Presentation刘晨辉.ppt

* 基于DoG的胸部CT肺结节自动检测算法研究 姓名：刘晨辉 学号：2111407029 导师：邹采荣 专业：14电子与通信工程 学院：机械与电气工程学院 目录 研究背景和意义 研究内容及新颖之处 技术路线和理论分析 研究条件和预期研究成果 每十万人的死亡人数 癌症致死率趋势（1930 到 2010） 一、研究背景和意义 致死首因 据广州市癌症预防控制中心最新数据显示： 广州八百万户籍人口中，每年新增癌症患者2.2万人左右，其中每年有1.2万人因为癌症去世，也就是说平均每44分钟就有一个广州人因为癌症去世。其中肺癌为首因，占23.5%。 一、研究背景和意义 The biggest killer CT机扫描 CT图像 专家组分析 一、研究背景和意义 计算机辅助诊断（CAD）系统 客观性 准确性 快速性 CAD系统的优势 结节的形状多样性，位置多样性，使得结节分割复杂 CT图像中常见的结节 二、研究内容及新颖之处 图B 图A 图C 图D 图E 二、研究内容及新颖之处 肺结节的分割 分割出疑是肺结节区域。分割的准确性直接影响到后期的识别。 肺结节特征提取 对各个疑是结节提取多种特征作为后期分类识别的依据。 肺结节识别 根据提取出来的特征并且利用分类器进行分类，判断其是肿瘤还是其他干扰性的组织 肺结节常见特点： 圆形或近似圆形 图像上的亮斑 根据灰度特征，几何特征提取 根据支持向量机（SVM）对特征进行分类 二、研究内容及新颖之处 一 利用高斯差分函数（DoG）定位结节区域再将其分割 与常用的滤波器相比其优势在于能够在保留结节的局部特性的同时准确的分割出肺结节 另外，相比于利用高斯拉普拉斯函数对结节位置估测的方法而言，本质效果一致但是具备更少的运算复杂度和计算时间 二、研究内容及新颖之处 二 结合黑塞矩阵(Hessian Matrix)的特性解决结节边缘响应和corner响应 边缘往往是灰度变化程度最大的区域，对于噪声会比较敏感。同时在结节定位时会产生许多虚假的定位目标。引用黑塞矩阵对边缘和cornor区域进行曲率和特征值计算能够觉解这个问题 三、技术路线和理论分析 1)通过预处理减少噪声对实验结果的影响，同时利用灰度拉伸来增强感兴趣区域（RoI，Region of Interest）并减少背景的干扰； 2)根据肺实质的形状特征从CT图像中提取肺实质区域； 3)利用高斯差分函数找到关键点，并且根据相应特征排除一系列不符合要求的关键点； 4)根据所获取的关键点分割出肺结节； 5)提取所获得的肺结节的多种特征； 6)根据提取的特征利用分类器进行分类，判断是否为肿瘤 肺部CT源图像 肺结节分割 肺结节定位 预处理及肺实质分割 肺结节特征提取 肺肿瘤识别 三、技术路线和理论分析 预处理和肺实质提取 源图像 消除干扰背景 保留肺实质轮廓 肺实质图像 三、技术路线和理论分析 结节定位 高斯差分函数(DoG) 高斯图像金字塔 差分高斯图像金字塔 Curvature 低主曲率 高主曲率 A B 三、技术路线和理论分析 f(x-1,y+1) f(x,y+1) f(x+1,y+1) f(x+1,y) f(x-1,y) f(x,y) f(x+1,y-1) f(x-1,y-1) f(x,y-1) y X 图像f(x,y) 三、技术路线和理论分析 特征提取与分类 灰度特征：灰度均值、灰度方差等 形态特征：紧缩度、圆形度等 纹理特征：对比度、熵等 .......... F= 利用支持向量机(SVM)找到最优分类面进行分类 (SVM)分类面 四、研究条件和预期研究成果 研究条件 VS2013平台 开源计算机视觉库 中山六院放射科病例CT图像 1、 准确定位不同位置的肺结节区域，不漏检不多检 2、 分割出肺结节区域，保留其局部特征 3、 公开发表论文 预期研究成果： Thank you for your sincere attention ! 报告人：刘晨辉 导师：邹采荣 时间：2015.11.1 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操，