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...     

胸部CT图像肺实质分割技术研究

计算机断层扫描(Computed Tomography,CT)是诊断肺部疾病常用的方法之一,CT能显示人体肺部的断层图像,但CT图像中对于诊断肺部疾病有帮助的只有肺实质区域.因此,提供干扰更少、病灶更加明显的肺部断层图,会使医生更容易发现一些早期的疾病或得到更加准确的诊断结果.文章归纳总结了边缘检测、U-net和U-n...     

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。     

基于CT图像的肺结节计算机辅助检测研究进展

CT是检查肺癌的主要方法之一,而精度越来越高的CT在获得更清晰图像的同时,其数据量也在急剧增加,加重了医生阅片的负担.检测速度快、检测精度高的CT图像肺结节计算机辅助检测系统成为帮助医生诊断的有效工具.该综述阐述了CT图像肺结节计算机辅助检测方法的研究意义、检测过程、各类算法、研究难点,并对CT图像肺结节计算机辅助检测的现状进行了总结和展望.     

基于生成对抗网络的CT图像数据扩增

训练基于深度学习的计算机辅助诊断系统可以有效地从肺部CT图像中检测出是否受到COVID-19感染, 但目前面临的主要问题是缺乏高质量带标注的CT图像用于训练. 为了有效的解决该问题, 本文提出了一种基于生成对抗网络来扩增肺部CT图像的方法. 新方法通过生成不同感染区域的标签并通过泊松融合以增加生成图像的多样性; 通过训练对抗网络模型实现图像的转换生成, 以达到扩增CT图像的目的. 为验证生成数据的有效性, 基于扩增数据进一步做了分割实验. 通过图像生成实验和分割实验, 结果都表明, 本文提出的图像生成方法取得了较好的效果.     

肺CT图像的血管骨架化方法

在图像几何分析以及其他领域中,骨架化方法应用非常广泛。利用骨架表示图像可以保留图中的拓扑结构,减少冗余信息。在临床实践和治疗肺部疾病的过程中,如何有效地描绘并分析肺部血管骨架结构,对于计算机辅助诊断与辅助手术治疗是非常重要的。提出一种肺CT图像的血管骨架化方法:首先使用区域生长法将肺中的血管从胸腔其他组织中分离出来,接着使用数学形态学操作对分割结果进行处理,最后使用三维细化算法对血管进行骨架化。实验结果表明,该方法能快速、有效地实现肺部血管的骨架提取。     

一种基于CT图像的肺实质自动分割的简易方法

基于肺部CT图像灰度分布的特征,提出一种快速而有效的肺实质分割方法。该方法将图像阈值化和快速区域填充方法结合起来,可以自动将肺实质区域从肺部CT图像中分割出来。它首先通过一个预处理步骤以滤除随机噪声,然后采用阈值化方法对图像进行二值化,接着对所得二值图像进行腐蚀操作和面积滤波处理,并运用一种新奇而简单的区域填充方法对二值图像中非肺部区域进行填充以滤除各种干扰区域,最后经简单处理后即可从原始CT图像中分割出肺部区域。该方法实现简单高效,最终的实验结果证明了它的有效性。     

基于CT图像的肺实质分割方法

诊断肺癌的重要手段之一是高分辨率CT(High Resolution ComputedTomography,HRCT)扫描,但是医生需要丰富的阅片经验以及大量的精力时间才能阅读海量的CT图像信息。为了减少医生的精力损耗和降低漏诊率,采用计算机辅助检测成为趋势。在肺癌等肺部疾病计算机辅助诊断方法中,最核心的步骤是肺实质的分割。提出一种基于CT图像序列的新的自动肺实质分割方法,综合利用了区域生长及数学形态学开运算等算法,并通过纵向扫描方法精确定位左肺和右肺的粘连部位,从而在肺实质边界的肺结节结节容易被忽略分割及左右肺分离的难题得到了解决。对多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效。     

一种全自动的三维肺实质分割算法

精确的肺实质三维分割是对肺部病变进行计算机辅助检测或诊断的必要步骤,但复杂的胸部组织结构使得肺实质的精确分割变得较为困难。提出了一种结合阈值分割、区域增长、改进波阵面法等多种方法的全自动的三维肺实质分割方法。该方法使用计算机视觉及图像分析小组/国际肺癌早期行动计划（Computer Vision and Image Analysis Group/International Early Lung Cancer Action Program,VIA/I-ELCAP）和肺部图像数据库联盟（Lung Image Database Consortium,LIDC）提供的数据进行实验,结果证明这个方法能快速、精确地得到肺实质。     

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。     

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。     

支气管扩张CT影像计算机辅助诊断研究综述

支气管扩张症是一种常见的慢性呼吸道疾病,严重影响患者的生活质量,带来了沉重的社会经济负担。随着人工智能的发展,可利用计算机视觉领域的目标检测技术辅助诊断这类疾病。报告了支气管扩张症人工智能诊断系统的研究现状,介绍了支气管扩张症的临床诊断方式,并基于此提出了计算机辅助诊断该类疾病的诊断技术路线,总结了CT影像噪声抑制、肺实质提取、肺叶分割的传统和深度学习方法,针对支气管扩张金标准数据集匮乏的问题,从两个方面综述了目标检测应用于计算机辅助诊断的问题及挑战,详细比较了不同算法的特点和适用场景。最后讨论了未来可能的发展趋势。     

基于数据增强的CT图像病灶检测方法

基于医疗影像的辅助诊断技术正处于快速发展阶段,但是受医学影像数据量的制约,使得基于深度学习的建模方法无法向更复杂的模型进行探索.本文从医学CT影像数据增强方法出发,概述了医疗影像病灶图像的成像特点,针对病灶检测及分割任务对现有方法进行了归类总结,并阐述了当前医学影像检测和分割的难点.分别从病灶检测相关技术、影像数据增强方法、基于生成对抗网络(Generative Adversarial Network,GAN)的病灶检测方法等方面进行了总结.最后,针对医学领域内基于深度学习的数据增强方法:标准GAN、pix2pixGAN、CycleGAN模型进行了对比分析,并展望未来医学影像分析领域的发展趋势.     

Lung metastasis detection and visualization on CT images: a knowledge‐based method

A solution to the problem of lung metastasis detection on computed tomography (CT) scans of the thorax is presented. A knowledge‐based top‐down approach for image interpretation is used. The method is inspired by the manner in which a radiologist and radiotherapist interpret CT images before radiotherapy is planned. A two‐dimensional followed by a three‐dimensional analysis is performed. The algorithm first detects the thorax contour, the lungs and the ribs, which further help the detection of metastases. Thus, two types of tumors are detected: nodules and metastases located at the lung extremities. A method to visualize the anatomical structures segmented is also presented. The system was tested on 20 patients (988 total images) from the Oncology Department of La Chaux‐de‐Fonds Hospital and the results show that the method is reliable as a computer‐aided diagnostic tool for clinical purpose in an oncology department. Copyright © 2002 John Wiley & Sons, Ltd.     

一种新的多区域肝脏CT图像分割方法

肝脏CT图像分割是肝脏计算机辅助诊断系统中最关键的部分,也是医学图像分割中的一个难点.已有的算法一般只能分割出多区域肝脏CT图像中某一区域,针对这一问题,提出了一种新的多区域肝脏CT图像分割方法.首先利用自动双阈值方法进行初步分割,然后利用图像的灰度信息及相邻肝脏CT图像的面积、形状变化比较小等信息来进行多区域肝脏CT图像分割.通过仿真实验,证明该方法能够准确、快速的对多区域肝脏CT图像进行自动分割.     

Novel Contiguous Cross Propagation Neural Network Built CAD for Lung Cancer

The present progress of visual-based detection of the diseased area of a malady plays an essential part in the medical field. In that case, the image processing is performed to improve the image data, wherein it inhibits unintended distortion of image features or it enhances further processing in various applications and fields. This helps to show better results especially for diagnosing diseases. Of late the early prediction of cancer is necessary to prevent disease-causing problems. This work is proposed to identify lung cancer using lung computed tomography (CT) scan images. It helps to identify cancer cells’ affected areas. In the present work, the original input image from Lung Image Database Consortium (LIDC) typically suffers from noise problems. To overcome this, the Gabor filter used for image processing is highly enhanced. In the next stage, the Spherical Iterative Refinement Clustering (SIRC) algorithm identifies cancer-suspected areas on the CT scan image. This approach can help radiologists and medical experts recognize cancer diseases and syndromes so that serious progress can be avoided in the early stages. These new methods help to remove unwanted portions of the CT image and better utilization the image. The subspace extraction of features approach is beneficial for evaluating lung cancer. This paper introduces a novel approach called Contiguous Cross Propagation Neural Network that tends to locate regions afflicted by lung cancer using CT scan pictures (CCPNN). By using the feature values from the fourth step of the procedure, the proposed CCPNN tends to categorize the lesion in the lung nodular site. The efficiency of the suggested CCPNN approach is evaluated using classification metrics such as recall (%), precision (%), F-measure (percent), and accuracy (%). Finally, the incorrect classification ratios are determined to compare the trained networks’ effectiveness, through these parameters of CCPNN, it obtains the outstanding performance of 98.06% and it has provided the lowest false ratio of 1.8%.     

基于欧氏距离变换的肺实质修补

在胸部CT图像的肺实质提取过程中,往往存在诸如过分割等问题,因此有必要对分割出的肺实质图像进行修补,论文提出了一种基于欧氏距离变换的肺实质修补算法.该算法是在初提取肺实质之后,利用欧氏距离变换将肺部边缘的血管和肺结节恢复,从而得到包含病灶区域在内的完整的肺实质.采用该算法对45个病人的胸部CT图像中缺失的肺实质进行了修补,结果显示该算法的正确率达90％以上,证明了该方法的可靠性和有效性.     

肺部影像解剖结构分割数据集及应用

目的 从影像中快速精准地分割出肺部解剖结构可以清晰直观地分辨各解剖结构间的关系,提供有效、客观的辅助诊断信息,大大提高医生的阅片效率并降低医生的工作量。随着影像分割算法的发展,越来越多的方法应用于分割肺部影像中感兴趣的解剖结构区域,但目前尚缺乏包含多种肺部精细解剖结构的影像数据集。本文创建了一个带标签的肺部CT/CTA （computer tomography/computer tomography angiography）影像数据集,以促进肺部解剖结构分割算法的发展。方法 该数据集共标记了67组肺部CT/CTA影像,包括CT影像24组、CTA影像43组,共计切片图像26 157幅。每组CT/CTA有4个不同的目标区域类别,标记对应支气管、肺实质、肺叶、肺动脉和肺静脉。结果 本文利用该数据集,用于肺部CT解剖结构分割医学影像挑战赛——2020年第四届国际图像计算与数字医学研讨会,该挑战赛提供了一个肺血管、支气管和肺实质的评估平台,通过Dice系数、过分割率、欠分割率、医学和算法行业专家对分割和3维重建效果进行了评估,目的是比较各种算法分割肺部解剖结构的性能。结论 本文详细描述了包括支气管、肺实质、肺叶、肺动脉和肺静脉等解剖结构标签的肺部影像数据集和应用结果,为相关研究人员利用本数据集进行更深入的研究提供参考。