基于目标检测算法的肺结节辅助诊断系统

据统计,肺癌在全世界范围内是发病率、致死率最高的疾病之一。随着计算机辅助诊断系统（CAD）和卷积神经网络（CNN）的成熟化,医疗领域的诊断治疗也逐渐智能化。本文提出一种基于目标检测算法的肺结节自动检测方法,并提出一套将阈值分割算法和数字形态学处理相结合的肺实质CT影像处理流程。对LUNA16数据集中的1186个肺结节进行训练和学习,观察YOLO V3模型在数据集中的评价结果来验证模型,实验结果准确率达到92.18%,每张图片平均检测时间为0.035 s。与现有的肺结节检测算法SSD、CNN、U-Net等模型进行对比试验,以验证YOLO V3模型的有效性。同时本文基于CAD技术设计肺结节辅助诊断系统,实现人机交互,为医生提供简单明了的辅助诊断工具。     

基于深度学习的计算机辅助肺癌诊断方法

癌症,是21世纪死亡率较高的疾病之一,而肺癌在所有癌症发病率及死亡率中均占首位.近年来,随着大数据与人工智能的兴起,基于深度学习的肺癌辅助诊断逐渐成为热门的研究课题.计算机辅助肺癌诊断技术主要是对医学仪器成像得到的肺部影像数据进行处理分析的过程,文中将这类过程总结为4个步骤:医学影像数据预处理、肺实质分割、肺结节检测与分割,以及病变诊断.由于深度学习技术对于训练数据的数量需求较高,而目前领域内公开较多的数据主要是肺部CT图像的结节数据,因此深度学习上对于肺癌辅助诊断的工作主要是肺内实质部分分割、肺结节检测分割以及病变分析的工作.文中对于面向肺癌辅助诊断的传统医学影像处理方法进行了简单介绍,并对前沿的深度学习医学影像处理方法进行了综述.     

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.     

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.     

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。     

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...     

CT图像肺结节计算机辅助检测与诊断技术研究综述

肺结节计算机辅助诊断（Comput er-aided diagnosis,CAD）能够从CT图像中检测、分割和诊断肺结节,提高早期肺癌的生存率,因而具有重要临床意义。由于肺结节的形态根据其类型、尺寸、位置、内部结构及恶性与否等动态变化,导致肺结节检测和诊断已经成为一个重大的挑战问题。本文对比分析了CAD系统中肺实质分割、肺结节检测、肺结节分割以及肺结节良恶性判断等4个步骤所运用的关键技术及挑战,并指出开发有效CAD系统需要进一步优化不同类型结节诊断算法灵敏度、降低结节检测误报数量、提高诊断自动化水平,同时需要集成影像存储与通信系统（Picture archiving and communication systems, PACS）以及电子病历系统（Electronic medical record systems, EMRS）,以便在日常临床实践中应用。     

U-Net在肺结节分割中的应用进展

医学上实现自动肺结节精准分割具有十分重要的临床意义。随着计算机视觉的显著进步，深度学习作为人工智能的一部分，在医学图像自动分割中引起了越来越多的关注。U-Net由于在小样本数据集上的良好表现，在医学图像分割领域得到广泛应用。目前，研究人员正在尝试使用不同的U-Net结构，以提高计算机辅助诊断系统在医学图像的肺癌筛查中的性能。首先，围绕肺结节分割任务介绍了当下常用的数据集和评价指标；其次，调查与肺结节相关的U-Net分割技术网络；另外，基于U-Net分别分析与归纳编解码器、跳跃连接和整体结构的改进；最后，还讨论了基于深度学习的自动分割技术的挑战和限制。     

多任务自主学习的肺癌诊断方法

针对实际任务中肺部CT图像标注数据集稀少的问题,提出一种基于自主学习的U-Net模型与C3D多任务学习网络相结合的肺癌诊断方法。对LUNA16数据集和DSB数据集进行预处理,确保切片图像体素、方向一致,利用C3D多任务学习网络模型构建肺结节检测模型,使用165张LUNA16的切片图像和161张DSB的切片图像训练改进的U-Net网络模型,并采用自主学习方式扩充标注样本,构建肿块检测模型。在此基础上,综合结节与肿块检测结果得到最终的肺癌诊断结果。实验结果表明,该方法的肺癌检测精度为85.3%±0.3%,达到了监督学习策略的检测精度。     

肺结节DR图像的计算机辅助诊断技术

在胸部DR图像中,肺结节一直是备受关注的焦点,其早期检出及良恶性的鉴别对肺癌的早期诊断和治疗尤为重要。但是由于肺结节形态多变,大小各异以及位置不固定等因素,其检测诊断一直是放射学家的一个难点,随着计算机辅助诊断逐渐成为医学领域的研究热点之一,越来越多的学者致力于开发肺结节的计算机辅助诊断系统,利用计算机辅助诊断系统提高医生在肺结节检测和诊断上的准确率和减少漏诊率。本文介绍了计算机辅助诊断系统的构成,重点讨论了计算机辅助检测和诊断的关键技术,最后采用实验对胸部DR图像进行了肺结节的识别工作。     

深度学习在医学影像中的应用综述

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。     

基于3D CNN的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分.传统的结节检测方法严重依赖先验知识,流程繁琐,性能并不理想.在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征.该文以密集神经网络为基础设计了一个三维结节假阳性筛查模型—三维卷积神经网络模型(TDN-CNN)...     

结合Sobel算子和Mask R-CNN的肺结节分割

肺癌不断威胁着人类健康,计算机辅助诊断对肺癌诊断将发挥重要的作用.卷积神经网络(CNNs)在对图像的处理上表现出有目共睹的优秀性能,医学Computed Tomography(CT)图像是用来诊断肺癌的主要检查方式,用深度学习分割病灶的方法可以实现端对端的辅助诊断,这将节省医生的诊断时间,为患者争取最佳治疗时间.LIDC-IDRI(The Lung Image Database Consortium)数据集影像中的癌症部分与其他组织部分的放射密度十分接近,而且往往癌症部分非常小,背景具有非常强的相似性.本文使用传统的Sobel算子对图像中放射密度高的部分进行边缘锐化处理,用强化边缘特征的方法解决前景与背景灰度相似的问题,然后在使用传统的分割方法--阈值分割进一步强化.本文减小Regions of Interest(RoIs)的大小以适应肺结节的特征,减少RoIs的个数以避免过多的负类样例训练产生退化的模型;在传统图像增强处理方法和深度学习的结合下,获得了一个优化的Mask R-CNN模型,在LIDC-IDRI数据集上的测试结果中,基于Intersection over Union(IoU)=0.5的标准下的肺结节平均精度mAP达到72.2%,在FPR为0.226时的TPR达到0.915.     

Tree-based modelling for the classification of mammographic benign and malignant micro-calcification clusters

Multimedia Tools and Applications - Computer Aided Detection (CAD) systems are being developed to assist radiologists in diagnosis. For breast cancer the emphasis is shifting from detection to...     

A systematic survey of deep learning in breast cancer

In recent years, we witnessed a speeding development of deep learning in computer vision fields like categorization, detection, and semantic segmentation. Within several years after the emergence of AlexNet, the performance of deep neural networks has already surpassed human being experts in certain areas and showed great potential in applications such as medical image analysis. The development of automated breast cancer detection systems that integrate deep learning has received wide attention from the community. Breast cancer, a major killer of females that results in millions of deaths, can be controlled even be cured given that it is detected at an early stage with sophisticated systems. In this paper, we reviewed breast cancer diagnosis, detection, and segmentation computer-aided (CAD) systems based on state-of-the-art deep convolutional neural networks. The available data sets also indirectly determine CAD systems' performance, so we introduced and discussed the details of public data sets. The challenges remaining in CAD systems for breast cancer are discussed at the end of this paper. The highlights of this survey mainly come from three following aspects. First, we covered a wide range of the basics of breast cancer from imaging modalities to popular databases in the community; Second, we presented the key elements in deep learning to form the compactness for methods mentioned in reviewed papers; Third and lastly, the summative details in each reviewed paper are provided so that interested readers can have a refined version of these works without referring to original papers. Therefore, this systematic survey suits readers with varied backgrounds and will be beneficial to them.     

深度学习在肺结节辅助诊断中的应用

肺癌位居癌症死亡率首位,对其进行早期诊断和治疗可降低肺癌患者的死亡率。深度学习能够自动提取结节特征,并完成肺结节的良恶性及恶性等级分类,因此深度学习方法成为肺癌早期诊断的重要手段。对常用数据集进行介绍,系统阐述了栈式去噪自编码器（SDAE）、深度置信网络（DBN）、生成对抗网络（GAN）、卷积神经网络（CNN）、循环神经网络（RNN）和迁移学习技术在肺结节良恶性分类中的应用,阐述了深度卷积生成对抗网络（DCGAN）、多尺度卷积神经网络（MCNN）、U型网络（U-Net）和集成学习技术在肺结节恶性等级分类中的应用,针对肺结节分类的深度学习方法进行了综合分析,并对未来研究方向进行展望。     

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。     

Automated detection of lung nodules in computed tomography images: a review

Lung nodules refer to a range of lung abnormalities the detection of which can facilitate early treatment for lung patients. Lung nodules can be detected by radiologists through examining lung images. Automated detection systems that locate nodules of various sizes within lung images can assist radiologists in their decision making. This paper presents a study of the existing methods on automated lung nodule detection. It introduces a generic structure for lung nodule detection that can be used to represent and describe the existing methods. The structure consists of a number of components including: acquisition, pre-processing, lung segmentation, nodule detection, and false positives reduction. The paper describes the algorithms used to realise each component in different systems. It also provides a comparison of the performance of the existing approaches.