基于有监督哈希的肺结节CT图像检索*

针对传统方法在面对大量肺部数据时检索效率不高的问题,提出了一种基于有监督哈希的肺结节CT图像检索方法。首先,通过图像预处理建立肺结节图像库,并从灰度、形态、纹理方面提取图像多特征;然后,利用监督信息构造哈希函数,将多特征映射为低维哈希码;最后,根据设计的自适应权重计算图像相似度,并返回相似的肺结节图像。实验结果表明,本文方法能有效地实现肺结节CT图像的快速检索,对查询病灶的良恶性分类达到89.45%。     

基于改进LVQ算法的肺结节识别与分类

目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。     

基于深度迁移学习的肺结节辅助诊断方法

在肺癌早期筛查过程中,人工诊断胸部CT扫描图像费时费力,而深度学习网络缺乏足够的医学数据进行训练。为此,提出一种渐进式微调(PFT)策略,将其应用于深度迁移学习网络以辅助诊断肺结节良恶性。利用神经网络在粗粒度的自然图像大数据集中学习特征知识,经重构网络分类层将所学到的特征信息迁移至肺结节的细粒度小数据集。采用PFT策略从全连接分类层开始,逐层释放、微调训练卷积层直至所有网络层,并通过定量分析各层微调后肺结节良恶性分类的AUC值,确定最佳微调深度。此外,采用梯度加权类激活映射图和t-SNE算法为网络预测结果提供相应的视觉支持与解释。在LIDC数据集中的实验结果表明,该方法对肺结节良恶性诊断的准确率可达91.44%,其AUC值为0.962 1。     

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。     

肺结节球表面网格向量化特征分类

目的 基于球谐函数与容斥映射算法向量化球面表面纹理与结节形状用以进行胸部CT图像肺结节良恶性判定。区别于基于深度学习解决肺结节良恶性筛查的方法,目前方法多集中于框架改进而忽略了数据预处理,文中所提方法旨在对球面纹理与结节形状进行向量表达,使其可以输入深度森林进行特征分类训练。方法 首先采用辽宁中医药大学附属医院数据,通过3维重构获得3维肺结节图像。其次使用球谐函数与容斥映射算法在保留空间信息的同时将纹理以网格方式映射到标准球面上。再次使用网格-LBP与映射形变能量分别完成对球面纹理与结节形状信息的构建。最后提出一种基于网格的多粒度扫描方法对深度森林训练框架进行改进,并将向量化后的纹理和形状特征加入到改进的深度森林训练框架中进行实验验证。结果 通过大量的实验结果验证,在准确率（ACC）、特异度（SPE）、敏感度（SEN）和受试者工作特征曲线下的面积（AUC）4个衡量指标下,本文方法具有优于现存先进方法的表现,其中ACC、SPE、SEN和AUC分别达到76.06%、69.46%、88.46%和0.84。结论 基于球谐函数与容斥映射算法可成功地对肺结节表面和形状两个特征进行向量化并训练,不仅考虑了数据预处理,而且通过两个特征对肺结节良恶性检测的准确率要高于传统1个特征检测的结果,同时也为3维模型中特征的提取及向量化提供了一个有效的方法。     

基于混合受限玻尔兹曼机的肺结节良恶性诊断

针对传统计算机辅助诊断中肺结节的特征提取方法依靠人工设计、操作复杂、识别率低等问题,提出了一种基于混合受限玻尔兹曼机的肺结节良恶性诊断方法。首先采用多层无监督卷积受限玻尔兹曼机自动对肺结节图像进行特征学习,然后利用分类受限玻尔兹曼机对获得的特征进行良恶性分类。为避免分类受限玻尔兹曼机在训练中出现的特征同质化问题,引入了交叉熵稀疏惩罚对其进行优化。实验结果表明,该方法有效避免了手动特征提取的复杂性,在肺结节良恶性分类的准确率、敏感性、特异性、ROC曲线下面积值上均优于传统诊断方法。     

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

目的 在甲状腺结节图像中对甲状腺结节进行良恶性分析,对于甲状腺癌的早期诊断有着重要的意义。随着医疗影像学的发展,大部分的早期甲状腺结节可以在超声图像中准确地检测出来,但对于结节的性质仍然缺乏准确的判断。因此,为实现更为准确的早期甲状腺结节良恶性超声图像诊断,避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用,提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。方法 本文提出的甲状腺结节分类算法由4步组成。首先对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。然后,对增强的图像进行数据扩展,并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。同时,提取图像的旋转不变性局部二值模式（LBP）特征作为图像的纹理特征。最后,将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。结果 本文方法在标准的甲状腺结节癌变数据集上对甲状腺结节图像取得了正确率99.15%,敏感性99.73%,特异性95.85%以及ROC曲线下面积0.997 0的的好成绩,优于现有的甲状腺结节图像分类方法。结论 实验结果表明,图像的深度特征可以描述医疗超声图像中病灶的整体感官特征,而浅层次纹理特征则可以描述超声图像的边缘、灰度分布等特征,将二者统一的融合特征则可以更为全面地描述图像中病灶区域与非病灶区域之间的差异以及不同病灶性质之间的差异。因此,本文方法可以准确地对甲状腺结节进行分类从而避免不必要手术、减轻病患痛苦和压力。     

基于不同超声成像的甲状腺结节良恶性判别

为实现更为准确的甲状腺结节良恶性超声图像诊断,避免不必要的穿刺或活检手术,提出了一种基于卷积神经网络（CNN）的常规超声成像和超声弹性成像的特征结合方法,提高了甲状腺结节良恶性分类准确率。首先,卷积网络模型在大规模自然图像数据集上完成预训练,并通过迁移学习的方式将特征参数迁移到超声图像域用以生成深度特征并处理小样本。然后,结合常规超声成像和超声弹性成像的深度特征图形成混合特征空间。最后,在混合特征空间上完成分类任务,实现了一个端到端的卷积网络模型。在1156幅图像上进行实验,所提方法的准确率为0.924,高于其他单一数据源的方法。实验结果表明,浅层卷积共享图像的边缘纹理特征,高层卷积的抽象特征与具体的分类任务相关,使用迁移学习的方法可以解决数据样本不足的问题;同时,弹性超声影像可以对甲状腺结节的病灶硬度进行客观的量化,结合常规超声的纹理轮廓特征,二者融合的混合特征可以更全面地描述不同病灶之间的差异。所提方法可以高效准确地对甲状腺结节进行良恶性分类,减轻患者痛苦,给医生提供更为准确的辅助诊断信息。     

三维多尺度交叉融合网络肺结节分类研究

计算机断层扫描影像中良、恶性肺结节的准确分类对肺癌的预防和治疗至关重要。然而,由于计算机断层扫描影像中肺结节背景的复杂性,以及良、恶性肺结节判定之间存在的不确定性,使得良恶性肺结节的准确分类成为了一项极具挑战性的工作。提出了一种深度三维多尺度交叉融合卷积神经网络实现了良恶性肺结节的精确分类。使用密集连接结构自动提取肺结节多尺度特征,为了减少特征提取过程中肺结节相关信息的丢失,对多尺度特征引入了交叉融合策略得到多尺度特征组,增强了高、低层次语义信息的表达能力,同时增强特征在网络中的传递和转移。将提取的特征组分别连接至多个softmax分类器,模拟多位经验不同医生共同决策,实现了良、恶性肺结节的精确识别。使用肺图像联合会数据集进行验证,分类准确率达到了90.96%,AUC为94.95%。     

小波在基于CT图像的肝脏疾病良恶性分类中的研究

肝癌是一种常见的恶性肿瘤,近年来发病率呈缓慢上升的趋势,病死率也随之上升。文章利用小波在特征提取和模式识别方面的独特优势,提取了基于小波和灰度共生矩阵的纹理特征,结合遗传算法进行特征选择和优化,用KNN分类器设计出高精确度的肝脏疾病良恶性分类器。采用肝脏CT平扫图像,将肝癌与其他的良性病变进行分类,探讨了小波的不同性质及特征提取方式对分类结果的影响,对小波在肝脏CT图像良恶性分类中的研究有指导意义。     

Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model

Perfusion computed tomography (CT) method has been used to differentiate malignant pulmonary nodules from benign nodules based on the assessment for the change of the CT attenuation value within the pulmonary nodules. Instead of using the change of the CT attenuation value, a set of fractal features based on fractional Brownian motion model is proposed in this paper to automatically distinguish malignant nodules from benign nodules. In a set of 107 CT images from 107 different patients with each image containing a solitary pulmonary nodule, our experimental results obtained from a support vector machine classifier show that the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve are 83.11%, 90.92%, 71.70%, 80.05%, 87.52%, and 0.8437, respectively, by using the proposed fractal-based feature set. Such a result outperforms the conventional method of using the change of the CT attenuation value as the feature for classification. When combining this conventional method with our proposed fractal-based method, the accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and the area under the ROC curve can be promoted to 88.82%, 93.92%, 82.90%, 87.30%, 90.20%, and 0.9019, respectively. In other words, a high performance of pulmonary nodule classification can be achieved with a single post-contrast CT scan.