DICOM格式医学图像的读取与显示

目的探讨DICOM格式医学图像的读取与显示方法,为后续的图像处理和临床诊断提供预处理和理论基础。方法首先分析DICOM格式文件的结构,然后给出开窗显示的理论分析,最后,利用C/C＋＋语言在VC（（开发环境下编程实现DICOM格式医学图像的读取和显示。结果该方法实现了DICOM格式医学图像的读取和显示。结论 DICOM格式医学图像的读取和显示在医学图像处理和临床中的应用具有重要意义。     

多尺度增强算法在肺结节计算机辅助检测中的应用探讨

目的研究多尺度增强算法对肺小结节的增强能力及将其作为肺结节计算机辅助检测的处理方法的可行性。方法针对肺结节的形态特点,采用高斯函数模拟肺结节,运用多尺度图像增强滤波器算法,增强肺结节提取兴趣区,供后续的分类判别使用。结果通过对肺部CT图像的应用,说明多尺度增强算法能很好地检测疑似肺结节兴趣区。结论多尺度增强算法对帮助医师检测肺结节有明显的作用,是一种有效的图像预处理方法,对肺结节的计算机辅助检测有较大应用价值。     

计算机辅助检测系统在CT筛查肺结节中的应用研究

目的通比较CAD、医生双阅片、医生结合CAD阅片三种CT筛查肺结节方式,评价计算机辅助检测系统(CAD)在CT筛查肺结节中的应用价值。方法从CT扫描的无症状体检者中,应用随机抽样方法抽取60例肺结节患者。分别使用3种方式阅读图像,方法A:应用CAD软件对图像进行自动诊断;方法B:由2名放射科医生共同阅读图像并以一致意见作为诊断;方法C:由另外1名同等年资的放射科医生结合CAD软件阅读图像并做出诊断。结节参照标准由3位主任医生共同拟定。应用χ2检验分析三种阅读方式灵敏度是否存在差异,P0.05为差异有统计学差异。结果 CAD、医生双阅片、医生结合CAD三种方式肺结节检出灵敏度分别为75.1%、73.8%、87.3%。医生结合CAD方式肺结节检出灵敏度显著高于CAD、医生双阅片方式(P=0.001,P=0.0003)。CAD与医生双阅片方式之间肺结节检出灵敏度没有显著差异(P=0.74)。结论 CAD系统可以提高放射科医生肺结节检出能力,且医生结合CAD诊断方式优于同年资医生双阅片方式。     

基于区域增长的肺结节自适应形态分割

目的 提高计算机辅助诊断系统对胸部CT图像中肺结节,特别是与胸膜相连和与血管相连的肺结节分割的准确性.方法 首先提出了肺结节图像的自动分割过程.然后,应用基于对比度和梯度的区域增长方法 .获得肺结节的分割图像.最后,针对区域增长法不能成功分割的特殊情况,提出了自适应形态分割算法.结果 对临床2D肺部CT图像的初步实验结果 表明,应用本算法能够成功的将孤立性肺结节和与胸膜或血管相连的肺结节分割出来.结论 这是一种实用的肺结节自动分割算法.     

孤立性肺结节计算机辅助诊断系统的研究

孤立性肺结节是肺部的常见病灶,其良恶性诊断具有重要医学意义。利用计算机辅助诊断系统可提高医生诊断的准确率,减少漏诊率。构建了肺结节计算机辅助诊断系统,并选取了77例已确诊的孤立性肺结节的CT图像,并对系统性能进行了研究。该辅助诊断系统提取了67个图像模式特征,通过遗传算法对特征进行选择,选出高性能的特征子集,采用支持向量机作为分类器鉴别结节良恶性。试验结果表明,该方法可获得可靠的结果。     

DICOM图像到BMP图像的转换

目的探讨DICOM图像转换成BMP图像的方法,以便于对DICOM图像进行读取、处理、存贮。方法分析DICOM图像和BMP图像文件格式,读取DICOM图像数据并进行加窗显示、垂直镜像变换,以BMP格式存储。结果此方法实现了DICOM图像到BMP图像的转换。结论多数的计算机没有读取DICOM图像的软件,转换为BMP图像后几乎所有的计算机均可读取图像。     

数字化X线胸片计算机辅助检测在肺结节诊断中的应用价值

目的:评价计算机辅助检测(CAD)系统对肺结节诊断的价值。方法:选取120例有肺部单发结节(直径9～30mm)的患者,所有肺结节病灶均经病理证实。另从健康体检人群中随机抽取120例年龄、性别与受检组相仿者作为对照组。两组患者均经CT证实,并由多位放射学专家共同诊断。所有X线胸片均通过数字化放射成像(DR)获得。由5名高年资和5名低年资影像医师作为观测者,分别对不用和用CAD输出图像的X线胸片进行诊断。观察者积分用受试者操作特性(ROC)曲线分析来衡量。结果:平均ROC曲线下面积从不用CAD输出图像的0.762增加至用CAD输出图像的0.825(P<0.05),在使用CAD输出图像时,低年资影像医师比高年资影像医师的平均ROC曲线下面积增加更多。结论:运用数字化X线胸片所配置的CAD系统,能帮助影像诊断医师提高对肺结节性病灶的检出率。     

基层医院孤立性肺结节CT检查体会

目的：探讨基层医院CT检查如何更有效地显示孤立性肺结节的特征和内部结构。方法：搜集我院14例SPN患者的CT资料,结合文献分析CT扫描及图像后处理技术在SPN中的应用。结果：在常规扫描基础上给予薄层、靶扫描、图像后处理等,提供更多有价值影像信息,增强扫描恶性结节强化值均大于20HU,炎性假瘤边缘显著强化,肺硬化性血管瘤明显均匀强化。结论：基层医院对SPN可以结合多种扫描方法及图像后处理技术,充分显示肺结节征象,综合分析,可作出比较正确的评价。     

基于DICOM图像的WEB浏览与传输的研究与实现

本文介绍了在HIFU远程诊断系统中,DICOM图像的web浏览与传输子系统的设计与实现.首先阐述了远程医疗、DICOM的基本概念,介绍了DICOM格式文件的结构,简要介绍了在计算机中DICOM图像的显示方法,其中包括DIB位图的概念与结构,DICOM转换成DIB图像和DIB位图进行JPEG压缩的处理方法.开发基于B/S模式下,图像浏览与传输、用户交流与查询的网络体系,利用VC++高效的底层图像处理能力,编译成动态链接库(DLL)在服务器端进行DICOM图像的DIB化.提出了以NET平台的C#.net与VC++混合开发模式,实现DICOM影像的Web浏览,以及DICOM文件压缩传输的技术方案.     

CT影像计算机辅助教学系统的开发与应用

在一定的软、硬件设备下 ,通过视频捕获、胶片扫描仪扫描及数码照相机获取CT图像并输入计算机 ,利用图像处理软件对图像进行编辑处理 ,并存放于相应文件内。通过主界面窗口 ,访问所建库文件的相关内容 ,获取所需信息 ;借助疾病分类索引窗口 ,可对库文件进行维护和管理。开发CT影像计算机辅助教学系统 ,目的在于借助该系统的交互性和自主性在线教学功能 ,帮助影像诊断医生和临床医生获取相关CT影像诊断知识     

基于DICOM序列影像的肺结节ROI自动检测

以DICOM标准的肺部序列影像为研究对象,将CT图像序列分割提取获得肺实质,再获取种子区域进行优化分割,最后通过ROI检测提取肺部特征信息并进行分类,从而达到肺结节ROI自动检测的目的。实验结果表明此算法对微小结节特别是3mm以下的结节敏感性不高,而直径大于5mm的结节检出较为准确。实验中出现假阳性结节的个数较多,说明所选特征向量与判别分类标准比较严格,分类器的一些参数需要进一步优化,以达到更高的检出率及更低的漏检率。     

ITK在肺CT图像分割中的应用探讨

目的探讨ITK在肺CT图像分割中的应用,尝试将其用于肺结节的计算机辅助检测。方法分别应用ITK中的连接域值等图像分割算法对肺CT图像进行分割,并对结果进行比较。结果不同的分割算法处理结果不尽一致,表明图像分割是图像处理中的难点之一。结论肺CT图像的分割非常困难,ITK提供的诸多算法中,Connected Threshold Image Filter算法对肺分割效果较好。     

基于主动被动近邻算法的肺癌计算机辅助诊断

CT图像的肺癌计算机辅助诊断一般可分为三大模块,即：CT的图像处理、肺肿块的特征提取,以及使用智能分类器对肿块的分类和诊断.研究主要实现计算机CT图像辅助诊断的最后一个模块的计算机化,为医生在最后诊断环节上提供一些参考信息.项目首先需要收集病例,当拿到一个病例,并通过医生辨认出结节后,医生再提供辨认出结节的特征,包括大小、数目、毛刺、分叶等16个.研究共收集到204个恶性病例和46个良性病例,共250个病例,并确定了它们的特征.这些特征通过翻译,转换为一组数字信号,即以数字向量来表示病例.把250个向量输入到新开发的主动被动近邻算法中进行分类诊断,结果显示,对204个恶性病例和46个良性病例进行分类的准确度在90%以上.     

胸部低剂量CT扫描中迭代重建算法与滤波反投影算法肺结节检出率和准确性比较

目的：比较胸部CT中原始数据域迭代重建（SAFIRE）算法与滤波反投影（FBP）算法重建图像肺结节检出率的差异,评价其检出的准确性。方法：在新双源CT上预设80、100和120 kV 3组管电压值,采用自动毫安秒技术对置入模拟肺结节的仿真胸部体模进行扫描,分别用SAFIRE（等级1～5）及FBP算法重建图像,比较SAFIRE（等级1～5）与FBP胸部CT重建图像中模拟肺结节的检出率,并测量其直径及CT值。结果：相同管电压胸部CT扫描,SAFIRE
（等级1～5）与FBP模拟肺结节检出率比较差异无统计学意义（P>0.05）,SAFIRE（等级3）模拟结节直径偏差度小于FBP,且SAFIRE（等级3）与FBP模拟结节的平均CT值比较差异无统计学意义（P>0.05）;100 kV模拟结节检出率与120 kV模拟结节检出率相同,80 kV模拟结节（－800 HU和 3 mm）检出率低于120 kV模拟结节检出率;随着管电压降低、模拟结节直径减小、模拟结节密度降低,模拟结节直径偏差度增大。结论:与FBP比较,SAFIRE算法对于不同密度、不同大小肺结节检出有相同的能力,并有助于肺结节的准确显示,可用于低剂量CT肺癌筛查方案。     

Automated lung segmentation algorithm for CAD system of thoracic CT

Objective： To design and test the accuracy and efficiency of our lung segmentation algorithm on thoracic CT image in computer-aided diagnostic （CAD） system, especially on the segmentation between left and right lungs. Methods： We put forward the base frame of our lung segmentation firstly. Then, using optimal thresholding and mathematical morphologic methods, we acquired the rough image of lung segmentation. Finally, we presented a fast self-fit segmentation refinement algorithm, adapting to the unsuccessful left-right lung segmentation of thredsholding. Then our algorithm was used to CT scan images of 30 patients and the results were compared with those made by experts. Results： Experiments on clinical 2-D pulmonary images showed the results of our algorithm were very close to the expert＇s manual outlines, and it was very effective for the separation of left and right lungs with a successful segmentation ratio 94.8%. Conclusion： It is a practicable fast lung segmentation algorithm for CAD system on thoracic CT image.     

双能CT融合图像在人工智能肺结节筛查中检测效能的探索研究

目的探索双能CT融合120 kVp图像在人工智能(Artificial Intelligence,AI)辅助诊断软件肺结节筛查中的检测效能。方法收集我院行双源CT肺结节筛查的患者381例,随机分为单源扫描(A组)和双能扫描(B组)两组。A组183例,管电压为120 kVp;B组198例,管电压为双源100/Sn 140 kVp,两组均采用CareDose 4D技术。记录容积CT剂量指数(CTDIvol)值、剂量长度乘积(Dose-Length Product,DLP)值。使用AI软件对图像进行结节检测,记录结节的大小、位置、类型(实性、亚实性)。统计AI软件检测全部结节数、不同大小结节数(≥4 mm、<4 mm)、不同类型结节数(实性、亚实性),并结合金标准得到相应的真阳数、假阳数、漏诊数,计算相应的结节检测敏感度、精确度和假阳性率,比较两组间的差异,P<0.05为差异具有统计学意义。结果B组图像的肺结节检测敏感度高于A组(P<0.05),辐射剂量低于A组(P<0.05),同时,B组肺结节检测总的假阳性率低于A组。结论双能融合120 kVp图像在AI软件肺结节检测中的检测效能优于单源扫描120 kVp图像,其辐射剂量更低,更加适用于AI软件肺癌筛查。     

基于线性广义模糊算子图像快速增强算法

目的：研究Pal类模糊算法的图像增强原理,提出适合CT／MR图像的快速增强算法．方法：首先,通过定义一个线性映射函数,将感兴趣区域（ROI）从背景区域分离出来;其次,用线性的广义模糊算子（L-GFO）单独对ROI进行增强．结果：在P4—2．4G／512M／128M微机上,用IDL对50幅CT／MR图像处理速度进行测试,本文算法平均每幅增强处理用时约0．8ms．结论：本文算法减少了运算量、提高了处理速度．     

Content-based image retrieval for Lung Nodule Classification Using Texture Features and Learned Distance Metric

Similarity measurement of lung nodules is a critical component in content-based image retrieval (CBIR), which can be useful in differentiating between benign and malignant lung nodules on computer tomography (CT). This paper proposes a new two-step CBIR scheme (TSCBIR) for computer-aided diagnosis of lung nodules. Two similarity metrics, semantic relevance and visual similarity, are introduced to measure the similarity of different nodules. The first step is to search for K most similar reference ROIs for each queried ROI with the semantic relevance metric. The second step is to weight each retrieved ROI based on its visual similarity to the queried ROI. The probability is computed to predict the likelihood of the queried ROI depicting a malignant lesion. In order to verify the feasibility of the proposed algorithm, a lung nodule dataset including 366 nodule regions of interest (ROIs) is assembled from LIDC-IDRI lung images on CT scans. Three groups of texture features are implemented to represent a nodule ROI. Our experimental results on the assembled lung nodule dataset show good performance improvement over existing popular classifiers.     

Lung Cancer Detection Using Fuzzy Auto-Seed Cluster Means Morphological Segmentation and SVM Classifier

An effective fuzzy auto-seed cluster means morphological algorithm developed in this work to segment the lung nodules from the consecutive slices of Computer Tomography (CT) images to detect the lung cancer. The initial cluster values were chosen automatically by averaging the minimum and maximum pixel values in each row of an image. The area and eccentricity features were used to eliminate the line like structure and very tiny clusters less than 3 mm in size. The change in centroid analysis was carried out to eliminate the blood vessels. The tissue clusters whose centroid varies much in consecutive slices must be blood vessels. After eliminating the blood vessels, the co-occurrence matrix based texture features contrast, homogeneity and auto correlation were computed on the remaining nodules from the consecutive CT slices to discriminate the calcifications. The extracted centroid shift and texture features were used as the inputs to the Support Vector Machine (SVM) kernel classifier in order to classify the real malignant nodules. This work was carried out on 56 malignant (cancerous) cases and 50 normal cases (with lung infections), which had a total of 56 malignant nodules and 745 benign nodules. Out of these, 60 % of subjects (34 cancerous & 30 non-cancerous) were used for training. The remaining 40 % subjects (22 cancerous & 20 non-cancerous) were used for testing. This work produced a good sensitivity, specificity and accuracy of 100 %, 93 % and 94 %, respectively. The False Positive (FP) per patient was calculated as 0.38.