The invention discloses a method for detecting pulmonary nodules based on machine learning, which can automatically detect pulmonary nodules and maintain high accuracy. The method comprises the following steps: acquiring pulmonary CT images; segmentation of pulmonary CT images to obtain pulmonary parenchyma; segmentation of pulmonary parenchyma images to obtain multiple pulmonary nodule candidates; and extraction of pulmonary nodules. Candidate gray, shape and texture features; Reduce the dimension of multi-dimensional mixed features, and classify them with a classifier that mixes rules and support vector machines to detect pulmonary nodules. The new segmentation method and classification method proposed by the invention can reduce false positive, improve the detection accuracy of pulmonary nodules in medical images, and can be used in computer aided diagnosis system.
【技术实现步骤摘要】
一种基于机器学习的医学图像肺结节检测方法
本专利技术属于图像处理
,尤其涉及一种基于机器学习的医学图像肺结节检测方法。
技术介绍
中国的肺癌居恶性肿瘤发病第一位,30年来死亡率上升了465%。早期肺癌平均5年的生存率在55%到70%之间。因此,早期发现和治疗,可以大大提高肺癌的治愈率。肺癌总是以肺结节表现出来,根据肺结节的病变特征能推断出肺部病灶的病变特性。因此对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措施。结合肺结节的医学特性,利用计算机辅助检测系统(CAD)技术对医学图像进行处理和研究,能为医生提供有用的参考信息,辅助医生及时地对肺部疾病患者做出准确的诊断。该系统一方面大大减轻了医生的工作量,能有效地帮助医生对潜在的肺癌进行早期检测和特征描述;另一方面使医学影像诊断更客观,提高了诊断效率和准确率,最大程度上避免了漏诊和误诊。因此,用计算机进行肺结节辅助诊断,提取肺结节的特征,检测和识别肺结节,具有重要的理论指导意义和应用研究价值。肺癌的计算机辅助诊断主要流程包括:肺结节图像分割、肺结节特征提取和肺结节的分类识别。在图像分割环节,通常分为基于阈值的分割、基于边缘的分割、基于区域的分割和基于图论的分割,单一的分割方法通常不能完整的分割出图像中的肺结节。在特征提取环节,由于肺结节具有实性结节、混合型磨玻璃结节、磨玻璃结节等各种形态,无法通过单一的形状特征进行检测。在肺结节分类识别环节,通常是基于统计学得到的,需要先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征,给整个分类问题带来复杂性,导致现有的医学图像肺结节的检测速 ...
【技术保护点】
1.一种基于机器学习的肺结节检测方法,其特征在于,包括如下步骤:(1)获取CT图像:从肺部图像数据库LIDC的原始数据集中随机选取200个病人的图像,通过读取原始数据集的XML格式注释文件,提取出肺结节坐标信息,并用病例图像和肺结节坐标信息组成样本数据集;(2)对CT图像进行图像分割:用聚类增强算法对200个病例图片进行预处理,采用基于阈值分割的方法对每个病例图像进行分割,先分割出图像中的肺实质区域,再分割出图像中的肺实质候选;(3)提取肺结节候选的混合特征:包括灰度特征,形状特征和纹理特征;(4)根据步骤3获得的多维特征矩阵,做基于规则的简单分类,去除肺结节候选中的一部分非结节;(5)特征选择:将高维的特征矩阵降低到低维,并且新的特征矩阵能够完整的表示出元特征矩阵的所有信息;(6)肺结节检测:用训练好的检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像中的肺结节检测结果。
【技术特征摘要】
1.一种基于机器学习的肺结节检测方法,其特征在于,包括如下步骤:(1)获取CT图像:从肺部图像数据库LIDC的原始数据集中随机选取200个病人的图像,通过读取原始数据集的XML格式注释文件,提取出肺结节坐标信息,并用病例图像和肺结节坐标信息组成样本数据集;(2)对CT图像进行图像分割:用聚类增强算法对200个病例图片进行预处理,采用基于阈值分割的方法对每个病例图像进行分割,先分割出图像中的肺实质区域,再分割出图像中的肺实质候选;(3)提取肺结节候选的混合特征:包括灰度特征,形状特征和纹理特征;(4)根据步骤3获得的多维特征矩阵,做基于规则的简单分类,去除肺结节候选中的一部分非结节;(5)特征选择:将高维的特征矩阵降低到低维,并且新的特征矩阵能够完整的表示出元特征矩阵的所有信息;(6)肺结节检测:用训练好的检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像中的肺结节检测结果。2.根据权利要求1所述的基于机器学习的肺结节检测方法,其特征在于:步骤(2)所述图像预处理的方法包括图像线性插值和均值漂移算法;阈值分割采用迭代阈值的方法自动获取分割阈值。3.根据权利要求1所述的基于机器学习的肺结节检测方法,其特征在于:步骤(2)所述阈值分割采用迭代阈值的方法自动获取分割阈值,孔洞填...
【专利技术属性】
技术研发人员:袁海英,刘昶,王秀玉,周昌世,郑彤,张凯,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。