文献类型：期刊文章

作　　者：张利文[1,2] 刘侠[1] 汪俊[1] 董迪[2] 宋江典[3] 臧亚丽[2] 田捷[2]

ZHANG Li-Wen;LIU Xia;WANG Jun;DONG Di;SONG Jiang-Diana;ZANG Ya-Li;TIAN Jie(School of Automation, Harbin University of Science and Technology, Harbin 150080;Institute of Automation, Chi- nese Academy of Sciences, Beijing 100190;School of SinoDutch Biomedical and Information Engineering, Northeastern University, Shengyang 110819)

机构地区：[1]哈尔滨理工大学自动化学院,哈尔滨150080 [2]中国科学院自动化研究所,北京100190 [3]东北大学中荷生物医学与信息工程学院,沈阳110819

出　　处：《自动化学报》

基　　金：国家自然科学基金(81227901;81527805;61231004;81501616;81301346;61672197);黑龙江省然科学基金(F201311;12541105);中国科学院科技服务网络计划(KFJ-SW-STS-160);中国科学院科研设备项目(YZ201502)资助~~

年　　份：2017

卷　　号：43

期　　号：12

起止页码：2109-2114

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：肺癌是世界范围内致死率最高的癌症之一,肺肿瘤的良恶性诊断对于治疗方式选择意义重大.本文借助影像组学(Radiomics)方法利用LIDC(Lung imaging database consortium)肺癌公开数据库中619例病人的肺癌计算机断层(Computed tomography,CT)影像数据,分割出病变区域,并结合肿瘤医学特性和临床认知,提取反映肿瘤形状大小、强度和纹理特性的60个定量影像特征,然后利用支持向量机(Support vector machine,SVM)构建诊断肺肿瘤良恶性的预测模型,筛选出对诊断肺肿瘤良恶性有价值的20个影像组学特征.为肺肿瘤良恶性预测提供了一种非入侵的检测手段.随着CT影像在肺癌临床诊断中的广泛使用,应用样本量的不断增加,本文方法有望成为一种辅助诊断工具,有效提高临床肺肿瘤良恶性诊断准确率.

关 键 词：影像组学  肺癌 图像分割 特征提取  支持向量机

分 类 号：R734.2] TP391.41[临床医学类]