基于空间分布的三维自动化肺结节分割算法

针对肺结节分割中存在的自动化程度低、较少考虑空间结构以及粘附型肺结节分割不充分问题,提出了一种基于空间分布的三维自动化肺结节分割算法.该算法首先利用C-means聚类算法分割出肺实质,然后根据肺结节空间分布的差异性将其分为3类:孤立性肺结节、胸膜粘附性肺结节、血管粘附性肺结节,并对3种不同类型的肺结节分别采用基于连通性、灰度下降和散度差异的分割算法进行分割,70个肺结节(其中孤立性肺结节38个,血管粘附性肺结节17个,胸膜粘附性肺结节15个)CT图像的实验结果表明,算法能够准确、自动地分割出3种不同部位的肺结节.     

基于图像分割的肺结节CT图像哈希检索

基于相似图像的肺结节CT图像检索辅助诊断对肺结节的发现有着重要的作用。肺结节的诊断难度较大,通常需要充分利用图像的边缘、分叶、毛刺、纹理等各类信息。文中针对目前基于哈希方法的肺结节检索中存在的不能充分利用图像分割信息从而导致部分信息丢失问题做出了改进,提出了一种基于图像分割的肺结节图像哈希检索方法。实验结果表明,在72位哈希码长度时,达到了85.3%的平均准确率。并且,将文中图像分割模块应用于其他哈希检索方法时,平均准确率皆有一定的提升。     

一种全新的基于胸片计算机辅助检测肺结节方案

针对目前基于胸片肺结节计算机辅助检测系统的检出率低,且检测结果有大量假阳性的问题,提出一种全新检测方案.该方案首先引入基于活动形状模型的算法分割肺区,在肺区中选取大量可疑结节,然后为每个可疑结节提取基于分割结果的27个特征,最后引入线性分类器对可疑结节进行分类,给出最终检测结果.方案中,由于两步结节增强技术的引入,使得只有少量真实结节在可疑结节选取过程中丢失.特征提取时,引入分水岭算法分割可疑结节,基于分割结果提取能够有效区分可疑结节中真实结节和假结节的形状特征、灰度统计特征、曲面特征和梯度特征等,并利用可疑结节分割结果与感兴趣区域中Canny算子边缘检测结果的相关性来降低假阳性.本文选择日本放射技术学会提供的公共数据库测试系统的肺结节检测性能,系统在平均每幅图4.5个假阳性水平下检测出72.2％的结节.对非常不明显和极其不明显结节,系统的检测性能在4.5个假阳性水平下达到了52.7%.     

一种全自动的肺裂分割方法

CT（Computer Tomography）图像中自动分割肺裂是很困难的,肺裂往往存在不完整、形变、断裂和附裂等现象.本文提出一种融合肺部解剖结构特征来实现自动分割肺裂的方法.首先结合肺部气管和动脉血管信息定位肺裂感兴趣区域.然后利用肺裂方向信息增强肺裂,并利用多剖面滤波器滤除噪声从而对肺裂进行预分割.最后融合已定位的肺裂感兴趣区域和肺裂预分割结果来自动分割肺裂.与人工参考对比,提出的算法在人体左肺和右肺中分割的肺裂的F₁-score中值分别为0.881和0.878.     

一种CT图像的肺实质分割方法

基于CT图像的肺实质分割不仅仅是后续图像处理最基础和最重要的技术,而且是一个典型的亟待解决的问题。本文利用水平集方法能初步获取较好的目标轮廓的特点和分水岭算法准确的边缘检测能力,提出一种基于水平集和分水岭相结合的改进轮廓检测算法。该算法采用由粗糙到准确的方式,在运用水平集演化初步检测目标轮廓的基础上,进一步运用标记分水岭算法检测准确的轮廓边界。结果表明,该方法能实现肺实质分割,解决了肺结节检测的预处理问题。     

生成对抗网络磨玻璃样肺结节分割方法

早期肺癌在影像学的表现形式之一是肺结节，其中磨玻璃样肺结节(Ground-Glass Nodules, GGNs)被认为是恶变可能性最大的肺结节之一。在诊断性CT图像上GGNs存在边缘模糊、大小形状各异、不规则等影响分割精度的问题。针对GGNs形态复杂、分割精确度欠佳的问题，提出了一种生成对抗式网络(Generative Adversarial Network, GAN)——GAN-DeepLabv3+,将DeepLabv3+作为图像分割生成器网络，通过引入编解码器结构，将深度可分离卷积应用到空洞空间卷积池化金字塔和解码器模块上，通过对抗式训练，最终获得GGNs病灶分割模型。实验结果证明，在对GGNs患者的CT医学图像的分割中，所提方法Dice系数为0.952,交并比(Intersection over Union, IoU)为0.876,像素精确度(Pixel Accuracy, PA)为0.991,相较于原始DeepLabv3+和ACRU-Net等现有方法，对GGNs均有一定的提升。     

一种基于胸部CT的肺实质分割研究

CT检测在人体肺部疾病的诊疗中起着重要作用,快速完整地分割出肺实质区域已成为定性、定量诊断肺部疾病的重要手段。文章在分析研究大量胸部CT图像的基础上,提出一种新的肺实质分割方法:将Mean-Shift算法结合Snake模型分割出肺实质区域。实验证明,文章所提方法精确度高、分割效果完整,满足临床诊疗的要求。     

基于回归的X线胸片肺野自动分割算法

X线胸片中肺野的精确定位与区分是X线胸片辅助诊断系统的必要步骤，它在准确定位不同肺野位置后可以与病灶检测模块相结合并输出自动化报告，从而辅助医生进行诊断。基于此，提出一种基于回归的肺野分割算法，能够快速准确地完成肺野分割。在临床试验中，对比多种分割及分类算法，该算法具有更高的准确率和灵敏度。     

基于OTSU和局部阈值的二次肺实质分割算法

介绍了一种新的CR胸片肺实质分割算法。在对CR胸片肺实质分割的目的、背景进行简单的介绍后,给出了基于OTSU和局部阈值的二次肺实质分割算法的设计思想及具体实现过程;并采用此算法对大量数据进行了测试,最后给出测试结果并进行总结。     

基于逻辑校准的多分类残差网络的肺分割算法

针对图像噪声以及血管、支气管等因素引起的肺分割困难的问题,提出了一种基于逻辑校准的多分类残差网络分割算法.该算法将图像区域划分为肺、背景及边界三类,通过扩大不同类型间的差异来提升分割准确率.算法先将图像分割为固定尺寸区域,然后利用残差网络提取纹理特征进行分类训练与测试,实现粗分割.最后对边界区域阈值处理实现细分割.利用公开数据集对该算法进行了测试,实验结果表明,此分割算法在召回率、精确率以及交并比等方面均优于当下前沿的分割网络之一的U-Net,分别达到99.79％,98.13％和97.83％,可为后续的肺部疾病临床诊断提供参考依据.     

Lung No dules Detection in CT Images Using Gestalt-Based Algorithm

To overcome low accuracy and high false positive of existing computer-aided lung nodules detec-tion. We propose a novel lung nodule detection scheme based on the Gestalt visual cognition theory. The pro-posed scheme involves two parts which simulate human eyes cognition features such as simplicity, integrity and classification. Firstly, lung region was segmented from lung Computed tomography (CT) sequences. Then local three-dimensional information was integrated into the Maximum intensity projection (MIP) images from axial, coronal and sagittal profiles. In this way, lung nodules and vascular are strengthened and discriminated based on pathologic image characteristics of lung nodules. The experimental database includes fifty-three high resolution CT images contained lung nodules, which had been confirmed by biopsy. The experimental results show that, the accuracy rate of the proposed algorithm achieves 91.29%. The proposed frame-work improves performance and computation speed for computer aided nodules detection.     

基于粗糙集特征级融合的肺结节检测算法

以肺结节的检测为研究目标,针对肺结节特征级融合检测算法中存在特征结构不合理和特征表达不紧致两个问题,提出了一种基于粗糙集特征级融合的肺结节检测算法,该算法首先分析肺部CT影像的医学征象,提出了六个新的三维特征,并综合其他二维和三维特征共42维特征分量共同量化ROI;然后基于粗糙集对提取的特征集合进行5次特征级融合实验;最后利用网格寻优算法优化核函数的SVM作为分类器进行肺结节识别.以70例肺结节患者的肺部CT影像为原始数据,通过4组对比实验验证算法的有效性和稳定性,实验结果表明,经过粗糙集特征级融合的肺结节检测算法识别肺结节的能力得到了有效提升.     

一种基于多层CT影像的肺部结节分割方法

本文针对多层CT影像中肺部结节分割问题，提出一种交互式手动分割结节的方法，用Canny算子代替传统Live-Wire算法中的拉普拉斯算子，解决了拉普拉斯算子边缘检测存在伪边缘和边缘间断的问题，实验证明利用该方法可以快速的为医生分割出感兴趣的结节区域，为定量分析和三维重建提供了前提，从分割和三维可视化的结果来看，该分割方法的分割结果是较为理想的．     

一种新策略的肺结节检测算法

针对计算机在肺部CT肺结节辅助检测过程中,二维CT图像序列血管横截面与肺结节成像特征类似,导致无法有效检测的问题,提出新策略的肺结节检测算法。以格式塔心理学为基础,以去除血管的新策略间接的对肺结节进行检测。实验结果表明,本算法可有效降低血管对肺结节检测的影响,从而提高肺结节的检测精度。     

Automated detection of pulmonary nodules in helical CT images based on an improved template-matching technique

The purpose of this study is to develop a technique for computer-aided diagnosis (CAD) systems to detect lung nodules in helical X-ray pulmonary computed tomography CT) images. We propose a novel template-matching technique based on a genetic algorithm (GA) template matching (GATM) for detecting nodules existing within the lung area; the GA was used to determine the target position in the observed image efficiently and to select an adequate template image from several reference patterns for quick template matching. In addition, a conventional template matching was employed to detect nodules existing on the lung wall area, lung wall template matching (LWTM), where semicircular models were used as reference patterns; the semicircular models were rotated according to the angle of the target point on the contour of the lung wall. After initial detecting candidates using the two template-matching methods, we extracted a total of 13 feature values and used them to eliminate false-positive findings. Twenty clinical cases involving a total of 557 sectional images were used in this study. 71 nodules out of 98 were correctly detected by our scheme (i.e., a detection rate of about 72%), with the number of false positives at approximately 1.1/sectional image. Our present results show that our scheme can be regarded as a technique for CAD systems to detect nodules in helical CT pulmonary images.     

基于多模型融合方法的肺结节良恶性分类

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融合,用于得出良恶性分类结果。经过大量实验表明,这种多模型融合方法能很好地提取到肺结节在CT图像中的位置信息和自身的边缘特征,在LIDC数据集的基础上,该方法在准确率,敏感性,特异性分别达到了96.28%,96.72%,96.17%,相较于传统的网络模型取得了更好的分类效果。     

基于语义属性的肺结节良恶性分类

现有肺结节良恶性计算机辅助诊断的依据通常为肺部CT图像的底层特征,而临床医生的诊断依据为高级语义特征.为克服这种图像底层特征和高级语义特征之间的不一致性,提出一种基于语义属性的肺结节良恶性判别方法.首先,利用阈值概率图方法提取肺结节图像;其次,一方面提取肺结节图像的形状、灰度、纹理、大小和位置等底层特征,组成样本特征集.另一方面,根据专家对肺结节属性的标注,提取结节属性集;然后,根据特征集和属性集建立属性预测模型,实现两者之间的映射;最后,利用预测的属性进行肺结节的良恶性分类.LIDC数据库上的实验结果表明所提方法具有较高的分类精度和AUC值.     

Surface normal overlap: a computer-aided detection algorithm with application to colonic polyps and lung nodules in helical CT

We developed a novel computer-aided detection (CAD) algorithm called the surface normal overlap method that we applied to colonic polyp detection and lung nodule detection in helical computed tomography (CT) images. We demonstrate some of the theoretical aspects of this algorithm using a statistical shape model. The algorithm was then optimized on simulated CT data and evaluated using a per-lesion cross-validation on 8 CT colonography datasets and on 8 chest CT datasets. It is able to achieve 100% sensitivity for colonic polyps 10 mm and larger at 7.0 false positives (FPs)/dataset and 90% sensitivity for solid lung nodules 6 mm and larger at 5.6 FP/dataset.