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。     

基于CT图像的肺实质分割方法

诊断肺癌的重要手段之一是高分辨率CT(High Resolution ComputedTomography,HRCT)扫描,但是医生需要丰富的阅片经验以及大量的精力时间才能阅读海量的CT图像信息。为了减少医生的精力损耗和降低漏诊率,采用计算机辅助检测成为趋势。在肺癌等肺部疾病计算机辅助诊断方法中,最核心的步骤是肺实质的分割。提出一种基于CT图像序列的新的自动肺实质分割方法,综合利用了区域生长及数学形态学开运算等算法,并通过纵向扫描方法精确定位左肺和右肺的粘连部位,从而在肺实质边界的肺结节结节容易被忽略分割及左右肺分离的难题得到了解决。对多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效。     

结合Sobel算子和Mask R-CNN的肺结节分割

肺癌不断威胁着人类健康,计算机辅助诊断对肺癌诊断将发挥重要的作用.卷积神经网络(CNNs)在对图像的处理上表现出有目共睹的优秀性能,医学Computed Tomography(CT)图像是用来诊断肺癌的主要检查方式,用深度学习分割病灶的方法可以实现端对端的辅助诊断,这将节省医生的诊断时间,为患者争取最佳治疗时间.LIDC-IDRI(The Lung Image Database Consortium)数据集影像中的癌症部分与其他组织部分的放射密度十分接近,而且往往癌症部分非常小,背景具有非常强的相似性.本文使用传统的Sobel算子对图像中放射密度高的部分进行边缘锐化处理,用强化边缘特征的方法解决前景与背景灰度相似的问题,然后在使用传统的分割方法--阈值分割进一步强化.本文减小Regions of Interest(RoIs)的大小以适应肺结节的特征,减少RoIs的个数以避免过多的负类样例训练产生退化的模型;在传统图像增强处理方法和深度学习的结合下,获得了一个优化的Mask R-CNN模型,在LIDC-IDRI数据集上的测试结果中,基于Intersection over Union(IoU)=0.5的标准下的肺结节平均精度mAP达到72.2%,在FPR为0.226时的TPR达到0.915.     

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。     

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。     

基于定量影像组学的肺肿瘤良恶性预测方法

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.     

基于CT影像的肺组织分割方法综述

CT影像具有空间分辨率高的优点,是肺部疾病影像学诊断的首选方式。肺部病灶的检测和测量、肺功能的定量分析均需要精确的肺组织分割。为解决CT影像存在噪声、伪影、部分容积效应等干扰,而导致的肺部各组织之间灰度交叠、边界模糊、难以分离的问题,系统的综述了针对肺部各个分割对象的有效解决方法。从肺实质分割、肺血管分割、肺气道分割、肺叶分割、肺结节分割以及肺部病变组织的分割等方面,详细分析了面临的挑战性问题和当前研究进展,并阐述了肺组织分割方法的发展趋势。     

深度学习在肺结节辅助诊断中的应用

肺癌位居癌症死亡率首位,对其进行早期诊断和治疗可降低肺癌患者的死亡率。深度学习能够自动提取结节特征,并完成肺结节的良恶性及恶性等级分类,因此深度学习方法成为肺癌早期诊断的重要手段。对常用数据集进行介绍,系统阐述了栈式去噪自编码器（SDAE）、深度置信网络（DBN）、生成对抗网络（GAN）、卷积神经网络（CNN）、循环神经网络（RNN）和迁移学习技术在肺结节良恶性分类中的应用,阐述了深度卷积生成对抗网络（DCGAN）、多尺度卷积神经网络（MCNN）、U型网络（U-Net）和集成学习技术在肺结节恶性等级分类中的应用,针对肺结节分类的深度学习方法进行了综合分析,并对未来研究方向进行展望。     

基于数据增强的CT图像病灶检测方法

基于医疗影像的辅助诊断技术正处于快速发展阶段,但是受医学影像数据量的制约,使得基于深度学习的建模方法无法向更复杂的模型进行探索.本文从医学CT影像数据增强方法出发,概述了医疗影像病灶图像的成像特点,针对病灶检测及分割任务对现有方法进行了归类总结,并阐述了当前医学影像检测和分割的难点.分别从病灶检测相关技术、影像数据增强方法、基于生成对抗网络(Generative Adversarial Network,GAN)的病灶检测方法等方面进行了总结.最后,针对医学领域内基于深度学习的数据增强方法:标准GAN、pix2pixGAN、CycleGAN模型进行了对比分析,并展望未来医学影像分析领域的发展趋势.     

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。     

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。     

肺部影像解剖结构分割数据集及应用

目的 从影像中快速精准地分割出肺部解剖结构可以清晰直观地分辨各解剖结构间的关系,提供有效、客观的辅助诊断信息,大大提高医生的阅片效率并降低医生的工作量。随着影像分割算法的发展,越来越多的方法应用于分割肺部影像中感兴趣的解剖结构区域,但目前尚缺乏包含多种肺部精细解剖结构的影像数据集。本文创建了一个带标签的肺部CT/CTA （computer tomography/computer tomography angiography）影像数据集,以促进肺部解剖结构分割算法的发展。方法 该数据集共标记了67组肺部CT/CTA影像,包括CT影像24组、CTA影像43组,共计切片图像26 157幅。每组CT/CTA有4个不同的目标区域类别,标记对应支气管、肺实质、肺叶、肺动脉和肺静脉。结果 本文利用该数据集,用于肺部CT解剖结构分割医学影像挑战赛——2020年第四届国际图像计算与数字医学研讨会,该挑战赛提供了一个肺血管、支气管和肺实质的评估平台,通过Dice系数、过分割率、欠分割率、医学和算法行业专家对分割和3维重建效果进行了评估,目的是比较各种算法分割肺部解剖结构的性能。结论 本文详细描述了包括支气管、肺实质、肺叶、肺动脉和肺静脉等解剖结构标签的肺部影像数据集和应用结果,为相关研究人员利用本数据集进行更深入的研究提供参考。     

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.     

小样本三维肺结节图像分割识别研究

为了进行小样本的肺结节检测和识别,减少医生的工作量及提高诊断的准确率,本文将V-net模型应用于肺结节图像的分割识别研究。首先对LUNA16数据集进行了翻转、重采样等一系列预处理,提取肺部当中的肺实质,然后通过V-Net模型对提取的肺实质进行肺结节检测。实验结果表明,V-net模型分割检测的肺结节像素准确率可以达到99%,召回率83%,对实际临床应用具有一定的参考意义。     

基于密集神经网络的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分。传统的结节检测方法主要通过简单的先验知识再利用低级的描述特征进行辅助检测,存在着假阳性高、敏感度低的问题。在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征。提出了一种基于密集神经网络的结节假阳性筛查模型:首先对CT图像进行阈值分割提取肺区再截取以结节为中心的图像,送入网络模型进行分类训率;在网络模型中,通过稠密连接强化特征利用、扩大特征空间,采用瓶颈层降低参数冗余。模型在公开的LIDC数据集上取得了95.82%的准确率,ROC曲线下面积达到0.987,CPM为0.772。实验结果表明了该模型的有效性,其性能优于相关文献的方法,适用于肺结节的假阳性降低。     

基于医学影像分割方法的多模态语料库构建

电子文本病历语料库可提供相关医学影像的定性诊断结果,但缺乏直观影像和文本标注信息,不利于有效管理医学数据和医科学生自主学习相关医学知识.针对此问题,文中提出基于深度水平集算法的医学影像分割方法,对医学影像进行自动分割,给出感兴趣区域的轮廓结果及相关定量指标,并结合自然语言处理方法实现电子病历文本的标注,增强影像与文本病历多模态语料库的信息表征能力.在青光眼影像数据上的实验表明,文中方法可精准分割眼底图像中视盘和视杯,有效构建具有直观影像标记与对应病历文本的多模态语料库.     

CT影像肺结节分割研究进展

准确分割肺结节在临床上具有重要意义。计算机断层扫描（computer tomography,CT）技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。为了进一步对肺部CT影像中的肺结节分割方法进行探索,本文对基于CT影像的肺结节分割方法研究进行综述。1）对传统的肺结节分割方法及其优缺点进行了归纳比较;2）重点介绍了包括深度学习、深度学习与传统方法相结合在内的肺结节分割方法;3）简单介绍了肺结节分割方法的常用评价指标,并结合部分方法的指标表现展望了肺结节分割方法研究领域的未来发展趋势。传统的肺结节分割方法各有优缺点和其适用的结节类型,深度学习分割方法因普适性好等优点成为该领域的研究热点。研究者们致力于如何提高分割结果的准确度、模型的鲁棒性及方法的普适性,为了实现此目的本文总结了各类方法的优缺点。基于CT影像的肺结节分割方法研究已经取得了不小的成就,但肺结节形状各异、密度不均匀,且部分结节与血管、胸膜等解剖结构粘连,给结节分割增加了困难,结节分割效果仍有很大提升空间。精度高、速度快的深度学习分割方法将会是研究者密切关注的方法,但该类方法仍需解决数据需求量大和网络模型超参数的确定等问题。     

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.     

具有双向增强特征结构的U型肺结节分割网络

在CT影像中精准而有效地分割出肺部结节是肺癌早期诊断的关键。然而,肺结节形态的多样性以及周围环境的复杂性,都给肺结节分割的鲁棒性带来了巨大的挑战。为提高CT影像中肺结节分割的准确性,提出了Bi EFP-UNet(bidirectional enhanced feature pyramid UNet)肺结节分割网络。该结构采用端到端的深度学习方法来解决肺结节的分割任务,通过在原始U-Net网络的编码器和解码器结构之间集成一个双向增强型特征金字塔网络（bidirectional enhanced feature pyramid network,Bi EFPN）,加强网络对特征的传递与利用;利用Mish激活函数提高分割效率,并消除原始U-Net网络梯度消失的问题。在肺结节公开数据集LUNA16上的实验结果表明,Bi EFP-UNet网络的Dice相似系数（DSC）可达88.32%,其中,Bi EFPN结构带来的提升为5.25个百分点,Mish激活函数带来的提升为1.21个百分点;与原始U-Net网络相比,Bi EFP-UNet网络的DSC提升了6.46个百分点,能有效解决原始U-Net网络对...     

基于双模态深度自编码的孤立性肺结节诊断方法

近年来,深度学习技术在肺癌诊断方面得到了广泛的应用,但现有的研究主要集中于肺部CT图像。为了有效提高肺结节的诊断性能,提出一种基于双模态深度降噪自编码的肺结节诊断方法。首先,分别从肺部CT和PET图像中得到肺结节区域的特征信息;然后,以候选结节的PET/CT图像作为整个深度自编码网络的输入,并对高层信息进行学习;最后,采用融合策略对多种特征进行融合并将其作为整个框架的输出。实验结果表明,提出的方法可以达到92.81%的准确率、91.75%的敏感度和1.58%的特异性,且优于其他方法的诊断性能,更适用于肺结节良/恶性的辅助诊断。