd o c t o r si 1 1 1 p l * o v ct h ed i a g n o s t i c q u a l i t ya n de t t i e i e n e y t h ep a p e rs e p a r a t e st h ew h o l ei m a g ca n a l y s i sw o r ki n t of o u rs t e p s ：( 1 ) t h ee x t r a c t i o no f p u l m o n a r yp a r e n e h y m ab ys e v e r a li m a g ep r o c e s s i n go p e r a t i o n s , s u e l a 觞t h r e s l a o l d i n g 。 m o r p l a o l o g i ea l g o r i t b m s b o u n d a r yt r a e l e i n ga n d 咖；( 2 ) 岫s e g m e n t a t i o no fp u l m o n a r y p a r e n e h y m ai l f l l 幢g c sb yt h r e ea 1 9 0 r i 血n s w 1 i e ha t h ek - m e a n se l t t s t e r i n g ( 町，t h e l z 巧 c - m e a n sc l u s t e r i n g 伊。峨a n dt h eo n cb a s e d0 1 1g i b b sr a n d o mf i e l da n df u z z ) c - m e a n s c l u s t e r i n g ( g 1 3 c m ) ，i no r d e rt oa t t a i nr e g i o n so fi n t e r e s t ( r o i s 。i n c l u d i n gp u l m o n a r yn o d u l e s 。 p u l m o l l a t yb l o o dv e s s e l s ，p u l m o n a r yb r o a e l a ia n de t c ) ；( 3 ) t h es e l e c t i o no f f i v ee f f e e i t i v cf e a n m f r o m 咖o f f a la l t e m a t e o f r o i sb yt i l e 山唧o f f e a t u r es p a c eo p l i l n i z l l l i o l ld e s i g na n dt h e s t a n d a r d i z a t i o no f t l a e s e f i v e f e a m r e s t o a c q u i r e t e n - d i m e n s i o n a l i n p u t e i g e n v e e t o r b y f i l 2 巧t h e o r y ； ( 4 ) t h ed e s i g no fab p - n e u r a ln e t w o r kc l a s s i f i c a t i o nt o o lt or e a l i z ef i l ef i n a lc l a s s i f i c a t i o no f p u l m o n a r yn o d u l e s i ns y s t e mt e s t s w eu s e dp u l m o n a r yn o d u l ei 嘲g 部f r o m5 7v a t i c mb ，f o u rb r a n d so fs p i r a l c ts e a n n i a g 。i n c l u d i n gt o t a l l y2 1 3p i e c e so f i m a g e s 。2 6 2p u l m o n a r yn o d u l e s t h ea 嘲b e l o wt h e r o cc mi nt h et e s tr e s u l tw a s0 9 8 4 8 ；w h e nt h ec u t - - o f fp o i n tw a s0 5 t h e s e n s i t i v i t yw a s 9 6 1 8 ，t h es p e c i f i c i t yw a s9 6 2 5 ，t h ea v e r a g ef a l s ep o s i t i v eo fe v e r yi m a g cw a s0 4 9 3 ，a n dt h e a c c u r a c yr a l ew a s9 6 2 4 o nt h ew h o l e , t h es y s t e ml e a l i z e dt h ea u t o m a t i cc o l n p u t 日d e t e c t i o no fp u l m o n a r yn o d u l e s 东南大学硕士学位论文 s p e e d i l ya n da c c u r a t e l ya n da l s oe a s yt oh a n d l e , w h i c hc o u l dr e d u c et h ed o c t o r s 。w o r k l o a da n d i m p r o v et h ei d e n t i f i c a t i o nr a t eo f t h el u n gc a l l c e r k e y w o r d s ：c o m p u t e r - a i d e dd i a g n o s i s ；p u l m o n a r yn o d u l e s ；c ti m a g e s , i m a g es e g m e n t a t i o n ； f e a t t w ee x l r a c t i o n ；f i l z 巧t h e o r y , b pn e u r a ln e t w o r k ：r o cc u r v e m 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包 括刊登) 授权东南大学研究生院办理。 蚴期。， 第一章绪论 1 1 课题背景及意义 第一章绪论 肺癌是当今世界各国常见的恶性肿瘤，并已成为绝大多数国家癌症死亡的主要原因，被 认为是目前对人类健康和生命威胁最大的恶性肿瘤。根据世界卫生组织国际癌症研究中心 0 a r c w h o ) 最新估计，每年全球有超过1 2 0 万新肺癌患者，死亡约1 1 0 万人，世界上平均 每隔3 0 s 就有人死于肺癌。肺癌总发病数占全部恶性肿瘤发病的2 0 ，死亡占所有癌症死亡 数的2 3 8 【l 司白2 0 世纪7 0 年代以来，我国癌症呈明显上升趋势，现已成为我国城乡居 民的首要死因，而其中肺癌的上升趋势更为明显。根据全国两次全死因三年回顾调查 ( 1 9 7 3 - 1 9 7 5 年及1 9 9 0 - 1 9 9 2 年) 资料显示：肺癌死亡率自7 0 年代的7 1 7 1 0 万陡增至9 0 年代 的1 5 1 9 1 0 万，其上升幅度( 1 1 1 8 5 ) 在所有恶性肿瘤中最高。在绝大多数国家癌症的发病 和死亡均呈明显上升趋势，预计2 0 2 0 年，全世界癌症新发病例将达到1 5 0 0 万例，死亡1 0 0 0 万例，其中肺癌又是发病率和死亡率最高的疾病。肺癌将成为新世纪人类的第一杀手堋。 近3 0 年来，尽管肺癌各种治疗技术有了很大的进步。但肺癌的长期生存率仍然只有 1 0 - 1 5 ，其主要原因是8 0 的肺癌患者就诊时己属于晚期，治疗效果差；如果肺癌能在 早期被诊断和治疗，其5 年生存率将从1 4 上升到4 9 1 习。可见，肺癌的早期诊断和早期 治疗是提高肺癌患者生存率和降低死亡率的必要手段。对无症状肺癌高危人群进行筛选检 查，是发现早期肺癌的有效办法可用于早期肺癌筛选的办法包括普通胸片、低剂量c t 扫 描、癌细胞学、肺癌标记物以及肺癌相关基因的检出等。影像学检查是肺癌早期检出的重要 环节，可直接显示病变，有助于临床治疗，因而备受关注。采用普通胸部x 线片普查肺癌 存在一定局限性，因为普通胸片对于i c m 以下的小结节常常漏诊，而低剂量螺旋c t 发现 的病灶数可8 倍于普通x 线；另外，c r 对肺癌的分期分型也能发挥重要作用。因此，在 c t 日益普及的今天，c t 扫描成为肺癌筛检最有效的影像学方法晦7 】 c t 扫描产生的图像量很大，大量的c t 图像直接导致医生工作量的增加，从而增加了 漏诊和误诊的几率因此，研究一种客观的、定量的诊断标准，发展一种用计算机来辅助解 释医学图像的方法是完全必要的。基于医学影像的计算机辅助检测与诊断( c o m p u t e r - a i d e d d e t e c t i o no fd i a g n o s i s 。c a d ) 就是由此需要发展而来的。c a d 系统结合医学知识，应用图 像处理、模式识别和人工智能等技术，先对肺部c r 影像进行图像分割，得到图像特征， 最终通过分析和筛选，得到检测结果和诊断结论，帮助医生进行图像的理解和判断。 可见开展基于c t 影像的肺癌c a d 的研究具有以下意义： 1 ，使诊断更加客观，降低诊断的漏诊率和误诊率，提高了诊断质量； 2 、经过c a d 系统筛减掉了占绝大部分的正常影像。而只把有可疑病灶的影像交给医 生进一步诊断，这样就大大减少了医生的工作量，使医生能把更多的时间放到对病 东南大学硕士学位论文 灶的定性上来，提高了诊断效率； 3 、检测早期肺癌，从而提高治疗的成功率； 4 、可以避免不必要的活组织检查。 1 2 文献综述 计算机辅助诊断( c o m p u t e r - a i d e dd i a g n o s i s ，c a d ) 技术近年来获得快速发展，尤其发 达国家投入大量人力和物力进行研究，每天有大量相关报道出现。计算机辅助诊断( c a d ) 中的d 至少包括两方面的含义；d e t e c t i o n 和d i a g n o s i s ，即帮助发现病变和诊断病变。比如 在乳腺癌和肺结节的诊断系统中，系统一方面帮助医生发现结节及可疑病变，另一方面帮助 医生判断病变的性质，即良性或恶性。 计算机辅助诊断在医学中的应用可追溯到2 i d 世纪5 0 年代1 9 5 9 年，美国学者l e d l e y 等首次将数学模型引入临床医学，提出了计算机辅助诊断的数学模型，并诊断了一组肺癌病 例，开创了计算机辅助诊断的先河；1 9 6 6 年，l e d l e y 首次提出哳算机辅助诊断”( c a d ) 的概念2 0 世纪年代初，计算机辅助诊断系统获得进一步发展，其中应用在中医领域的 专家系统最为引人注目计算机辅助诊断的过程包括病人一般资料和检查资料的搜集、医学 信息的量化处理、统计学分析，直至最后得出诊断。当时较为流行的模型有b a y e s 定理、最 大似然法模型等。2 0 世纪年代以来，人工神经元网络快速发展，它是模仿人大脑神经元 工作原理的一种数学处理方法。由于它具有自学习能力、记忆能力、预测事件发展等能力， 可以起到辅助诊断的作用，在分类、诊断方面，人工神经网络方法比传统的方法( 概率统计 法、数学模型等) 有更优越的性能。可以说。人工神经元网络是代表当前最先进的人工智能 技术之一。 白2 0 世纪年代就有用计算机分析医学影像资料的报道，此后十几年里由于计算机技 术等各种原因，c a d 的研究一度陷入低谷一方面，由于人们对于c a d 期望过高，希望能 够借助计算机实现自动诊断( a u t o m a t e dd i a g n o s i s ) ，另一方面c a d 研究结果并不理想。直 到八九十年代由于计算机技术及各种数学、统计学的快速发展，计算机辅助诊断在一些发达 国家的医学影像学领域才获得较快发展，并取得了可喜的成就。目前，国外学者对于计算机 辅助诊断在医学影像学中的含义基本达成共识：应用计算机辅助诊断系统时最终诊断结果仍 是由医生决定的，只是医生在判断时参考计算机的输出结果，这样使得诊断结果更客观更准 确。目前国外学者强调计算机的输出结果只是作为一种参考( s e c o n do p i n i o n ) ，这与最初六 七十年代的计算机自动诊断的观念以及现在某些人对于c a d 的理解是不同的。医学影像学 中，计算机的输出结果是定量分析相关影像资料特点而获得的，其作用是帮助放射科医师提 高诊断准确性和对于图像、疾病解释的一致性( c o n s i s t e n c y ) 。c a d 之所以能够提高医生的 诊断准确性，原因在于：放射科医生的诊断是主观判断过程，因而会受到医生经验及知识水 平的限制和影响；其次，医生诊断时易于遗漏某些细微改变，如肺结节、乳腺内的细微钙化 等；再次，不同医师间及同一医师间的阅片差异的影响。而计算机对于纠正这些错误和不足 2 第一章绪论 具有很大的优势。 目前应用c a d 技术的诸多癌症中有乳腺癌、肺癌、脑部肿瘤、肝癌、前列腺癌和膀胱 癌等关于乳腺癌的研究是开展最广泛的，普遍都是使用x 光片来做试验，主要工作是检 测簇化的钙化点和肿块，这两者代表了肿瘤的恶性程度【”田肺癌的计算机辅助检测和诊断 早期的研究主要也是采用普通x 光片1 1 1 - 1 3 1 ，其主要工作集中在x 光片中肺域的分割、对 于主要干扰物如肋骨的去除和具体的特征选择以及分类工作，分类工作主要是一个筛选和良 恶性判断过程，但最终实现效果并不好，一般都容易造成较大量的漏诊；随着c t 技术的发 展，近年来人们开始选择肺部c t 影像作为研究对象。目前对肺癌c a d 研究较多的是美国 和日本的科研机构，还有p h i l i p s 、s i e m e n s 、g e 等一些大跨国医疗公司表1 1 为我们对国 外基于c t 影像的肺癌c a d 的相关研究进展的总结 表1 1 国外基于c t 影像的肺癌c a d 的相关研究进展 作者机构关键技术实验样本实验结果评价 a r m a t o美国 用灰度级阈值化进行肺图像分3 8 幅图，3 9在平均每幅图假阳 4 - 1 7 】 c h i c a g o 割。提取二维和三维特征参数，个肺结性0 a 个的情况下， 大学用线性分类器判别出肺结节节。敏感度为8 2 ； r o c 曲线下面积 0 9 3 。 g t l r c 0 5 1 美国根据肺内各个区域的特点不一3 4 个病人， 在平均每幅图假阳 m i c h i g a n 样，把肺分割成上中下三块，并1 4 5 4 幅图，性1 7 4 个的情况 大学对每一块采用计算二维和三维6 3 个肺结下，敏感度为8 4 。 特征相结合的方法来分割和鉴 节 别，这是另外一条思路。即融入 实际解剖学知识，使得判断更具 人性化。最后先用基于规则的分 类器减少假阳性后再用线性分 类器判别出肺结节。 s u z u k i美国 用灰度级阈值化进行图像分割，9 l 幅图，9 1在平均每幅图假阳 1 9 , 2 0 1 c h i c a g o 分类分两步：首先用基于规则的个肺结性1 4 个的情况下， 大学方法和线性分类器初步判别出 节 敏感度为8 1 3 。 可疑肺结节，然后用一种大规模 的神经网络来去除假阳性，这种 混合方法耗时更长，但取得了较 好的效果。 b i o w i i 美国 使用了一种基于解剖结构对图1 7 个病人，在平均每幅图假阳 1 2 l 2 2 j c a l i f o n f i a 像分割的方法，建立了病人特效3 6 个结节。性2 6 4 个的情况 3 东南大学硕士学位论文 大学模型，以此来对结节进行辅助检下，敏感度为嘶。 测。 f a r a g l 2 3 】 美国根据解剖结构将肺结节从血管1 7 外待测敏感度8 2 3 ，假阳 l o u i s v i l l e 脉管中初步分辨出来，然后根据可疑肺结性率9 2 大学可形变的包含几何和灰度信息节，1 3 0 个 的二维和三维模板进一步筛选。为真肺结 节 z h a o l z 4 1 美国用局部密度极大值算法来识别2 6 6 个仿真在平均每幅图假阳 m e m o r i a l 肺结节，并用仿真的肺结节进行肺结节 性5 个的情况下，敏 s l o a n - k e t t e测试。 感度8 4 2 。 r m gc c 口 c e n t e r 【嗍 日本用改进的遗传算法模板匹配方2 0 个病人， 在平均每幅图假阳 n i i g a t a 大学法进行结节检测，其优点是只需5 5 7 幅图，性1 1 个的情况下， 定义结节的一些参考模型( 如球鳃个肺结敏感度为7 2 。 型，半圆形等) 即可通过快速模 节 板匹配检测到结节。 k a w a t a日本 建立了一个含有1 4 3 个肺部结1 0 7 个肺结检测肺结节总的敏 t 2 6 , 2 7 1 t o k u s h i m a 节特征信息的数据库，然后给定节( 恶性7 0感度7 7 6 ；对恶 大学一个可疑区域，计算该可疑区域个，良性3 7性肺结节的敏感度 的核心区域和周边区域的相关 个) 为9 1 a ，对良性 特征之后与数据库中所存储的肺结节的特异度为 值相比较，如果达到一定的符合5 1 4 结节的良 度则认为是结节。并对结节的良恶性判别的r o c 曲 恶性也进行了研究。线下面积0 9 4 。 o l m m u r a日本 提出了一种可变n 环滤波器的8 2 个病人，检测到2 6 个结节和 2 8 1 t o y o h a s h i 方法检测肺结节，其本质是一种2 6 个结节2 9 6 个假阳性；供医 大学数学形态学方法，该方法将那些生诊断的图像被筛 包含待测结节的c t 图像显示给减为1 3 a ，即每 医生，从而减少了需要诊断的个病人2 0 - 3 0 幅图 c t 图像数量。像被筛选为3 - - 4 幅 图像供医生进一步 诊断。 m a t s u m o t o 日本提取三维特征参数，降维后用基1 3 0 个仿真在平均每个扫描假 嘲 k o b e 大学于规则的方法判别肺结节肺结节。阳性0 2 7 个的情况 4 第一章绪论 下敏感度为7 8 。 d e h m e s h k i英国 采用了支持向量机的分类器。4 7 个病人，在平均每病人3 9 8 3 7 0 3 2 幅图， 个假阳性( 每幅图 8 1 个肺结 假阳性0 2 7 个) 的 节 情况下敏感度为 1 0 0 。 l i n r 3 l 】 t a i p e i 大学提出了一种基于神经网络的扩2 9 + 病人，在平均每幅图假阳 展的模糊分类器。5 8 3 幅图。性o 2 1 个的情况下， 敏感度8 9 3 ， r o c 曲线下面积 0 9 6 3 w i c m k e r p h i l i p s 公司对高分辨率c t 图像分别使用二5 0 个病人，在平均每人假阳性 3 2 - 3 , t 维和三维的闺值方法进行结节 2 0 0 0 0 幅4 4 个的情况下，敏 分割和判别。图，2 0 3 个感度为9 5 肺结节。 b o r o c z k yp h i l i p s 公司 提出了一种基于遗传算法的特6 6 + 肺结敏感度9 2 a ，特异 1 3 5 , 3 6 1 征子集选择方法用于减少肺结节，1 2 3 个 度8 5 4 ，r o c 曲 节检测中的假阳性，采用了支持假结节。线下面积0 9 6 6 。 向量机的分类器。 f 缸网， s i e m e n s 公 f a n 等对高分辨率c t 图像使用 1 4 个病人， 检测到1 1 2 个可疑 n o v a k 咖司 区域生长方法提取r o i ，然后使每人平均肺结节，5 8 个 用解剖知识结合球形度等特征2 9 2 幅图。( 5 1 8 ) 被确认为真 分类判决 阳性4 1 个( 3 6 6 ) n o v a k 等设计了一种交互式的被确认为假阳性， 诊断、显示和测量结节系统。 1 3 个( 1 1 6 ) 不能 确定。 m c c u u o c hg e 公司 根据扫描图像的物理和解剖特5 0 个病例，单独c a d 检测的敏 鲫 征建立了基于模板匹配的识别4 3 个结节 感度为7 0 ； 方法 医生在c a d 的帮助 下其敏感度可提高 5 7 国内开展这方面工作的还很少。东南大学影像科技实验室于甬华、于立燕、姜晓彤对肺 结节的检测和良恶性判别进行了理论算法方面的研究，并取得了一定的成果，但没有做成应 用系统，其对肺结节平均检测率6 5 左右，良恶性判别时r o c 曲线下面积为o 6 5 4 2 嗍。 总体来说，国内从纯医学方面讨论的比较多，但肺癌方面的c a d 技术可以说还是一片空 白。 5 东南大学硕士学位论文 从以上文献分析可以得到如下结论： 1 、对基于c t 影像的肺癌c a d 研究包括对肺结节的检测和肺结节的良恶性判别两个方 面。在临床上，对肺结节的良恶性判别需要综合病人各个方面检查指标，而目前仅从影像检 查结果很难对肺结节的良恶性做出正确判断，因此。肺结节良恶性判别c a d 方面的研究效 果较差。而对肺结节的检测c a d 方面的研究却更有意义，也是目前的研究热点 2 、国际上公开发表的相关文章基本上都在1 9 9 9 年以后，而且有逐年增加的趋势，p h i l i p s 、 s i e m e n s ，g e 兰大医疗公司也开始了肺癌c a d 系统的研究这说明开发出一套有效的肺癌 c a d 系统是人类健康的需要，也是市场的需要。 3 、在技术实现方面。肺结节检测系统基本上包括三个部分：肺部图像分割、肺结节的 特征提取和分类分类工作中使用最多的是线性分类器。还有基于规则的分类方法、支持向 量机和神经网络有的系统使用模板匹配或滤波器的方法来直接检测肺结节 4 、实验结果评价：由于目前国际上没有肺癌影像的公共数据库，各研究机构都是用各 自的影像进行实验的，实验样本较少，另外也没有建立统一的评价标准，这都影响了研究结 果的可比性我们只能从文献中报道的实验结果做出下面的统计，在平均每幅图假阳性个数 在0 2 1 - 5 ( 平均在1 左右) 的情况下，敏感度为5 1 8 1 0 0 ( 平均在8 4 左右) ，r o c 曲线下面积为0 9 3 0 9 6 6 ( 平均在0 9 5 左右) 5 、从实验结果上看，目前的研究现状和真正进入临床使用的要求还有一定距离。当前 的研究偏重于理论方法研究，还基本处在实验室阶段，没有能够真正进入临床使用的肺癌 c a d 产品。 6 、肺部肿癌的提取和分析的具体难点在于：( 1 ) 肺部各组织的c t 影像灰度值分布干 扰很大，另外很多组织、器官重叠现象严重，产生很大的干扰，软组织和血管与需要观察的 结节相混淆；2 ) 肺部肿瘤自身形状大小各异，生长环境复杂，位置不定，结节初选容易，但 进一步的筛选和分析很难达到较高的正确率。 1 3 研究目标 肺癌是最常见的内脏恶性肿瘤，早期多以孤立性肺结节( s p n ) 的形式出现，而c t 扫描 己成为诊断肺癌重要手段因此我们综合国内外的研究现状，提出以下研究目标： 利用图像处理、图像分析、模式识别和神经网络的理论方法和相关医学知识。结合临床， 实现肺实质和感兴趣区域( r o d 的分割算法，根据孤立性肺结节的c t 征象，提取r o i 的 特征参数并进行特征空间优化得到输入特征向量，采用神经网络的方法对r o i 进行分类判 别，得到肺结节并给出提示信息，最终开发出一套具有友好界面的、能够对肺部c t 序列影 像进行自动分析后给予医生初诊结果的肺癌计算机辅助检测诊断系统。 6 第一章绪论 1 4 系统结构设计 对肺部结节的自动检测涉及到图像分析和模式识别的多个领域。如图像分割、可视化、 特征提取和判决分类等我们综合国内外的研究成果，提出了如图1 1 所示系统框架图。 由图1 1 可见我们对输入的原始c t 图像首先分割得到肺实质。肺实质分割出来后，对 我们来说感兴趣区域( r o d 就是肺结节和与肺结节特征相似的血管、支气管所以要对肺 实质图像进行分割得到r o i ，然后提取r o i 的特征参数并进行特征空间优化得到输入特征 向量，最后根据输入特征向量将r o i 判断分类，找出肺结节并给出提示信息。 注：本文中所谈的感兴趣区域t r e g i o no fi n t e r e s t , r o i ) 指的是肺腔内的候选物，包括肺 结节、肺血管和肺支气管。 1 5 章节安排 图1 1 肺癌c a d 系统框架 论文共分为6 章，各章节安摔如下： 第一章绪论：介绍了肺癌c a d 的研究背景及意义，对国内外文献进行综述，说明本 研究的动机和目标，最后提出我们系统的结构框架。 第二章图像的自动分割：包括肺实质的自动分割和r o i 的的自动提取两个部分。 第三章r o i 的特征选择与提取：介绍r o i 特征向量的选择、提取和标准化 第四章分类器设计：介绍本研究的b p 神经网络分类器构造及训练方法 第五章结果与讨论：用诊断试验中常用的评价指标和r o c 曲线对本研究的实验结果 进行统计分析和评价，并展示系统界面。 第六章总结与展望：总结本论文的工作和贡献，并提出了今后的研究方向。 7 东南大学硕士学位论文 参考文献 【l 】杨瑞森肺癌流行病学和早期诊断新技术田肿瘤防治杂志，2 0 0 4 。1 1 ( 7 ) ：7 4 5 - 7 4 8 【2 】胁v i sw d ，t h 恤l b 。d e 嗍s s l u n g 伽嘲明c 锄啦! 9 9 5 。7 5 ：1 9 1 - 2 0 2 【3 】杨玲李连弟，陈育德，等中国肺癌死亡趋势分析及发病、死亡的估计与预n t j 中国 肺癌杂志，2 0 0 5 ，8 ( 4 ) ：2 7 4 - 2 7 8 【4 】沈洪兵，俞顺章我国肺癌流行现状及其预防对策田中国肿瘤，2 0 0 4 。1 3 ( 5 ) ：2 8 3 - 2 8 5 【5 】s t r a u s sg m , g l e a s o nr e , s u g a r b a k e rd j , e ta ls c r e e n i n gf o rh m g n a n o t h e r1 0 0 1 ga d i f f e r e n tv i e w 佣c h s s t , 1 9 9 7 ，1 1 1 ：7 5 4 - 7 6 8 【6 】e d d yd m s c r e e n i n gf o rl u n gc a n c 口们a n ni n t e r nm c d ，1 9 8 9 ，1 1 1 ：2 3 2 - 2 3 7 1 7 1s o d aht o m i t ahk o h n os ，e ta ll i m i t a t i o no fa n n u a ls c r e e n i n gc h e s tr a d i o g r a p h yf o rt h e d i a g n o s i so f l o n gc a n c 玎：ar e u o s p 鲥v es t u d y j - c a n c e r , 1 9 9 3 , 7 2 ：2 3 4 1 - 2 3 4 6 【8 】y us y , g u a nla u t o m a t i cd e t e c t i o no f c l u s t e r e dm i c r o c a l c i f i c a f i o n si nd i g i d z e dm a m m o g r a m 丘l 黜册j o u r n a lo f e l e c u o n i ci m a g i n g , 1 9 9 9 , 8 ( 1 ) ：7 6 - 8 2 【9 】v o m w e gt w ：b u s c e m am 。k a u c z o rh u , de li m p r o v e da r t i f i c i a ln e t w a ln e t w o r k si n p r e d i c t i o no fm a l i g n a n c yo fl e s i o n si nc o n t m s t - e n h a n c e dm r - m a m m o g r a p h y m e dp h y s , 2 0 0 3 ，3 0 ( 9 ) ：2 3 5 0 - 2 3 5 9 【1 0 】s a l f i t y m e n i s h k a w a 砌儿j i a n g y e t a l t h e u o f a p r i o d i n f o r m a t i o n i n t h e d e t e c t i o n o f m 柚皿。星期p h i cm i 弛疵i 五硼d 啷t oi 加p 村他m e j rc l a s s i f i c m i o n 田m e dp h y s 。2 0 0 3 ，3 0 ( 5 ) ： 8 2 3 - 8 3 1 【1 1 】a r m a t os g 皿g i g e rm l , a s h i z a w ai 【 e ta la u t o m a t e dl u n gs e g m e n t a t i o ni nd i 疵a ll a t e r a l c h f s tr a d i o g r a p h s y 1 m e dp h y s , 1 9 9 8 ，2 5 ( 8 ) ：1 5 0 7 - 1 5 1 9 【1 2 i s h i d at ，k a t s u r a g a w as 。n a k a m u r ake la li t c r a t i v ei m a g e w a r p i n gt e c h n i q u ef o rt e m p o r a l s u b t r a c t i o no fs e q u e n t i a lc h e s tr a d i o g r a p h st od e t e c ti n t e r v a lc h a n g e 叨m e d p l a y s 。 1 9 9 9 , 2 6 ( 7 ) ：1 3 2 0 - 1 3 2 9 1 3 】a r m a t os g 皿g i g e rm l , m a c m a h o ni - lc o m p u t e r i z e dd e l i n e a t i o na n da n a l y s i so f c o s t o p h r e n i c a g l e si nd i 咖lc h c 髓r a d i o g r a p h s m a c a d e m i cr a d i o , 1 9 9 8 。5 ：3 2 9 - 3 3 5 【1 4 a r m a t os g 巩s e n s a k o v i cw ea u t o m a t e dl u n gs e g m e n t a t i o nf o rt h o r a c i cc l ：i m p a c to n c o m p u 伦r - a i d e dd i a g n o s i s 们a c a d e m i cr a d i o l o g y , 2 0 0 4 ，1 1 ( 9 ) ：1 0 1 1 - 1 0 2 1 【1 5 a n n a t o s g 耻a l m a o n m b 。l a r i v i o r e p j a u t o m a t e d d e t e c t i o n o f l o n g n o d u l e s i n c t s c a n s ： e f f e c t o f i m a g e r e c o n s m l c f i o n a l g o r i t h m 册m e d p h y $ ，2 0 0 3 ，3 0 ( 3 ) ：4 6 1 - 4 7 2 【1 6 a r m a t os g 皿g i g e rm l , b l a c k b u r ny r e ta l 黼n s i o n a la p p r o a c ht ol o n gn o d l 】e 8 墨二! 堕堡 d e t e c t i o ni nh e l i c a i c t 【j 】p r o cs p i e3 6 6 1 1 9 9 9 ：5 5 3 - 5 5 9 【1 7 】a r m a t os g lg i g e rm km o r a nc j , e ta lc o m p u t e r i z e dd e t e c t i o no f p u l m o n a r yn o d u l e s 砸 c ts c a l l s 田r a d i o g r a p h i c s ，1 9 9 9 , 1 9 ：1 3 0 3 - 1 3 1 1 【1 8 】c a n c a nm n s a h i n e rb ，p e u i c kn e ta t , l u n go o d t l l cd e t e c t i o l lo i lt h o r a c i cc o m p u t e d t o m o g r a p h yi i l 3 a g e g ：p r e l i m 岫e v a l u a t i o no fac o m p u t e r - a i d e dd i a g n o s i ss y s t e m j m e d p h y s ，2 0 0 2 ，2 9 ( 1 1 ) ：2 5 5 2 - 2 5 5 8 【1 9 】s u z u k iks h i r a i s h i mj , a b ei le ta l p u l s e - p o s i t i v er e d l l c 吐o ni nc o m p u t e r - a i d e dd i a g n o s t i c g c h e l n ef o rd c 删岵n o d u l e si nc h e s tr a d i o g r a p h sb ym e a n so fm a s s i v et r a i n i n ga r t i f i c i a l l l e u r a in e t w o a j ，a c a dr a d i o l2 0 0 5 ，2 ( 2 ) ：1 9 2 - 2 0 1 【2 0 】s u z u l dkd o ikh o wc a nam a s s i v ee a r n i n ga r t i f i c i a ln e u r a ln e t w o r ko c r a n n ) b et r a i n e d w i t has m a l ln u m b e ro f c s s e si nt h ed i s t i n c t i o nb e t w e e nn o d u l a n dv e s s e l si n t h o r a c i cc t ? 忉a c a d e m i cr a d i o l o g y , 2 0 0 5 。1 2 ( 1 0 ) ：1 3 3 3 1 3 4 1 2 1 1b r o w nm s ，m c n i t t - c a a ym f , o o l d i nj g , da i p a t i e n t - s p e c i f i cm o d e l sf o rl u n gm x l u l c d e t e c t i o na n ds u r v e i l l a n c ei nc ti m a g e s 叨i e e e t r a m i v i e d i m a g i n g , 2 0 0 1 2 0 ( 1 2 ) ：1 2 4 2 - 1 2 5 0 担2 】b r o w nm s ，g o l d i nj g , r o g e r sse ta lc o m p u t e r - a i d e dl u n gn o d u l ed e t e c t i o nj nc t ：