基于语义属性的肺结节良恶性分类

现有肺结节良恶性计算机辅助诊断的依据通常为肺部CT图像的底层特征,而临床医生的诊断依据为高级语义特征.为克服这种图像底层特征和高级语义特征之间的不一致性,提出一种基于语义属性的肺结节良恶性判别方法.首先,利用阈值概率图方法提取肺结节图像;其次,一方面提取肺结节图像的形状、灰度、纹理、大小和位置等底层特征,组成样本特征集.另一方面,根据专家对肺结节属性的标注,提取结节属性集;然后,根据特征集和属性集建立属性预测模型,实现两者之间的映射;最后,利用预测的属性进行肺结节的良恶性分类.LIDC数据库上的实验结果表明所提方法具有较高的分类精度和AUC值.     

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MDRA-net的肺结节良恶性分类方法

CT图像肺结节大小、形状和纹理的多样性，导致肺结节的良恶性诊断十分困难。在三维卷积神经网络的基础上，提出了一种基于多深度残差注意力机制的网络（MDRA-net），用于良恶性肺结节分类。MDRA-net通过在残差分支上使用特征融合及迭代分层融合的方法，提升了网络对结节位置特征及全局特征的感知能力；此外，结合注意力机制，引入projection and excitation模块，利用空间和通道信息进行校准，进一步提升了网络提取特征的能力。在LUNA16数据集上的实验结果表明，MDRA-net分类模型的肺结节检测准确率达96.52%，灵敏度和特异性分别为93.01%和97.77%，较现有的基于深度学习的肺结节良恶性分类模型有较大提升。     

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...     

融合多尺度决策的肺结节分类研究

计算机辅助算法在医学图像疾病诊断中发挥着重要作用,一套准确的诊断系统是极其重要的。虽然现有肺结节分类模型性能已经有了很大提升,但在提取特征、提高准确率和降低假阳率方面存在不足。为了解决深度学习网络结构与肺结节图像的匹配问题,将3D多尺度作为输入,以DPN作为主干网络,能够更有效地提取图像特征信息,文中构造一种多尺度决策层融合网络模型,来区分肺结节的恶性和良性,该模型能够从原始图像中自动提取全面的图像特征。在肺图像数据库联盟图像采集(LIDC-IDRI)数据库上进行了一系列实验,结果表明,所提出的多尺度决策融合模型准确率要高于其他分类模型,具有良好的稳定性和鲁棒性。     

面向肺结节多语义特征分类的不确定性多任务损失方法

肺结节的早期诊断对后续的治疗非常重要.尽管深度学习方法在肺结节良恶性分类等任务中取得了良好的结果,但是这些方法没有提供有意义的诊断功能,导致获得的结果缺乏客观性.越来越多的研究者引入了肺结节的其他语义特征来解决这个问题,但是多个语义特征的引入会造成模型的负迁移.为了解决肺结节多个语义特征之间同步共享知识的程度不同造成的...     

基于深度学习的肺结节良恶性及恶性等级分类应用

肺结节精确分类是提前诊断肺癌的基础。若能在早期检测恶性肺结节并干预处理，对患者预后有很大影响。深度学习能够自动提取肺结节的特征，完成肺结节的良恶性及恶性等级分类。基于此，介绍LIDC-IDRI及LUNA16这两个常用的肺结节数据集，阐述卷积神经网络（Convolutional Neural Networks,CNN）、视觉几何组（Visual Geometry Group,VGG）、迁移学习肺结节良恶性分类中的应用及其实验对比，总结U-Net、生成对抗网络（Generative Adversarial Networks,GAN）应用于恶性肺结节等级分类及该网络的相关研究现状，最后综合分析深度学习在该领域的应用情况。     

基于CT征象量化分析的肺结节恶性度分级

为了提高肺结节恶性度分级的计算精度及可解释性,该文提出一种基于CT征象量化分析的肺结节恶性度分级方法。首先,融合影像组学特征和通过卷积神经网络提取的高阶特征构造分析CT征象所需的特征集; 接着,在混合特征集的基础上利用进化搜索机制优化集成学习分类器,实现对7种肺结节征象的识别和量化打分; 最后,将7种CT征象的量化打分输入到一个利用差分进化算法优化产生的多分类器,实现肺结节恶性度的分级计算。在实验研究中使用LIDC-IDRI数据集中的2000个肺结节样本进行进化集成学习器和恶性度分级器的训练和测试。实验结果显示对7种CT征象的识别准确率可达0.9642以上,肺结节恶性度分级的准确率为0.8618,精确率为0.8678,召回率为0.8617,F1指标为0.8627。与多个典型算法的比较显示,该文方法不但具有较高的准确率,而且可对相关CT征象进行量化分析,使得对恶性度的分级结果更具可解释性。     

基于Adaboost-GA模型的电商情感数据分析方法

传统电商情感数据分析往往采用数据挖掘方法分别从数据区分和特征区分的角度来判断商品评价情感倾向。鉴于此，提出了一种基于Adaboost-GA模型的商品评论情感分析方法，首先从数据区分的角度综合多个弱分类器而形成强分类器，提高分类算法的泛化和分类能力；其次从特征区分的角度降低数据特征之间的多重共线性进而提高模型的分类效果。实验结果表明，结合朴素贝叶斯算法的Adaboost-GA模型的平均分类准确率达到了90.53%,说明该模型在商品评论分类应用中能够取得较好的分类效果。     

基于CT征象量化分析的肺结节恶性度分级

为了提高肺结节恶性度分级的计算精度及可解释性,该文提出一种基于CT征象量化分析的肺结节恶性度分级方法.首先,融合影像组学特征和通过卷积神经网络提取的高阶特征构造分析CT征象所需的特征集; 接着,在混合特征集的基础上利用进化搜索机制优化集成学习分类器,实现对7种肺结节征象的识别和量化打分; 最后,将7种CT征象的量化打分输入到一个利用差分进化算法优化产生的多分类器,实现肺结节恶性度的分级计算.在实验研究中使用LIDC-IDRI数据集中的2000个肺结节样本进行进化集成学习器和恶性度分级器的训练和测试.实验结果显示对7种CT征象的识别准确率可达0.9642以上,肺结节恶性度分级的准确率为0.8618,精确率为0.8678,召回率为0.8617,F1指标为0.8627.与多个典型算法的比较显示,该文方法不但具有较高的准确率,而且可对相关CT征象进行量化分析,使得对恶性度的分级结果更具可解释性.     

Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images

Small pulmonary nodules are a common radiographic finding that presents an important diagnostic challenge in contemporary medicine. While pulmonary nodules are the major radiographic indicator of lung cancer, they may also be signs of a variety of benign conditions. Measurement of nodule growth rate over time has been shown to be the most promising tool in distinguishing malignant from nonmalignant pulmonary nodules. In this paper, we describe three-dimensional (3-D) methods for the segmentation, analysis, and characterization of small pulmonary nodules imaged using computed tomography (CT). Methods for the isotropic resampling of anisotropic CT data are discussed. 3-D intensity and morphology-based segmentation algorithms are discussed for several classes of nodules. New models and methods for volumetric growth characterization based on longitudinal CT studies are developed. The results of segmentation and growth characterization methods based on in vivo studies are described. The methods presented are promising in their ability to distinguish malignant from nonmalignant pulmonary nodules and represent the first such system in clinical use.     

基于粗糙集特征级融合的肺结节检测算法

以肺结节的检测为研究目标,针对肺结节特征级融合检测算法中存在特征结构不合理和特征表达不紧致两个问题,提出了一种基于粗糙集特征级融合的肺结节检测算法,该算法首先分析肺部CT影像的医学征象,提出了六个新的三维特征,并综合其他二维和三维特征共42维特征分量共同量化ROI;然后基于粗糙集对提取的特征集合进行5次特征级融合实验;最后利用网格寻优算法优化核函数的SVM作为分类器进行肺结节识别.以70例肺结节患者的肺部CT影像为原始数据,通过4组对比实验验证算法的有效性和稳定性,实验结果表明,经过粗糙集特征级融合的肺结节检测算法识别肺结节的能力得到了有效提升.     

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.     

Lung No dules Detection in CT Images Using Gestalt-Based Algorithm

To overcome low accuracy and high false positive of existing computer-aided lung nodules detec-tion. We propose a novel lung nodule detection scheme based on the Gestalt visual cognition theory. The pro-posed scheme involves two parts which simulate human eyes cognition features such as simplicity, integrity and classification. Firstly, lung region was segmented from lung Computed tomography (CT) sequences. Then local three-dimensional information was integrated into the Maximum intensity projection (MIP) images from axial, coronal and sagittal profiles. In this way, lung nodules and vascular are strengthened and discriminated based on pathologic image characteristics of lung nodules. The experimental database includes fifty-three high resolution CT images contained lung nodules, which had been confirmed by biopsy. The experimental results show that, the accuracy rate of the proposed algorithm achieves 91.29%. The proposed frame-work improves performance and computation speed for computer aided nodules detection.     

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。     

Morphological segmentation and partial volume analysis for volumetry of solid pulmonary lesions in thoracic CT scans

Volumetric growth assessment of pulmonary lesions is crucial to both lung cancer screening and oncological therapy monitoring. While several methods for small pulmonary nodules have previously been presented, the segmentation of larger tumors that appear frequently in oncological patients and are more likely to be complexly interconnected with lung morphology has not yet received much attention. We present a fast, automated segmentation method that is based on morphological processing and is suitable for both small and large lesions. In addition, the proposed approach addresses clinical challenges to volume assessment such as variations in imaging protocol or inspiration state by introducing a method of segmentation-based partial volume analysis (SPVA) that follows on the segmentation procedure. Accuracy and reproducibility studies were performed to evaluate the new algorithms. In vivo interobserver and interscan studies on low-dose data from eight clinical metastasis patients revealed that clinically significant volume change can be detected reliably and with negligible computation time by the presented methods. In addition, phantom studies were conducted. Based on the segmentation performed with the proposed method, the performance of the SPVA volumetry method was compared with the conventional technique on a phantom that was scanned with different dosages and reconstructed with varying parameters. Both systematic and absolute errors were shown to be reduced substantially by the SPVA method. The method was especially successful in accounting for slice thickness and reconstruction kernel variations, where the median error was more than halved in comparison to the conventional approach.