基于3D区域增长法和改进的凸包算法相结合的全肺分割方法

肺实质分割结果的准确性在实际临床应用中具有非常重要的意义。但由于肺结节的位置、大小、形状的不规则性,肺部病变的多样性,以及人体胸部解剖结构的明显差异等,使得各类分割方法不能统一地适用于所有的胸部CT图像,所以对于肺实质分割方法的研究仍具有很大的挑战。该文在国内外研究分析的基础上提出基于3D区域增长法与改进的凸包修补算法相结合的全肺分割方法。在3D区域增长法的粗分割基础上,对分割的结果进行细化工作,通过连通域标记法与形态学方法相结合去除气管和主支气管,得到初步的肺实质掩膜,最后应用改进的凸包算法对肺部轮廓进行修补平滑,最终得到肺部分割结果。通过与凸包算法及滚球法相对比,证明该文所提改进的凸包算法能够有效地修补肺部轮廓凹陷,修补后的结果分割精度较高。     

多阈值和标记分水岭相融合的肺部CT图像分割方法

针对肺部CT图像因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出了一种多阈值和标记分水岭相融合的肺部分割方法。首先采用多阈值法对肺部CT图像进行粗分割,并去除图像中气管与主支气管;然后采用标记控制分水岭方法进行精分割,并利用形态学运算对肺实质边缘修补,最后采用临床肺CT图像在Matlab 2012平台上对算法性能进行仿真测试。结果表明,本文方法可以较好保留肺部CT图像的边界信息,提高了肺部CT图像分割精度,误分和错分概率大幅度下降,取得了十分理想的分割结果,为肺部疾病临床医学诊断提供了有价值的参考信息。     

基于CT图像的肺实质分割技术研究

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。基于CT图像的精确的肺实质分割是数学分析、计算机辅助分析和治疗的前提。本文明确了肺实质分割的概念及本质,以及肺实质分割在临床治疗中的重大意义。重点介绍了阈值法、区域生长法、主动轮廓模型和遗传算法,分析了它们的本质以及优缺点,并且列举大量实例说明。最后指出了基于CT图像的肺实质分割方法的发展趋势与面临的挑战。     

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.     

一种基于CT影像的肺癌病灶检测新方法

 肺癌病灶的检测一直是重要与困难的工作,本文提出了一种基于三维CT影像的肺结节计算机辅助检测新方法.基于自适应阈值等方法分割肺实质区域;由于肺血管是肺结节检测的重要干扰,建立一种形变模型精确分割并过滤肺内血管组织;基于Hessian矩阵特征值构造可选择形状滤波器检测疑似结节,并进一步过滤剩余的细小血管组织;提取多个结节特征,并采用基于规则分类器进行分类.实验结果表明,该方法可以有效帮助医生提高肺癌疾病的诊断准确率.     

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.     

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．     

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...     

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。     

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。     

Intrathoracic airway trees: segmentation and airway morphology analysis from low-dose CT scans

The segmentation of the human airway tree from volumetric computed tomography (CT) images builds an important step for many clinical applications and for physiological studies. Previously proposed algorithms suffer from one or several problems: leaking into the surrounding lung parenchyma, the need for the user to manually adjust parameters, excessive runtime. Low-dose CT scans are increasingly utilized in lung screening studies, but segmenting them with traditional airway segmentation algorithms often yields less than satisfying results. In this paper, a new airway segmentation method based on fuzzy connectivity is presented. Small adaptive regions of interest are used that follow the airway branches as they are segmented. This has several advantages. It makes it possible to detect leaks early and avoid them, the segmentation algorithm can automatically adapt to changing image parameters, and the computing time is kept within moderate values. The new method is robust in the sense that it works on various types of scans (low-dose and regular dose, normal subjects and diseased subjects) without the need for the user to manually adjust any parameters. Comparison with a commonly used region-grow segmentation algorithm shows that the newly proposed method retrieves a significantly higher count of airway branches. A method that conducts accurate cross-sectional airway measurements on airways is presented as an additional processing step. Measurements are conducted in the original gray-level volume. Validation on a phantom shows that subvoxel accuracy is achieved for all airway sizes and airway orientations.     

Tumor segmentation in lung CT images based on support vector machine and improved level set

In lung CT images, the edge of a tumor is frequently fuzzy because of the complex relationship between tumors and tissues, especially in cases that the tumor adheres to the chest and lung in the pathology area. This makes the tumor segmentation more difficult. In order to segment tumors in lung CT images accurately, a method based on support vector machine (SVM) and improved level set model is proposed. Firstly, the image is divided into several block units; then the texture, gray and shape features of each block are extracted to construct eigenvector and then the SVM classifier is trained to detect suspicious lung lesion areas; finally, the suspicious edge is extracted as the initial contour after optimizing lesion areas, and the complete tumor segmentation can be obtained by level set model modified with morphological gradient. Experimental results show that this method can efficiently and fast segment the tumors from complex lung CT images with higher accuracy.     

Automated segmentation refinement of small lung nodules in CT scans by local shape analysis

One of the most important problems in the segmentation of lung nodules in CT imaging arises from possible attachments occurring between nodules and other lung structures, such as vessels or pleura. In this report, we address the problem of vessels attachments by proposing an automated correction method applied to an initial rough segmentation of the lung nodule. The method is based on a local shape analysis of the initial segmentation making use of 3-D geodesic distance map representations. The correction method has the advantage that it locally refines the nodule segmentation along recognized vessel attachments only, without modifying the nodule boundary elsewhere. The method was tested using a simple initial rough segmentation, obtained by a fixed image thresholding. The validation of the complete segmentation algorithm was carried out on small lung nodules, identified in the ITALUNG screening trial and on small nodules of the lung image database consortium (LIDC) dataset. In fully automated mode, 217/256 (84.8%) lung nodules of ITALUNG and 139/157 (88.5%) individual marks of lung nodules of LIDC were correctly outlined and an excellent reproducibility was also observed. By using an additional interactive mode, based on a controlled manual interaction, 233/256 (91.0%) lung nodules of ITALUNG and 144/157 (91.7%) individual marks of lung nodules of LIDC were overall correctly segmented. The proposed correction method could also be usefully applied to any existent nodule segmentation algorithm for improving the segmentation quality of juxta-vascular nodules.     

基于注意力机制和Inf-Net的新冠肺炎图像分割方法

新型冠状病毒肺炎肆虐全球,严重影响了人类社会的生活和健康。CT影像技术是检测新冠肺炎的重要诊断方式,从CT图像中自动准确分割出新冠肺炎病灶区域,对于诊断、治疗和预后都有重要意义。针对新冠肺炎病灶的自动分割,文中提出基于Inf-Net算法改进的自动分割方法,通过引入通道注意力机制加强特征表示,并运用注意力门模块来更好地融合边缘信息。在COVID-19 CT分割数据集上的实验结果表明,文中所提出新冠肺炎图像分割方法的Dice系数、灵敏度、特异率分别为75.1%、75.4%和95.4%,算法性能也优于部分主流方法。     

多站点新冠肺炎肺部CT图像的三维深度卷积分割

CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U net的深度卷积网络,通过提取感兴趣区(region of interest, ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。