SHANGHAI JIAO TONG UNIVERSITY学士学位论文THESIS OF BACHELOR论文题目：肝脏 CAD 分类器算法改进与 GPGPU 应用 学生姓名: 杨伟 学生学号: 5060379078 专 业: 软件工程 指导老师: 孙焱 学院(系): 软件学院 肝脏 CAD 项目分类器算法的改进与 GPU 加速的讨论摘要肝癌患者在发病初期往往没有相应的症状和体征。于是在明确诊断时常常已经属于中晚期，目前对于肝脏的诊断还大量的使用肝脏组织活检穿刺术，它会给病患的生理和心理上带来很大的痛苦。于是计算机辅助诊断作为早期非介入的肝病诊断对于肝部病变的治疗有着重大的意义。由于肝脏辅助诊断的重要性，业界目前已经在肝脏辅助诊断领域内有了大量的讨论，不过应该看到由于肝脏病变的特别性，现在对于肝脏的辅助诊断并没有像对于肺结节和乳腺癌的辅助诊断那样取得理想的效果。肝脏病变不像其他的病变，其在影像学的表现上趋于弥漫性，并没有固定的形状，于是在肺结节和乳腺癌中得到广泛使用的形状先验知识就无法奏效。又由于不同的病变在平扫 CT 影像上的成像又往往比较相似，这无疑也是造成肝脏辅助诊断效果不佳的原因。[1]使用肝脏 CT 多期增强扫描技术，在造影剂的帮助下，CT 图像分成动脉期、门静脉期和延迟期，加上无造影剂时的平扫期图像，算作 4 期。组织的对造影剂的通透性表现在图像上的明暗变化，而不同病变表现不同，从而给病变诊断提供了依据。已有的肝脏 CAD 项目正是使用这 4 期 CT 图像数据，通过提取感兴趣区域的纹理特征及时序特征，以 SVM、KNN、神经网络等分类器，对病变进行分类。为了提高分类性能，采纳了三层二分的分类器设计思想。项目虽然取得了一定的成果，如建立了辅助诊断从特征提取、训练到应用的整个流程、初步比较了各种分类器的性能，并提出了 Scattergram 分散图来提取时序特征等等，可以注意到，在特征提取和分类器训练上依旧有很多尚未考虑的问题。从样本特征值分布来看，数据虽然有一定的聚集性，但也有明显的交叉，比如正常样本的特征值范围基本被病变样本包含，意味着需要针对这个特点将正常类别检测出来。BP 神经网络，进化神经网络，都可以获得比较好的训练结果，然而代价是缓慢的训练，特别是 BP 神经网络极易受初值影响，而且容易陷入局部极值之中，进化神经网络在编码规则上受到精度的限制，在种群数目比较大时，训练极为缓慢。更为重要的是，我们无法清楚的理解网络中蕴含的知识。KNN 则意味着随着数据量...
