基于影像组学的肺部CT图像结节分割和良恶性分类研究.pdf

摘 要 摘 要 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 computer aided 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 （ 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） RandomWalk RW FCM 聚类和改进的随机游走 （ ， ）的图像分割算法。首先，使用改进的 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 SupportVector 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 （ 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。 关键词 CT 图像 影像组学 随机游走 M-LASSO 回归模型 良恶性分类 I Abstract Abstract Studies have shown that lung cancer is one of the most malignant tumors in the world with the highest morbidity and mortality. The clinical manifestations of lung cancer are complicated, and the symptoms of pulmonary nodules vary from person to person, which brings great trouble to the clinical diagnosis and treatment. Radiomics is a research focus in the field of medical imaging. It aims to use computer aided diagnosis (CAD) technology and image processing algorithms to mine quantitative feature data from medical images. Through quantitative analysis of larg