《基於混合成像的孤立性肺結節計算機輔助診斷方法》是依託太原理工大學，由趙涓涓擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於混合成像的孤立性肺結節計算機輔助診斷方法
- 項目類別：青年科學基金項目
- 項目負責人：趙涓涓
- 依託單位：太原理工大學
項目摘要,結題摘要,
項目摘要
目前，肺癌的死亡率非常高，主要原因是肺癌早期診斷的漏診率和誤診率居高不下。因為肺癌的早期大多表現為孤立性肺結節，而孤立性肺結節中有大約20%-40%為惡性。如果能在早期發現並確診孤立性肺結節的良惡性，肺癌的治癒率將會有效提高。孤立性肺結節的早期診斷需要醫師從海量的肺部功能影像（單光子發射斷層成像）和結構影像（病灶結節結構造影成像）的醫學影像數據中，結合專業的診斷經驗進行綜合判斷。本課題通過研究量化分析孤立性肺結節功能影像和結構影像的混合成像圖像視覺特徵；利用機器學習方法使圖像視覺特徵、影像學屬性特徵和醫學診斷語義有效融合，建立結節特徵診斷關聯模型；並進一步建立計算機輔助診斷模式庫；自動或半自動地實現孤立性肺結節的早期診斷；有效提高孤立性肺結節的診斷效率和準確率，最終為肺癌的早期自動診斷提供量化和可視化的技術支持。項目對肺癌早期診斷具有一定的理論意義和學術價值。
結題摘要
孤立性肺結節良惡性的早期確診有助於提高肺癌的治癒率。本項目通過對PET-CT混合成像的孤立性肺結節的研究，包括圖像去噪、肺實質分割、圖像配準、肺結節分割、特徵提取、特徵分類判斷良惡性、語義建模、搭建自動診斷實驗平台等建立孤立性肺結節計算機輔助診斷模型，從而實現孤立性肺結節的早期診斷，有效提高孤立性肺結節的診斷效率和準確率，最終為肺癌的早期自動診斷提供量化和可視化的技術支持。我們使用不同尺度的合併參數，結合區域生長算法分割肺實質，有效地去除了主幹血管和分支血管部分；使用過濾式方法得到與診斷有高相關度的候選特徵子集，然後通過包裹式方法對候選特徵子集進行特徵間冗餘分析，最後得到最優特徵子集，提高了良惡性診斷的敏感性和平均準確率；利用粒子群算法（PSO）對支持向量機（SVM）進行參數搜尋，選擇最合適的參數，避免人為選擇的隨機性，對肺結節良惡性分類的準確度達到90%以上；通過對傳統的自生成神經網路（SGNN）算法的改進和最佳化，在對病變進行良惡性分類的基礎上，進一步地識別腫瘤類型。與傳統的SGNN算法、BP神經網路算法和SVM算法相比，改進的SGNN算法能得到高達94.1%的分類準確率。本項目對肺癌早期診斷具有一定的理論意義和學術價值。
