基于混合成像的孤立性肺结节计算机辅助诊断方法

Nowadays, the lung cancer mortality rate are astonishing high. One main reason is due to the high misdiagnosis rate of early stage lung cancer. Most of the lung cancer at early stage is manifested as a solitary pulmonary nodule, and about 20%-40% of the solitary pulmonary are malignant. If we can find and diagnose whether the solitary pulmonary nodules are benign or malignant for early detection, the cure rate of lung cancer will be effectively improved. In the early diagnosis of solitary pulmonary nodule, physicians should make a comprehensive judgment from massive pulmonary functional image (single photon emission tomography) data and structural image (lesions nodular structure imaging) data using their professional diagnostic experience. This project can establish nodule diagnosis features related model by researching and analyzing the hybrid imaging image visual features of functional and structural images of Solitary Pulmonary Nodules(SPN) and using the machine learning methods to integrate quantitative information of functional and structural imaging features of the lungs and medical diagnostic information. Furthermore, this project will develop computer-aided diagnostic Pattern library, will achieve automatic or semi-automatic diagnosis of SPN; will effectively improve the efficiency and accuracy of diagnosis of SPN. The ultimate goal of this project is to provide visual and quantified technical support for automatic and semi-automatic diagnosis of lung cancer.

目前，肺癌的死亡率非常高，主要原因是肺癌早期诊断的漏诊率和误诊率居高不下。因为肺癌的早期大多表现为孤立性肺结节，而孤立性肺结节中有大约20%-40%为恶性。如果能在早期发现并确诊孤立性肺结节的良恶性，肺癌的治愈率将会有效提高。孤立性肺结节的早期诊断需要医师从海量的肺部功能影像（单光子发射断层成像）和结构影像（病灶结节结构造影成像）的医学影像数据中，结合专业的诊断经验进行综合判断。本课题通过研究量化分析孤立性肺结节功能影像和结构影像的混合成像图像视觉特征；利用机器学习方法使图像视觉特征、影像学属性特征和医学诊断语义有效融合，建立结节特征诊断关联模型；并进一步建立计算机辅助诊断模式库；自动或半自动地实现孤立性肺结节的早期诊断；有效提高孤立性肺结节的诊断效率和准确率，最终为肺癌的早期自动诊断提供量化和可视化的技术支持。项目对肺癌早期诊断具有一定的理论意义和学术价值。

孤立性肺结节良恶性的早期确诊有助于提高肺癌的治愈率。本项目通过对PET-CT混合成像的孤立性肺结节的研究，包括图像去噪、肺实质分割、图像配准、肺结节分割、特征提取、特征分类判断良恶性、语义建模、搭建自动诊断实验平台等建立孤立性肺结节计算机辅助诊断模型，从而实现孤立性肺结节的早期诊断，有效提高孤立性肺结节的诊断效率和准确率，最终为肺癌的早期自动诊断提供量化和可视化的技术支持。我们使用不同尺度的合并参数，结合区域生长算法分割肺实质，有效地去除了主干血管和分支血管部分；使用过滤式方法得到与诊断有高相关度的候选特征子集，然后通过包裹式方法对候选特征子集进行特征间冗余分析，最后得到最优特征子集，提高了良恶性诊断的敏感性和平均准确率；利用粒子群算法（PSO）对支持向量机（SVM）进行参数搜索，选择最合适的参数，避免人为选择的随机性，对肺结节良恶性分类的准确度达到90%以上；通过对传统的自生成神经网络（SGNN）算法的改进和优化，在对病变进行良恶性分类的基础上，进一步地识别肿瘤类型。与传统的SGNN算法、BP神经网络算法和SVM算法相比，改进的SGNN算法能得到高达94.1%的分类准确率。本项目对肺癌早期诊断具有一定的理论意义和学术价值。