基于CT图像的肺部疑似病灶区域分割算法研究

论文摘要

肺癌是当今对人类生命健康危害最大的恶性肿瘤之一,特别近半个世纪以来,各国肺癌的发病率和病死率都在急剧上升。在CT日益普及的今天,CT扫描已成为肺癌筛检最重要的手段。然而,CT扫描产生的图像量很大,大量的CT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。计算机辅助系统(CAD)的开发,提高了结节检测准确性和科学性,而多数肺癌在CT图像中是以肺结节的形式表现的。该系统能够对肺部CT图像进行自动分析后,给医生提示可疑肺结节,从而克服了一些主观因素,提高了对肺结节性病变(包括早期小肺癌)的检出率。疑似病灶区域也叫感兴趣区域(Region of Interest, ROI),是肺癌CAD系统的重要环节。本文在阅读国内外相关文献的基础上,对三种基于CT图像的ROI分割算法进行了深入研究。首先在详细分析CT图像肺结节特征的基础上,使用Matlab软件对图像进行阈值分割、去除、连通分量标记,区域周长和面积的计算以及圆形度计算等处理,实现了基于形状特征的肺结节分割算法；其次在深入分析高斯模板的构造和模板匹配算法的基础上,根据ROI区域的大小构造不同尺寸的高斯模板,进行模板匹配,根据模板匹配的相关系数来提取ROI,实现了基于模板匹配的ROI分割算法；最后采用模糊c均值聚类技术对临床医学肺部CT图像进行分割,运用CT灰度图像的像素值作为样本集合进行聚类,将肺部CT图像分割成不同的类别区域,使得相似区域具有特征相似性,不同区域具有特征差异性,从而实现了基于模糊聚类的ROI分割算法。多幅临床图像的实验结果表明,本文所实现的三种区域分割算法都可以取得较好的分割效果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景、目的及意义
• 1.2 国内外研究现状
• 1.3 本文组织结构
• 第2章 相关理论
• 2.1 图像处理的基本方法
• 2.1.1 空域法和频域法
• 2.1.2 滤波方法
• 2.1.3 去噪方法
• 2.2 图像形状特征分析
• 2.2.1 矩形度
• 2.2.2 圆形度
• 2.2.3 几何测量
• 2.3 阈值分割
• 2.3.1 最大类间方差法
• 2.3.2 迭代式阈值选择
• 2.4 数学形态学运算
• 2.4.1 结构元素
• 2.4.2 膨胀与腐蚀
• 2.4.3 开运算与闭运算
• 2.5 模糊聚类算法分析
• 2.5.1 模糊理论基础
• 2.5.2 聚类及其基本方法
• 2.6 本章小结
• 第3章 基于形状特征的ROI分割算法
• 3.1 阈值分割
• 3.2 去噪点和连通分量标记
• 3.2.1 形态学应用
• 3.2.2 去除噪点
• 3.2.3 连通分量标记
• 3.3 ROI圆形度求取
• 3.4 算法流程
• 3.5 实验及结果分析
• 3.6 本章小结
• 第4章 基于模板匹配的ROI分割算法
• 4.1 模板匹配方法
• 4.1.1 相关系数
• 4.1.2 不变矩
• 4.2 高斯模板的构造
• 4.2.1 高斯函数
• 4.2.2 归一化高斯模板
• 4.3 算法流程
• 4.3.1 肺部图像预处理
• 4.3.2 图像除噪
• 4.3.3 构造模板
• 4.3.4 算法描述
• 4.4 实验及结果分析
• 4.5 本章小结
• 第5章 基于模糊聚类的ROI分割算法
• 5.1 硬c均值聚类算法和模糊c均值聚类算法
• 5.1.1 硬c均值聚类算法
• 5.1.2 模糊划分空间
• 5.1.3 模糊c均值聚类算法
• 5.2 模糊c均值聚类算法分析
• 5.3 算法流程
• 5.4 实验及结果分析
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢