论文部分内容阅读
肺癌是对人类健康和生命威胁最大的恶性肿瘤之一,在全世界范围内引起了普遍关注。据美国癌症协会统计,肺癌已经成为癌症患者死亡的首要原因。早期发现与治疗肺癌是提高患者生存率的关键,如何有效地检测肺癌成为普遍关心的课题。肺癌的早期表现形式为肺结节,因此肺结节的正确检测与识别至关重要。肺计算机辅助检测(Computer-Aided Detection,CAD)系统能有效地帮助医生进行肺癌早期检测和特征描述,避免了漏检,提高了检测的准确率。候选结节的分割与识别是肺CAD检测系统的两个主要组成部分。针对这两个部分,论文的主要研究内容为:多种类型候选结节感兴趣区域(Region of Interests,ROIs)的分割。在图像预处理阶段,首先利用中值滤波法对图像进行去噪处理;然后采用Otsu算法和数学形态学方法提取肺实质,并利用滚球法修补肺实质的轮廓,避免因为肺部轮廓不完整而漏掉粘连肺壁型的结节。在候选结节ROIs的分割阶段,本文采用快速模糊C均值聚类算法对候选结节ROIs进行分割,此方法既可以分割孤立型结节又可以分割粘连肺壁型结节,解决了一般算法仅针对单一类型结节分割有效,算法普遍适用性不强的问题,能够满足肺结节分割的要求。用代价敏感型支持向量机对肺结节进行识别。针对提取出的候选结节ROIs中正、负类样本数目不均衡,以及分类器在训练模型过程中参数搜索容易陷入局部最优问题,将粒子群优化算法与代价敏感型支持向量机算法相结合,提出基于粒子群优化的代价敏感型SVM算法对结节进行识别。实验结果表明,准确率达到了91.11%,敏感度达到85.71%,特异度达到93.55%。将该算法与基于遗传算法的代价敏感支持向量机、基于网格搜索法的代价敏感型支持向量机以及基于粒子群优化算法的支持向量机相比较,提出的PSO-CSVM算法优于其它三种算法,可以在正、负类样本数目不均衡时,提高识别的准确率。