基于圆点滤波器的毛玻璃型肺结节检测

针对圆点滤波器不能提取候选毛玻璃型肺结节的问题,提出一种基于自适应非线性滤波器和圆点滤波器相结合的检测毛玻璃型肺结节的方法。对于内含有32个毛玻璃型结节的23套CT影像的漏检率为15.6%,平均每套影像需要时间1.2 min。该方法在所需运行时间及敏感性上都优于现有方法。     

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。     

肺结节检测中特征提取方法研究

计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统为肺癌的早期检测和诊断提供了有力的支持.本文对孤立性肺结节特征提取问题进行研究.通过对肺结节和肺内各组织在序列CT图像上的医学征象分析和研究对比,结合专家提供的知识,提出了肺结节特征提取总体方案.该方案分别从肺部CT图像的灰度特征、肺结节形态、纹理、空间上下文特征等几个方面,对关键的医学征象进行图像分析,从而实现对ROI(Regions ofInterest)区域的特征提取和量化;提出特征提取的评价方案,实验结果表明,本文提取的特征提取方案是有效的.利用本文提取的特征,肺结节检测正确率达到93.05%,敏感率为94.53%.     

基于PSO-SVM的孤立性肺结节良恶性分类研究

为辅助医生诊断孤立性肺结节的良恶性,提出一种针对肺结节的PET/CT影像特征的PSO-SVM分类方法。该方法利用粒子群算法(PSO)对支持向量机(SVM)进行参数搜索,进而选择最合适的参数,得到合适的SVM分类模型。实验表明,利用粒子群优化算法对支持向量机模型中的参数进行优化,可以避免人为选择的随机性,在解决分类问题中有良好的表现。使用此方法得到的分类模型对良恶性肺结节进行分类,平均正确率可达到90%以上,且为医生诊断肺结节时选取的主要特征提供了理论依据。     

基于三维形状指数的肺结节自动检测方法

针对在肺结节计算机辅助检测中存在误诊率、假阳性率较高,检测准确率较低等问题,提出一种基于三维形状指数和Hessian矩阵特征值构建类球形滤波器的结节检测方法。首先,提取肺实质区域,并计算各体素点Hessian矩阵的特征值和特征向量;其次,通过二维形状指数推导出三维形状指数公式,构建改进的三维类球形滤波器;最后,在三维肺实质区域内检测疑似结节区域,去除较多的假阳性区域,针对三维体数据上检测出结节所在位置,将检测到的坐标作为置信连接的多种子点输入,进行三维体数据分割,最终分割出三维结节。实验结果表明,所提算法能够有效地检测出不同类型的肺结节,对较难检测的磨玻璃结节也有较好的检测效果,结节检测的假阳性低,最终能达到92.36%的准确率和96.52%的敏感度。     

三维多尺度嵌套U结构CT影像肺结节检测

目的 肺结节检测在低剂量肺部计算机断层扫描(computed tomography, CT)筛查肺癌中具有重要意义。但由于结节大小、形状和密度的变化十分复杂,导致难以在低假阳性率下保证高的灵敏度,这限制了深度学习算法在常规临床实践中的肺结节自动诊断,建立具有良好结节检测性能的深度学习模型仍然是一个挑战。针对此问题,本文提出了一种基于3D ReSidual U(3D RSU)块的嵌套U结构的肺结节检测框架。方法 3D RSU块通过混合不同大小的感受场获得多尺度特征来丰富特征信息。而嵌套U结构允许网络获得更大分辨率的特征图,从而具有多层次深度特征,获得丰富的局部和全局信息,增强网络区分前景和背景的能力,进而提高微小结节等非显著性目标的检测性能。结果 该框架在公共肺结节(lung nodule analysis 16)挑战数据集上进行了评价。方法能够准确地检测出肺结节,灵敏度达到了97.2%,与基准方法相比,该方法灵敏度提高了2.6%,具有很高的灵敏度和特异性,在0.125、0.25、0.5、1、2、4、8共7个假阳率点的灵敏度平均值为86.4%,尤其是在每扫描0.25个假阳性上,灵敏度达到...     

改进的RVM在肺结节检测中的研究与应用

在模式识别问题中,相关向量机（RVM）作为一种新的机器学习方法备受关注,近年来,多核RVM方法的提出使得RVM得到更广泛的应用。多核RVM模型中核参数的取值及不同核函数组合权重系数的取值对模型分类性能至关重要,然而在实际应用中其值却多由经验值给定而非定量分析计算得到。为此,对基于粒子群算法（PSO）及基于二阶锥规划（SOCP）的多核RVM参数优化模型进行研究,构造合理的核函数组合,并给出快速求解方法。最后将该方法应用到肺结节检测中,采用公共数据集LIDC中的肺部CT图像,通过图像处理模块,提取候选结节的特征信息,利用改进的多核RVM模型对肺结节进行分类验证。实验结果表明,与基于PSO的多核RVM模型相比,基于PSO与SOCP相结合的多核RVM模型不仅提高了运算效率而且取得了更好的分类性能。     

面向CT影像的肺结节计算机辅助诊断算法

为了在早期能够发现肺癌,降低对肺结节的漏诊率,提高病人的生存率;基于模糊C均值聚类的算法,利用直方图统计特性对数据进行优化,在此基础上利用像素的邻域特性,将数据样本对各聚类中心约束条件为1改变为隶属度之和为样本总数;用改进的FCM对肺实质图像进行分割,将分割后的图像应用区域分割算法去除小面积区域,利用肺结节的关键特征,提取可疑区域;运用改进算法后,区域分割效果更好;仿真结果证明算法很好地将"线"形或分枝状结构的血管去除;改进的FCM有很好的实时性和对噪声的鲁棒性,分离血管后,将可疑区域在原图标记出来,使医生的工作更加明确.     

基于NRU网络的肺结节检测方法

肺癌的早期发现和早期诊断是提高肺癌患者生存率的关键.由于肺癌早期结节很小,目前已有的肺结节检测系统在检测这些结节时很容易漏诊.准确检测早期肺癌结节对于提高肺癌治愈率至关重要,为了降低检测系统对早期结节的漏诊率,需要优化候选结节的提取步骤.在U-Net网络中引入残差网络的捷径,有效解决了传统U-Net网络由于缺乏深度而导...     

基于支持向量机的AdaBoost人脸检测方法

人脸的检测与识别技术因其巨大的应用价值及市场潜力,引起各方面的关注,已经成为计算机视觉领域的研究热点.介绍了一种基于支持向量机(SVM)的AdaBoost人脸检测方法.与原有的AdaBoost算法相比,AdaBoostSVM算法通过设置核参数σ的最小值,并自适应地调整σ值来解决AdaBoost算法分类器训练中的过学习问题.该方法降低了复杂性,增强了推广性.实验结果证明,对于人脸模型具有较好的检测效果,并且比单纯运用AdaBooet算法具有更高的正确检测率.     

CT图像肺结节的毛刺检测与量化评估

为准确检测并量化评估毛刺征,提出一种CT图像肺结节的毛刺检测与量化评估方法。首先利用区域生长算法与水平集方法结合进行结节主体的准确分割;而后利用线性滤波模板提取结节主体周边区域的毛刺;最后引入毛刺水平指数作为毛刺特征的量化指标。在此基础上对结节有无毛刺进行分类,并与肺部图像数据库联盟(LIDC)的量化评级进行一致性和相关性分析。实验结果表明,该方法可以有效地检测并定量描述CT图像肺结节的毛刺征。     

CT图像肺及肺病变区域分割方法综述

计算机断层扫描(computed tomography, CT)技术能为新冠肺炎(corona virus disease 2019,COVID-19)和肺癌等肺部疾病的诊断与治疗提供更全面的信息,但是由于肺部疾病的类型多样且复杂,使得对肺CT图像进行高质量的肺病变区域分割成为计算机辅助诊断的重难点问题。为了对肺CT图像的肺及肺病变区域分割方法的现状进行全面研究,本文综述了近年国内外发表的相关文献：对基于区域和活动轮廓的肺CT图像传统分割方法的优缺点进行比较与总结,传统的肺CT图像分割方法因其实现原理简单且分割速度快等优点,早期使用较多,但其存在分割精度不高的缺点,目前仍有不少基于传统方法的改进策略;重点分析了基于卷积神经网络(convolutional neural network, CNN)、全卷积网络(fully convolutional network, FCN)、U-Net和生成对抗网络(generative adversarial network, GAN)的肺CT图像分割网络结构改进模型的研究进展,基于深度学习的分割方法具有分割精度高、迁移学习能力强和鲁棒性高等优点,特...     

基于短CT图像序列的肺癌节结特征提取

利用单幅CT图像进行肺部节结的识别存在较大的局限性,故把多幅相邻图像组成的短图像序列引入自动识别的过程,并根据节结的球形结构,把节结感兴趣区域(ROI)对应的原始图像看做是二维函数的三维表面,提取不同于传统图像区域特征的刻画三维表面形状且反映节结在短图像序列中变化情况的新型特征。最后用支持向量机(SVM)进行分类实验,验证了所提取特征的有效性。     

遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

基于PCNN与主动轮廓的肺CT候选结节的分割方法*

对肺CT图像中的候选结节进行分割,是计算机辅助诊断系统完成对肺结节自动检测、分类重要的步骤。然而,由于成像噪音和病变导致的图像中组织及组织与病灶之间边界模糊,故采用通常的图像分割方法难以获得正确的分割结果。文章提出一种结合四邻域连接权的脉冲耦合神经网络(PCNN)结合先验形状能量函数的主动轮廓模型来分割候选肺内与近胸膜两类肺结节的算法。实验表明,该算法是一种切实可行且行之有效的候选肺CT结节分割方法。     

面向RGB-D图像的多层特征提取算法综述

RGB-D图像包含丰富的多层特征,如底层的线特征、平面特征,高层的语义特征,面向RGB-D图像的多层特征提取结果可以作为先验知识提升室内场景重建、SLAM（simultaneous localization and mapping）等多种任务的输出质量,是计算机图形学领域的热点研究内容之一。传统的多层特征提取算法一般利用RGB图像中丰富的颜色、纹理信息以及深度图像中的几何信息提取多层特征,此类提取算法依赖输入RGB-D图像的质量,而受采集过程中环境和人为因素的影响,很难得到高质量的RGB-D图像。随着深度学习技术的快速发展,基于深度学习的多层特征提取算法突破了这一限制,涌现出一批高质量的研究成果。本文对面向RGB-D图像的多层特征提取算法进行综述。首先,汇总了现有的常用于多层特征提取任务的RGB-D数据集和相关算法的质量评价指标。然后,按照特征所处的不同层次,依次对线、平面和语义特征相关算法进行了总结。此外,本文还对各算法的优缺点进行比较并结合常用算法质量评价标准进行了定量分析。最后,讨论了当前多层特征提取算法亟待解决的问题并展望了未来发展的趋势。     

Diagnosis of lung nodule using semivariogram and geometric measures in computerized tomography images

This paper uses the geostatistical function - semivariogram and a set of 3D geometric measures - sphericity index, convexity index, extrinsic and intrinsic curvature index and surface type, to characterize lung nodules as malignant or benign in computerized tomography images. Based on a sample of 31 nodules, 25 benign and 6 malignant, these methods are first analyzed individually and then jointly, with techniques for classification and analysis (stepwise discriminant analysis, leave-one-out and ROC curve). We have concluded that the individual measures and their combinations produce good results in the diagnosis of lung nodules.     

肺部CT图像中的解剖结构分割方法综述

目的 高分辨率多层螺旋CT是临床医生研究肺部解剖结构功能、评估生理状态、检测和诊断病变的主要影像学工具。鉴于肺部各解剖结构间特殊的关联关系和图像成像缺陷、组织病变等干扰因素对分割效果的影响,学术界已在经典图像处理方法基础上针对CT图像中的肺部解剖结构分割进行了大量研究。方法 通过对相关领域有代表性或前沿性文献的归纳总结,系统性地梳理了现有肺组织、肺气管、肺血管、肺裂纹、肺叶或肺段等解剖结构CT图像分割方法的主要流程、方法理论、关键技术和优缺点,讨论了各解剖结构分割的参考数据获取、实验设计方法和结果评价指标。结果 分析了现有研究在结果精度和鲁棒性方面所面临的挑战性问题,以及基于分割结果在定位病变、定量测量、提取其他结构等方面展开的热点应用,特别详述了当前被重点关注的深度学习方法在本领域的工作进展,同时展望了本领域在分割理论方法和后续处理等步骤的发展趋势,并探索了如何在实践中根据分割结果发现新的临床生物标志。结论 快速精确地从CT图像中分割肺部各解剖结构可以获取清晰直观的3维可视化结构影像,展开解剖结构内部的定量参数测量或结构之间的关联关系分析能提供客观、有效的肺部组织疾病辅助诊断依据信息,可以大大减轻临床医生的阅片负担、提高工作效率,具有重要的理论研究意义和临床应用价值。     

胸部CT图像肺区域边界凹陷自动修补

提出用边界曲线局部极小值点连线法修补阈值分割后的CT横断面图像肺区域边界处血管和胸膜结节型凹陷。设置不同的匹配模板,实现在不同坐标系下寻找边界曲线的局部极小值点,从而确定需要修补的位置。将肺区域边界线上的点分为局部极小值点和非局部极小值点两类,连接凹陷缺口处两边的两个邻近局部极小值点,修补肺边界凹陷部分。实验表明,与通过计算边界点的曲率找边界凸点方法相比,该方法不仅有效地降低了肺实质分割的计算量,而且减少了由于过度分割造成的分割错误。