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。     

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。     

基于局部闭值和聚类中心迭代的肺结节检测算法

肺部疾病通常以肺结节的形式表现出来。为了对肺部疾病进行诊断治疗,需要对肺结节进行准确的检测。提出了基于局部阈值和聚类中心迭代的肺结节检测算法。首先,对肺实质图像采用局部阈值算法,提取感兴趣区域(ROIs),并且计算ROIs的形态特征、灰度特征和纹理特征;其次,结合规则、聚类中心迭代和欧式距离,对ROIs进行分类。实验结果表明,所提算法能够较好地检测出孤立性结节、低对比度结节和粘连肺壁结节。     

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。     

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。     

快速边界行进算法：一种CT图像肺实质自动分割策略*

提出了快速边界行进算法分割CT图片中的肺实质,解决常用分割方法不能正确分割出与胸膜和纵膈相连肺结节的问题。本算法首先通过高斯平滑、阈值分割等方法预处理CT图片,获取肺实质区域;然后采用Douglas-Peucker算法提取边缘的关键点以压缩肺实质边缘;最后,采用自适应边界行进算法修补肺实质边缘。实验结果证明了本算法能有效地分割出与胸膜和纵膈相连的肺结节,并减小了时间开销。     

基于3维图像增强的肺结节识别

孤立性肺结节的检测是肺癌早期诊断的关键。针对传统点增强滤波器虽然对结节增强具有很好的敏感性,但是却产生很多假阳性区域的问题,提出一种通过计算3维增强密度指数和判别规则来识别肺结节的方法。首先采用自适应双边滤波器对CT图像序列进行降噪和平滑处理;然后计算对应的Hessian矩阵及其特征值得到预增强系数,并获得感兴趣体区域,通过对预增强系数的分析来构造3维增强密度指数;最后应用判别规则对感兴趣体进行识别。针对两个肺部CT图像数据集对该方法进行了测试,结果表明,在识别孤立性肺结节方面该方法是有效的。     

基于胸部CT图像的恶性结节的检测方法研究

在胸部CT图像恶性结节计算机辅助诊断过程中,肺结节的分割与特征的提取是关键的步骤。为此,将图像的灰度与形状特征用于感兴趣区域（ROI）的分割,然后提取ROI的区域密度、小波矩和纵隔掩盖比等特征,接着根据RS理论选择有效的特征,最后把特征矢量送入SCNN进行肺部结节的良恶性识别。该方法避免了传统方法忽略结节与周围组织关系,同时没考虑恶性结节纵隔掩盖征,提取的特征有效地反映了结节的局部和全局特征。实验结果表明该检测方法可以得到比较好的识别效果。     

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。     

聚类分析在肺结节识别中的应用

针对肺部微小结节难于识别的问题,提出用聚类算法分析肺部感兴趣区域(ROI)的方法。为进一步提高运行速度和识别率,提出全权模糊聚类算法PWFCM,给每个样本及其特征分别赋予权值并引入新的隶属度约束改进收敛性;利用二次聚类策略降低不均衡ROI数据造成的低敏感度。对实际CT影像数据进行测试,实验结果表明：该聚类分析具有高敏感度和低假阳性率,能有效地检测出肺结节。     

基于卷积神经网络的胸片肺结节检测

针对目前胸片的肺结节检测方案的检出率较低,且存在大量的假阳性的问题,提出了一种新的基于卷积神经网络(CNN)的肺结节检测方案.增强肺结节区域的图像信号;选择正、负样本训练卷积神经网络模型,检测结节时用滑动窗口的方法对增强后的图片进行处理得到候选区域;根据候选区域的面积排除假阳性.方案中省略了传统方法中的肺区分割步骤,避免了因此可能丢失的肺结节图像.在日本放射技术学会(JSRT)数据库上测试结果显示,系统在平均每幅图5.0个假阳性水平下敏感度为86％,对不明显和非常不明显的结节检出率达到了84％,优于当前相关文献报道的方法.     

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。     

基于BP神经网络的肺结节自动检测算法研究

长期监测发现近年来我国肺癌发病率上升至原先的4倍,气象等专家经过研究发现,灰霾是致肺癌高发的一个根本原因,特别是在城市。肺癌的早期诊断十分重要。利用计算机图像处理技术检测肺癌早期标志物——肺结节,可以提高肺癌诊断的准确率。据此设计了一个CAD系统,尝试通过四个步骤实现肺结节的检测:肺实质分割、感兴趣区(ROI)的提取、特征的提取与计算、肺结节检测。     

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。     

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。     

Intensity-based statistical features for classification of lungs CT scan nodules using artificial intelligence techniques

A computer-aided diagnostic (CAD) system for effective and accurate pulmonary nodule detection is required to detect the nodules at early stage. This paper proposed a novel technique to detect and classify pulmonary nodules based on statistical features for intensity values using support vector machine (SVM). The significance of the proposed technique is, it uses the nodules features in 2D & 3D and also SVM for the classification that is good to classify the nodules extracted from the image. The lung volume is extracted from Lung CT using thresholding, background removal, hole-filling and contour correction of lung lobe. The candidate nodules are extracted and pruned using the rules based on ground truth of nodules. The statistical features for intensity values are extracted from candidate nodules. The nodule data are up-samples to reduce the biasness. The classifier SVM is trained using data samples. The efficiency of proposed CAD system is tested and evaluated using Lung Image Consortium Database (LIDC) that is standard data-set used in CAD Systems for Lungs Nodule classification. The results obtained from proposed CAD system are good as compare to previous CAD systems. The sensitivity of 96.31% is achieved in the proposed CAD system.