基于CT图像的肺结节计算机辅助检测研究进展

CT是检查肺癌的主要方法之一,而精度越来越高的CT在获得更清晰图像的同时,其数据量也在急剧增加,加重了医生阅片的负担.检测速度快、检测精度高的CT图像肺结节计算机辅助检测系统成为帮助医生诊断的有效工具.该综述阐述了CT图像肺结节计算机辅助检测方法的研究意义、检测过程、各类算法、研究难点,并对CT图像肺结节计算机辅助检测的现状进行了总结和展望.     

基于深度学习的计算机辅助肺癌诊断方法

癌症,是21世纪死亡率较高的疾病之一,而肺癌在所有癌症发病率及死亡率中均占首位.近年来,随着大数据与人工智能的兴起,基于深度学习的肺癌辅助诊断逐渐成为热门的研究课题.计算机辅助肺癌诊断技术主要是对医学仪器成像得到的肺部影像数据进行处理分析的过程,文中将这类过程总结为4个步骤:医学影像数据预处理、肺实质分割、肺结节检测与分割,以及病变诊断.由于深度学习技术对于训练数据的数量需求较高,而目前领域内公开较多的数据主要是肺部CT图像的结节数据,因此深度学习上对于肺癌辅助诊断的工作主要是肺内实质部分分割、肺结节检测分割以及病变分析的工作.文中对于面向肺癌辅助诊断的传统医学影像处理方法进行了简单介绍,并对前沿的深度学习医学影像处理方法进行了综述.     

改进的模糊聚类亚实质肺结节3维分割

肺癌是当今对人类健康与生命危害最大的恶性肿瘤之一.早期肺癌一般表现为肺结节,如能及时从肺部CT图像中检测到肺结节,便能及早发现肺癌,经治疗后可有效延长患者的生存时间,所以CT图像是肺癌诊断和疾病治疗的重要依据.但对全肺进行螺旋CT扫描产生的大量图像给人工检测肺结节带来了困难,因此,基于CT图像的肺结节计算机辅助检测(CAD)技术应运而生.由于CAD能有效辅助放射科医生提高肺结节的检测准确率与工作效率,降低漏诊与误诊率,因此,CAD成了目前生物医学工程领域的研究热点之一.尽管目前报道的CAD系统所采用的方法各有不同,但基本上都是遵循以下步骤完成:1)CT图像的预处理;2)肺结节的分割;3)特征提取及优化选择;4)肺结节的分类识别.其中对结节的精确分割与否直接影响到后续的特征选择与优化,而特征选择与优化又进而影响到分类器的分类属性,所以肺结节分割是基于CT图像的肺结节计算机辅助检测的关键步骤.肺结节可细分为实质性结节(solid nodule)和亚实质性结节(sub-solid nodule).其中完全屏蔽肺实质的结节称为实质性结节,否则称为亚实质性结节.实质性结节表现为边界比较规则的类圆形病灶,且密度较高、边界清晰,因此较容易分割,对实质性肺结节的分割国内外均有大量文献报道.与实质性肺结节相比,亚实质性肺结节其密度表现为磨玻璃影(GGO),且边缘不清晰(多带毛刺)、没有特定的形状.实质性结节中93％以上为良性病灶,而因为带有GGO,亚实质性肺结节的恶性化程度较实质性结节而言表现得较高.因此,亚实质性结节的精确分割对发现早期肺癌更具应用价值,也面临更大的难度和挑战.模糊聚类算法是一种基于模糊数学的常用的灰度图像分割方法,适合解决灰度图像中存在的模糊和不确定性问题.而经典的模糊聚类算法及其数种改进算法在聚类过程中具有明显的缺点和不足,仅考虑了每个像素的灰度值分别与各聚类中心的距离,未考虑相邻像素之间的影响及利用图像的空间信息,在分割时可能会丢失图像部分信息,所以不适用于亚实质性肺结节分割.针对肺CT图像中亚实质性肺结节的特点,对模糊C均值聚类(FCM)及其改进算法核模糊聚类(KFCM)和加权核模糊聚类(WKFCM)进行实践,提出一种改进的利用血管及类别结构信息加权的适用于亚实质肺结节的核模糊聚类(IWKFCM)3维分割方法.该方法首先从肺CT序列图像的中心层中手动选取结节感兴趣区域(ROI),然后在由ROI临近层确定的3维感兴趣区域(VOI)内进行IWKFCM聚类,最后对聚类结果进行3维连通域标记及形态学处理得到最终结节的分割结果.本文分别采用36个LIDC标准数据和18个临床数据对所提出的分割方法进行评价,以放射科医生手动分割的区域作为金标准计算重合率,其均值分别为71.65％及76.18％,且假阳性率及假阴性率均低于17％.实验结果表明,相较于FCM,KFCM与WKFCM等未改进算法,IWKFCM能够获得更准确的分割结果,并且分割效果同时优于目前文献报道的其他非模糊数学方法,为基于CT图像的肺结节计算机辅助检测提供了一种分割亚实质性肺结节的工具.     

基于局部灰度最大和改进Mahalanobis距离分类的肺结节检测算法

CT图像中肺结节检测一直是肺癌CAD系统的关键和难点。提出了一种孤立性肺结节自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割;采用寻找局部灰度最大值方法对ROI进行初始分割;再对分割出的各ROI进行特征提取,利用SVM方法对每个特征进行定量描述,根据SVM单特征分类准确率对Mahalanobis距离进行加权改进,最后采用基于改进的Mahalanobis距离进行肺结节分类。实验结果表明,该算法可以较好地提取出CT图像中的孤立性肺结节,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供帮助信息。     

基于局部灰度最大和改进Mahalanobis

CT图像中肺结节检测一直是肺癌CAD系统的关键和难点。提出了一种孤立性肺结节自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割;采用寻找局部灰度最大值方法对ROI进行初始分割;再对分割出的各ROI进行特征提取,利用SVM方法对每个特征进行定量描述,根据SVM单特征分类准确率对Mahalanobis距离进行加权改进,最后采用基于改进的Mahalanobis距离进行肺结节分类。实验结果表明,该算法可以较好地提取出CT图像中的孤立性肺结节,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供帮助信息。     

CT图像肺结节计算机辅助检测与诊断技术研究综述

肺结节计算机辅助诊断（Comput er-aided diagnosis,CAD）能够从CT图像中检测、分割和诊断肺结节,提高早期肺癌的生存率,因而具有重要临床意义。由于肺结节的形态根据其类型、尺寸、位置、内部结构及恶性与否等动态变化,导致肺结节检测和诊断已经成为一个重大的挑战问题。本文对比分析了CAD系统中肺实质分割、肺结节检测、肺结节分割以及肺结节良恶性判断等4个步骤所运用的关键技术及挑战,并指出开发有效CAD系统需要进一步优化不同类型结节诊断算法灵敏度、降低结节检测误报数量、提高诊断自动化水平,同时需要集成影像存储与通信系统（Picture archiving and communication systems, PACS）以及电子病历系统（Electronic medical record systems, EMRS）,以便在日常临床实践中应用。     

肺结节计算机辅助检测与定位系统*

为了实现肺结节的智能识别,开发了肺结节计算机辅助检测与定位系统（SCADP）。该系统包括肺实质分割、候选肺结节分割、肺结节特征选择与提取、肺结节分类、图像配准与融合、结节三维重建与定位和勾画病灶等功能模块。其中,采用活动轮廓模型的分割方法实现候选肺结节分割,采用基于规则与专家系统的决策方法实现肺结节分类;采用自由变形法实现图像配准。基于小波变换的融合方法,以区域标准差与区域能量相结合的融合规则实现多模图像的融合;基于改进的Shear-Warp算法快速实现体绘制。实验证明,该肺结节计算机辅助检测与定位系统满足肺结节计算机辅助诊断要求。     

计算机辅助肺功能定量分析系统的开发与设计

在对胸部CT（Computed Tomography）序列图像进行慢性阻塞性等肺疾病诊断时,需要获取相关的肺功能指标来给医生提供参考依据。为此,开发了一个用于肺功能定量分析的计算机辅助系统。系统首先结合多种分割方法实现了三维肺实质的分割,然后采用体绘制技术重建出肺部组织的三维模型,最后利用分割结果实现了对肺功能指标的定量分析。此外,针对医生个性化的需求,该系统还实现了局部肺实质VOI（Volume of Interest）的肺功能定量分析和肺实质任意指定感兴趣CT值范围内的肺功能定量分析。     

肺结节DR图像的计算机辅助诊断技术

在胸部DR图像中,肺结节一直是备受关注的焦点,其早期检出及良恶性的鉴别对肺癌的早期诊断和治疗尤为重要。但是由于肺结节形态多变,大小各异以及位置不固定等因素,其检测诊断一直是放射学家的一个难点,随着计算机辅助诊断逐渐成为医学领域的研究热点之一,越来越多的学者致力于开发肺结节的计算机辅助诊断系统,利用计算机辅助诊断系统提高医生在肺结节检测和诊断上的准确率和减少漏诊率。本文介绍了计算机辅助诊断系统的构成,重点讨论了计算机辅助检测和诊断的关键技术,最后采用实验对胸部DR图像进行了肺结节的识别工作。     

Top-hat和Gabor filter在肺结节ROI自动检测中的应用研究

在自动诊断大量带有病变区域的CT图像时,计算机辅助诊断起着重要的作用。提出了一种自动检测肺结节感兴趣区域的方法。对肺实质进行分割;利用Top-hat滤波提取包含血管和结节在内的初始感兴趣区域;用Gabor filter对图像进行第二次处理;对图像进行比对,从而得到更为精确的疑似结节的病灶区域。实验证明该方法能准确完整地提取出感兴趣区域。     

改进FCM算法在肺结节自动检测中的应用研究

肺结节在CT图像上特征不明显、形态各异,使用计算机进行图像处理自动检测病变区域能够提高肺结节检出率,有助于临床医生判别结节的良恶性。本文提出一种基于视觉注意模型的改进FCM的图像分割方法。实验表明,改进的FCM法应用于计算机辅助诊断中可提高医学诊断的有效性和快速性,提高病灶的检出率,为减少漏诊和误诊起到积极作用。     

一种全自动的三维肺实质分割算法

精确的肺实质三维分割是对肺部病变进行计算机辅助检测或诊断的必要步骤,但复杂的胸部组织结构使得肺实质的精确分割变得较为困难。提出了一种结合阈值分割、区域增长、改进波阵面法等多种方法的全自动的三维肺实质分割方法。该方法使用计算机视觉及图像分析小组/国际肺癌早期行动计划（Computer Vision and Image Analysis Group/International Early Lung Cancer Action Program,VIA/I-ELCAP）和肺部图像数据库联盟（Lung Image Database Consortium,LIDC）提供的数据进行实验,结果证明这个方法能快速、精确地得到肺实质。     

应用于CT图像肺结节检测的深度学习方法综述

肺癌是世界上死亡率最高的癌症，通过胸部CT影像检测肺结节对肺癌早期诊断和治疗意义重大。为了减轻放射科医生的工作量以及同时减少误诊率和漏诊率，研究人员提出了计算机辅助检测（CAD）系统辅助放射科医生检测和诊断肺结节。目前，研究人员正在尝试不同的深度学习技术，以提高计算机辅助诊断系统在基于CT图像的肺癌筛查中的性能。这项工作回顾了作为肺癌检测的CAD系统目前典型的深度学习的算法和框架，主要从数据集介绍、2D深度学习方法、3D深度学习方法、数据不平衡问题的处理、模型训练方法以及模型可解释性这六个方面进行介绍。最后，对各个方法的主要特点和算法性能进行了综合比较分析，并对如何提高结节检测性能进行了展望。     

最佳阈值法结合改进的Freeman链码的肺实质分割

肺部CT图像中肺实质的精确分割是肺部疾病检测和诊断的关键步骤。针对传统的图像分割方法对CT图像中肺实质分割效果不理想,提出了一种基于最佳阈值法和改进的Freeman链码的肺实质分割方法。首先,用最佳阈值法实现肺部初分割,然后对肺实质进一步处理得到肺实质模板,再结合改进的Freeman链码法和Bezier曲线对存有缺陷的模板进行修补,最后与肺部CT图像相乘来提取肺实质。肺实质分割精度在图像对比清晰度和肺实质区域特征一致性方面都有一定的改善,分割准确率平均达到96.8%。实验结果表明,对于边缘性结节以及不同的肺部病灶,该方法都具有理想的分割效果,具有较好的准确性和鲁棒性。     

基于目标检测算法的肺结节辅助诊断系统

据统计,肺癌在全世界范围内是发病率、致死率最高的疾病之一。随着计算机辅助诊断系统（CAD）和卷积神经网络（CNN）的成熟化,医疗领域的诊断治疗也逐渐智能化。本文提出一种基于目标检测算法的肺结节自动检测方法,并提出一套将阈值分割算法和数字形态学处理相结合的肺实质CT影像处理流程。对LUNA16数据集中的1186个肺结节进行训练和学习,观察YOLO V3模型在数据集中的评价结果来验证模型,实验结果准确率达到92.18%,每张图片平均检测时间为0.035 s。与现有的肺结节检测算法SSD、CNN、U-Net等模型进行对比试验,以验证YOLO V3模型的有效性。同时本文基于CAD技术设计肺结节辅助诊断系统,实现人机交互,为医生提供简单明了的辅助诊断工具。     

检测肺结节的3维自适应模板匹配

目的 针对传统模板匹配方法检测肺结节存在的问题,提出一种用于CT图像中检测肺结节的3维自适应模板匹配算法。方法 首先,从CT序列图像中分割出3维肺实质,采用Canny算子等方法从分割出的3维肺实质中提取3维感兴趣区域作为候选肺结节;然后,确定每个3维感兴趣区域的主方向和中心层,并以此中心层作为信息层,沿主方向对信息层进行3维扩展生成3维模板;最后,对自适应模板和候选结节的3维归一化互相关(NCC)相关系数进行计算,将相似性高于设定阈值的区域标记为肺结节。结果 采用66个临床CT病例对本文方法进行了肺结节检测实验,结果显示本文方法对肺结节检测的敏感率为95.29%,假阳性为12.90%。结论 本文方法对检测肺结节具有较高的敏感率和准确率,可在临床上有效辅助放射科医生对肺结节进行检测,从而提高放射科医生检测肺结节的准确性和工作效率。     

基于PCNN与主动轮廓的肺CT候选结节的分割方法*

对肺CT图像中的候选结节进行分割,是计算机辅助诊断系统完成对肺结节自动检测、分类重要的步骤。然而,由于成像噪音和病变导致的图像中组织及组织与病灶之间边界模糊,故采用通常的图像分割方法难以获得正确的分割结果。文章提出一种结合四邻域连接权的脉冲耦合神经网络(PCNN)结合先验形状能量函数的主动轮廓模型来分割候选肺内与近胸膜两类肺结节的算法。实验表明,该算法是一种切实可行且行之有效的候选肺CT结节分割方法。     

基于改进Unet网络的CT图像肺实质自动分割算法

肺实质分割是计算机辅助诊断肺癌中的重要步骤。针对Unet分割精度不足和收敛速度慢的问题,提出一种基于改进Unet的肺实质分割算法。采用K-means聚类和凸包扫描算法进行预分割,完成肺实质的定位和修正。以Unet结构为基础,引入Sobel卷积层强化边缘区域的高通滤波,并在特征融合中加入随机失活模块,进一步提升分割精度。将传统图像处理方法与深度学习相结合,获得了优化改进的分割模型。实验表明,该算法可以准确高效地分割肺实质,平均Dice相似系数达到0.983 4,收敛速度和分割性能均优于其他几种较新的分割算法。     

胸部CT图像肺实质分割技术研究

计算机断层扫描(Computed Tomography,CT)是诊断肺部疾病常用的方法之一,CT能显示人体肺部的断层图像,但CT图像中对于诊断肺部疾病有帮助的只有肺实质区域.因此,提供干扰更少、病灶更加明显的肺部断层图,会使医生更容易发现一些早期的疾病或得到更加准确的诊断结果.文章归纳总结了边缘检测、U-net和U-net++等CT图像的肺实质分割技术,并将其中的Matlab的边缘检测与U-net神经网络进行对比分析.对比结果显示,U-net神经网络的图像分割效果远好于Matlab的边缘检测.     

基于改进Canny算法的肺癌辅助诊断算法

肺癌辅助诊断技术根本上是为了帮助医生进行诊断分析并提供一定的依据[1].在边缘检测时运用了改进的Canny算法,在分割后进一步分割出肺结节.传统Canny算法采用的高斯滤波和高低双阈值不具有自适应性.使用者需要人为设定参数.采用自适应中值滤波代替高斯滤波,并用迭代法阈值选择算法得到双阈值,从而对Canny算法进行改进,并在肺部CT上进行试验,通过肺结节大小、位置、形状等生理特征判断是否患有肺癌.结果证明,上述方法可以更准确提取出肺结节轮廓并初步分析患者是否患有肺癌.