基于样条曲线拟合的肺区轮廓修补算法*

当肿瘤处于肺的边缘时,依据CT图像分割出的肺区有缺陷,肿瘤可能被排除在分割出的肺区外.为了解决这一问题,根据肺区外侧轮廓的形状特征,抽取多个控制点,使用Cardinal样条曲线拟合肺区轮廓.拟合后的边界成功地把肿瘤包含在肺区内.     

病理性肺部粘连肿瘤分割

病理性肺部粘连肿瘤的分割是放射治疗靶区界定的关键。本文利用CT序列图像分割出完整肺区中的肿瘤边界信息,然后应用这些信息对其相邻CT图片中粘连肿瘤作进一步分割。使用重叠率和边界位置评价方法,对分割结果与放射科医生手工勾画的边界作了比较。结果说明该方法是可行的。     

基于欧氏距离变换的肺部粘连肿瘤分割算法

以肺部CT图像为研究对象,针对肺部粘连肿瘤图片本身的特点,提出了一种基于边缘跟踪的二维欧氏距离变换算法.从目标区域的最外层边界开始,自外向内对目标区域进行边缘跟踪、腐蚀,直到肿瘤区粘连部分与肺部边界分离.算法能够计算精确的欧氏距离.通过实验分割出的肿瘤和放射科医生手工勾画的肿瘤轮廓对比,5幅病例图像重叠率达到了75%左右,实验结果表明该方法对于中晚期肺部粘连肿瘤的分割有一定的效果.     

基于CT图像的肺部肿瘤自动定位系统

系统自动检测出CT图像中的肺癌区域,并精确地勾画出肺癌的轮廓。应用核心的分割算法分割肺区,针对检测肺癌这个特定的临床任务所做的肺区轮廓修补操作也是必需的。根据周长,面积,直径,形状参数,平均CT值等特征,构造分类器来判别提取出的结节的性质,将最终定性为肺癌的区域的轮廓精确地勾画出来作为系统的输出结果。     

一种改进的交互式CT胸部图像肺实质分割方法

提出一种交互式的肺实质分割算法,该算法充分利用序列CT图像相邻层中肺实质轮廓变化缓慢的特点,结合且改进了Live-Wire模型、Snake模型以及轮廓插值方法.并辅以操作人员的专业知识.首先人工的在序列CT图像中选取肺实质的关键层,然后通过Live-Wire模型交互式的勾勒其轮廓,再进行轮廓插值得到其他层肺实质的初始轮廓,最后通过Snake模型演化得到所有层的肺实质准确分割结果,并加以手工修正.实验结果表明,该算法能快速准确的从序列CT图像中分割出肺实质.     

基于统计跳变回归分析的肺部CT图像分割

在肺癌的放射治疗应用中,对肿瘤的分割是自动定位的关键。由于肺区CT图像中存在细小的支气管、血管以及纹理,这给肿瘤的分割带来了困难。用传统的滤波方法不能在抑制肺区内细节的同时保持肺区及肿瘤的边界。采用统计跳变回归分析方法对CT图像进行预处理,处理后的肺区中细小的支气管和血管以及纹理被抑制,并且该方法具有良好的保边性,这有利于之后对肺区和肿瘤的分割。实验表明该方法是有效的。     

基于多空间图像融合的白细胞自动分割

针对目前白细胞分割存在的准确率不高、粘连细胞不易分割等问题,提出基于多空间图像融合的白细胞自动分割算法。根据细胞显微图像饱和度分量S和蓝色分量B的分布特点,构造融合图像,减弱内部空洞对分割的影响,为细胞核和单细胞的初分割奠定基础。对于粘连细胞图像,利用轮廓相邻点的行列式检测细胞边缘轮廓凹点并根据凹点索引值关系式定位粘连区域,最后采用线性插值修补轮廓。实验结果表明,上述算法可精确分割白细胞,分割正确率达到96%。     

基于改进窄带水平集的三维肝脏肿瘤分割

三维肝脏肿瘤识别是当前研究的热点问题,如何准确快速地从腹部CT序列中分割出肝脏肿瘤是肝部病变诊断的基础。针对水平集方法在进行分割时收敛速度较慢,设置窄带宽度固定不灵活的缺点,先利用分水岭算法,对肝脏图像进行“过分割”,搜索初始轮廓所在的分水岭块作为窄带区域进行标记,在窄带区域内用水平集算法使初始轮廓线收敛至准确轮廓。再以其边缘作为相邻CT序列的肿瘤初始轮廓,找出初始轮廓线所在的分水岭块,构成新的窄带,用水平集算法对轮廓线进行迭代分割出肿瘤。重复该过程,直至完成整个肝脏序列图像的肿瘤图像分割,进行三维重建。     

融合超像素和CNN的CT图像分割方法

提出了一种融合超像素和CNN的CT图像器官主动轮廓分割方法。用超像素SLIC方法将CT图像网格化并分配标签;将网格化后图像作为数据集训练CNN网络分割出器官（如肝脏、肺部等）边界超像素,并将这些超像素的种子点连接成为粗分割边界;将粗分割边界作为初始轮廓,进行模糊主动轮廓分割得到CT图像中器官的边界。经过实验对比,该方法对肺部CT图像的分割平均DC系数达到97%、平均ASD系数达到1.23 mm。在肝脏CT图像方面与参考算法进行相比,在保证分割精度的前提下,VOE系数平均减少1%,切片图像的分割时间平均提高10 s。     

基于约束随机游走的肿瘤图像分割方法

精确的肺部肿瘤区域分割对于放射治疗和手术计划的制定至关重要。针对目前基于单模态图像的肺部肿瘤区域分割的精度较低等问题,综合PET和CT图像的优缺点,提出一种全新的多模态肺部肿瘤图像分割方法。首先,使用区域生长法和数学形态学法对PET图像进行预分割以获取初始轮廓,初始轮廓用于获取PET图像和CT图像上随机游走所需的种子点,同时作为约束加入到CT图像的随机游走过程中;依据CT图像解剖特征较强的特点,利用CT解剖特征改进PET图像上随机游走的权值;最终将 PET图像和CT图像上随机游走所获得的相似度矩阵进行加权,在PET图像和CT图像上获得一个相同的分割轮廓。实验表明,相较于其他传统分割算法,所提方法在肺部肿瘤区域分割上具有更高的精确度和更好的稳定性。     

低秩和主动形状模型的肺区分割

目的 肺区分割是肺癌计算机辅助诊断系统的首要步骤。主动形状模型（active shape model,ASM）能根据训练集获得肺区形状模型,再结合待分割肺区影像自身的局部特征,进行测试影像的分割。由于主成分分析（principal component analysis,PCA）仅能去除服从高斯分布的噪声,不能处理其他类型的噪声,所以当训练集含有非高斯类型的噪声样本时,采用基于PCA的ASM无法训练出正确的形状模型,使得肺区分割不能得到正确的结果。而低秩（low rank,LR）理论的鲁棒主成分分析（robust principal component analysis,RPCA）能去除各种类型的噪声,基于此,本文提出一种将RPCA与ASM相结合的方法。方法 首先对训练样本集标记点矩阵进行低秩分解,去除噪声样本对训练出的形状模型的影响。然后在ASM训练局部梯度模型时,用判断训练样本轮廓上的标记点曲率直方图的相似度来去除噪声样本。结果 在训练集含噪声样本时,将基于RPCA的ASM与传统ASM（即基于PCA的ASM）分别生成的形状模型进行对比,发现基于RPCA的ASM生成的形状模型与训练集无噪声样本时传统ASM生成的形状模型更相符。在训练集含噪声样本的情况下,基于RPCA的ASM方法分割EMPIRE10数据集中的22个肺影像,与金标准的重叠度为94.5%,而基于PCA的ASM方法分割准确率仅为69.5%。结论 实验结果表明,在训练样本集中有噪声样本的情况下,基于RPCA的ASM分割能得到比基于PCA的ASM更好的分割效果。     

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%。     

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...     

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。     

应用规则的肺结节识别系统

为了检测胸部CT图像中的肺结节,提出一种基于应用规则的自动识别肺结节的系统。在识别系统中通过自动阈值法和轮廓跟踪法分割肺实质;采用OTSU算法分割肺实质中的感兴趣区域,对感兴趣区域的特征进行提取;选择对肺结节和血管区别度较大的特征。根据选取的这些特征设定识别肺结节的规则来确定肺结节的候选区域。实验结果表明,该系统对直径1 cm以上的结节具有较好的识别性能。     

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。     

融合多维度卷积神经网络的肺结节分类方法

针对CT图像肺结节分类任务中分类精度低,假阳性高的问题,提出了一种加权融合多维度卷积神经网络的肺结节分类模型,该模型包含两个子模型：基于二维图像的多尺度密集卷积网络模型,以捕获更宽泛的结节变化特征并促进特征重用;基于三维图像的三维卷积神经网络模型,以充分利用结节空间上下文信息。使用二维和三维CT图像训练子模型,根据子模型分类误差计算其权重,对子模型分类结果进行加权融合,得到最终分类结果。该模型在公共数据集LIDC-IDRI上分类准确率达到94.25%,AUC值达到98%。实验结果表明,加权融合多维度模型可以有效地提升肺结节分类性能。     

对在CT中不可见相邻齿廓线自动重构的研究

为了适于口腔修复仿真的需要,要在CT断层图像中获得每颗牙齿完整的断面轮廓线.而CT图像因相邻齿断面密度高度一致而造成的其间轮廓线的不可见,导致难以直接对每颗牙齿断面轮廓线进行完整地提取.先提取出每幅牙列断面的整体连续外轮廓,然后在给定区域内自动确定相邻齿廓线的交汇点;再分别以同侧的两个相邻交汇点为端点,其间的轮廓点为型值点,构建标准三次B样条曲线作为每颗牙齿的部分齿廓线;然后,分别求出相邻齿廓线在交汇点处的一阶导矢,进而求出该交汇点处的平均导矢;最后,以两两相对的交汇点为端点构建三次Hermit样条插值曲线,并以此做为不可见的轮廓线,经实例验证,达到了自动重构每一单独牙齿三维模型的要求.重构丢失齿廓线的方法,在仿真上能够满足临床要求.