利用测地线距离直方图分割血管粘连型肺结节的算法

肺结节分割为其图像特征的计算和良恶性判别提供了重要依据.针对CT图像中血管和结节的灰度值接近,导致血管粘连型肺结节分割较为困难的问题,提出一种基于测地线距离直方图的血管粘连型肺结节分割算法.首先利用各项异性扩散对图像进行预处理,并沿x,y,z方向分别对图像进行灰度积分投影,寻找投影曲线的极大值作为阈值分割的初始参考点;然后采用阈值分割结合测地线距离变换的方法对结节图像进行初始分割,得到包含结节和血管的前景区域;最后在初分割的基础上,根据测地线距离变换图像的直方图分布特点去除结节粘连的血管结构,获得最终分割结果.选取LIDC数据库(30例)和临床数据(10例)中的肺结节样本进行分割实验,结果表明,文中算法分割结果和医生手动分割结果之间的平均重合度达到83.30%,假阳性率为8.21%;和其他算法相比,该算法能在去除血管的同时保留结节边缘信息,具有较好的鲁棒性.     

基于模糊速度函数的活动轮廓模型的肺结节分割

肺结节是肺癌在早期阶段的表现形式. 利用计算机辅助诊断(Computer-aided diagnosis, CAD)技术对血管粘连型肺结节和磨玻璃型肺结节进行检测, 需要对这两类肺结节进行准确的分割. 目前基于传统活动轮廓模型的肺结节分割算法, 存在边界泄露现象. 对此, 本文提出一种基于模糊速度函数的活动轮廓模型的肺结节分割算法. 首先, 采用结合灰度特征和局部形态特征的模糊聚类算法, 计算模糊速度函数中的模糊隶属度; 其次, 将模糊速度函数引入到活动轮廓模型中, 在肺结节的边界处, 该速度函数为零, 轮廓曲线停止演变, 从而完成肺结节的分割. 实验结果表明, 本文提出的算法可以精确地分割血管粘连肺结节和磨玻璃型肺结节.     

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。     

一种基于低剂量CT图像的肺结节分割方法*

为了减少低剂量胸部CT图像的肺结节分割过程中噪声及灰度分布不均匀等问题的干扰,提出一种新的肺结节分割算法。在活动轮廓模型的基础上,结合模糊隶属度,引入模糊速度函数作为轮廓线演化的限制权重因子,从而可排除分割时噪声等因素的干扰并能提高演化效率。并且针对血管粘连型肺结节,对模糊隶属度进行修正,引入血管特征系数,降低肺实质中大量血管区域的影响。经实验证明该算法可有效提高肺结节的分割精度,对血管粘连型肺结节分割结果更好,并且能明显降低肺结节的误分割率。     

改进局部自适应的快速FCM肺结节分割方法

进行肺部肿瘤计算机辅助诊断的关键问题是实现对病变组织的正确、快速分割,为此,提出了一种能够有效提高局部邻域像素自适应程度的快速模糊C均值聚类肺结节分割方法.首先构造像素与邻域窗口空间关系的二维向量表示,获得不同向量值的统计分布规律;然后用改进的空间函数综合考虑中心像素与单个相邻像素间的灰度相似度、与邻域窗口的空间相似度对模糊隶属度的贡献,动态地调整邻域像素的隶属度对中心像素的影响;最后给出该方法在迭代计算效率和局部自适应方面的改进.实验结果表明,该方法对血管粘连型、胸膜粘连型和毛玻璃肺结节的分割效果优于其他典型算法.     

基于Markov随机场的脑部三维磁共振血管造影数据的分割

文章提出了脑部核磁共振血管造影(Magnetic Resonance Angiography,MRA)的全自动分割方法,该方法有效增强了现有的基于Markov随机场(Markov Random Field,MRF)的分割技术。现有的三维Markov分割模型通常面临的挑战是:(1)低级MRF模型参数初始化不够准确;(2)普通的MRF邻域系统无法探测精细的血管结构。针对这两类问题,分别提出了基于多尺度滤波响应阈值分析和多模式邻域系统进行解决,使得MRF模型的血管分辨率提高到2个体素的细小血管。实验中,低级模型参数的精确估计采用了最大期望算法,高阶MRF参数的估计采用最大伪似然估计方法;通过三维仿真数据和实际脑部MRA数据进行验证,分割结果显示了较小的全局误差。     

最大熵阈值处理算法

阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用.提出了一种基于灰度-梯度共生矩阵模型和最大熵原理的自动阈值化方法.该方法不仅利用了图像的灰度信息,而且也利用了梯度信息,通过计算基于灰度-梯度共生矩阵的二维熵,并使边缘区域的熵最大来选择阈值向量.仿真结果显示,该算法比其他二维熵方法效果更佳.     

基于 Markov 随机场的脑部三维磁共振血管造影数据的分割

文章提出了脑部核磁共振血管造影(Magnetic Resonance Angiography, MRA)的全自动分割方法,该方法 有效增强了现有的基于 Markov 随机场(Markov Random Field, MRF)的分割技术。现有的三维 Markov 分割模型通 常面临的挑战是：(1)低级 MRF 模型参数初始化不够准确;(2)普通的 MRF 邻域系统无法探测精细的血管结构。 针对这两类问题,分别提出了基于多尺度滤波响应阈值分析和多模式邻域系统进行解决,使得 MRF 模型的血管 分辨率提高到 2 个体素的细小血管。实验中,低级模型参数的精确估计采用了最大期望算法,高阶 MRF 参数的 估计采用最大伪似然估计方法;通过三维仿真数据和实际脑部 MRA 数据进行验证,分割结果显示了较小的全局 误差     

基于参数活动轮廓模型的图像分割新方法

针对目前基于参数活动轮廓模型(PACM)的图像分割方法不能精确定位到角点,不连续边缘易受周围无关信息影响的缺陷,提出一种基于参数活动轮廓模型的图像分割新方法。该方法首先构造边缘保护项,将其引入到图像分割的活动轮廓模型中,保留拉普拉斯扩散项的切线方向分量;再引入两个权重参数控制切线方向和法线方向有偏的扩散,以提高分割的精度和效率。实验结果表明,该模型不仅能检测到弱边缘,精确定位到角点,而且能收敛到深度的凹形边界,降低无关信息对边缘不连续处的影响,防止边缘泄露,很好地保护图像细节,收敛的效率和准确率比边缘保护梯度向量流模型、法向梯度向量流模型及其改进模型有明显提高。     

一种支持向量回归机自动模型选择方法

为解决SVR(支持向量回归)自动模型选择的问题,提出一种基于梯度下降算法的支持向量回归机模型参数优化方法.通过最小化模型选择准则R2w2,对核参数集采用梯度下降算法得到局部最优的模型参数.依据黎曼几何为理论,提出一种适合于SVR的保角变换,对核函数进行数据依赖的改进,进一步提高SVR的泛化能力.仿真试验的结果验证了该方...     

改进U-Net网络的肺结节分割方法

为了对CT图像中的肺结节进行准确地分割,提出了一种基于改进的U-Net网络的肺结节分割方法。该方法通过引入密集连接,加强网络对特征的传递与利用,并且可以避免梯度消失的问题,同时采用改进的混合损失函数以缓解类不平衡问题。在LIDC-IDRI肺结节公开数据库上的实验结果表明,该方法达到的Dice相似系数值、准确率和召回率分别为84.48%、85.35%和83.81%。与其他分割网络相比,该方法能够准确地分割出肺结节区域,具有良好的分割性能。     

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网络对小目标结节分割性能差、梯度消失的问题。     

基于圆形约束C-V水平集的肺部CT图像病灶分割

针对肺部CT图像中圆形病灶区域的分割问题,对Chan-Vese水平集图像分割方法进行了分析和改进,提出了基于圆形约束的C-V水平集模型,进而提出了基于圆形约束水平集的肺部图像病灶分割算法,解决了图像中大小不同的多圆检测问题。对合成图像和实际临床肺部CT图像进行了分割实验,结果表明,该方法可以较好地分割出图像中的多个圆形区域,算法具有较好的抗噪性,实现速度较快,有利于实现肺部CT图像肺结节自动检测。     

Detection and classification of lung nodules in chest X-ray images using deep convolutional neural networks

Lung nodule classification is one of the main topics related to computer-aided detection systems. Although convolutional neural networks (CNNs) have been demonstrated to perform well on many tasks, there are few explorations of their use for classifying lung nodules in chest X-ray (CXR) images. In this work, we proposed and analyzed a pipeline for detecting lung nodules in CXR images that includes lung area segmentation, potential nodule localization, and nodule candidate classification. We presented a method for classifying nodule candidates with a CNN trained from the scratch. The effectiveness of our method relies on the selection of data augmentation parameters, the design of a specialized CNN architecture, the use of dropout regularization on the network, inclusive in convolutional layers, and addressing the lack of nodule samples compared to background samples balancing mini-batches on each stochastic gradient descent iteration. All model selection decisions were taken using a CXR subset of the Lung Image Database Consortium and Image Database Resource Initiative dataset separately. Thus, we used all images with nodules in the Japanese Society of Radiological Technology dataset for evaluation. Our experiments showed that CNNs were capable of achieving competitive results when compared to state-of-the-art methods. Our proposal obtained an area under the free-response receiver operating characteristic curve of 7.76 considering 10 false positives per image (FPPI), and sensitivity values of 73.1% and 79.6% with 2 and 5 FPPI, respectively.     

深度卷积神经网络胸片肺结节分类识别研究

针对肺结节特征复杂且不明显,难以精确诊断出胸片中是否含有肺结节的问题,提出将深度神经网络应用于肺结节分类识别之中。首先通过将胸片灰度一致化,减少由于不同设备导致胸片亮度与灰度的差异;其次采用不同的数据扩增方法使得深度卷积神经网络可以充分提取肺结节的特征;最后通过改进的神经网络架构对肺结节进行分类识别。提出的算法有效地避免了在对胸片图像进行分割时造成图像特征部分丢失的现象,同时克服了由于胸片图像的复杂造成的肺结节特征不明显的缺点。最终通过实验研究证明胸片肺结节分类识别的平均准确率达到84.2%,在医学胸片肺结节的分类识别领域上具有一定的应用价值。     

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。     

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。