基于3DV-Net的肺结节检测分割算法

目的：提出基于深度学习的肺结节识别与分割算法,以辅助医生进行肺部疾病检测。方法：针对LUNA16数据集数据量大以及肺结节种类大小多样性等特征,采用基于改进的深度神经网络3DV-Net实现多种肺结节的检测分割,然后使用ResNet对结节图像和非结节图像进行分类。对LUNA16数据集中的肺部CT图像进行图像去噪、插值采样等预处理,然后生成粗分割图像和Mask图像,再使用改进的3DV-Net模型对数据进行多次训练预测。网络层级越深,出现梯度消散、梯度爆炸等问题的概率越大,改进的3DV-Net使用残差连接来改善这一问题。结果：改进的3DV-Net的Dice相似系数和IoU分别达到88.29%和88.25%。结论：本文方法有助于肺结节的检测分割,在肺结节的辅助诊断方面有重要意义。     

基于特征融合的U-Net肺自动分割方法

目的:将肺部颜色特征与纹理特征融合形成一种更有效的特征,并利用改进的U-Net深度学习网络结构对肺部CT影像进行图像分割以准确提取肺实质区域。方法:使用的CT影像数据来源于LIDC-IDRI数据库,首先通过色彩空间转换、高阶邻域统计的方法分别提取颜色特征和纹理特征,然后采用加权平均直方图融合两类特征,最后将特征输入改进后的U-Net模型,进行1 000次CT扫描测试,以达到完整的肺实质输出。结果:该方法最终的骰子系数、灵敏度、特异性分别为93%、96%和97%。结论:本方法较单一特征分割方法具有较高的分割精度,有效提高肺实质的分割精度,可为后续的肺部疾病自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断时间。     

肺结节检测算法研究

探讨基于CT图像数据的肺结节自动检测算法.肺结节提取一般步骤为:CT图像预处理、肺实质分割、肺结节提取.     

非对称卷积核YOLO V2网络的CT影像肺结节检测

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义。传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高。提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进。为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25%,假阳性率为8.50%。实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路。     

基于深度学习的肺结节计算机断层扫描影像检测与分类的研究进展

基于电子计算机断层扫描(CT)影像的计算机辅助诊断可实现对肺结节的检测与分类,提高早期肺癌的生存率,具有重要临床意义。近年来,随着医疗大数据与人工智能技术的飞速发展,基于深度学习算法的肺癌辅助诊断已逐渐成为该领域最为活跃的研究方向之一。为了进一步推动深度学习算法在肺结节检测和分类中的研究,本文结合近年国内外发表的相关文献,对该领域的研究进展进行综述。首先,简要介绍了两大广泛使用的肺CT影像数据库:肺部图像数据库联盟与图像数据库资源计划(LIDC-IDRI)和2017数据科学杯(Data Science Bowl 2017)。然后,对多种不同深度网络架构的肺结节检测与分类研究分别进行详细的介绍。最后,讨论了深度学习在结节检测和分类中面临的一些问题并给出结论,并对发展前景进行了展望,为今后该领域的应用研究提供参考。     

融合多尺度信息的肺结节自动检测算法

肺结节是早期肺癌的主要表现形式,准确检测肺结节对肺癌的早期诊断和治疗具有重要意义。然而,由于肺部计算机断层扫描(CT)图像背景复杂、检测范围大,且肺结节大小不一、形态各异,所以快速准确检测肺结节是一项极具挑战的工作。为此,本文提出了一种融合多尺度特征的肺结节自动检测算法,实现了肺结节的准确检测。首先,在用于大规模图像识别的深度卷积网络(VGG16)上设计了具有三层模块结构的肺结节检测模型,利用网络第一层模块提取CT图像中肺结节特征并粗略地估计肺结节位置;然后利用网络第二层模块融合多尺度的图像特征信息进一步增强肺结节细节特征;而网络第三层模块融合分析第一层和第二层模块的特征,得到多尺度下肺结节候选框;最后利用非极大值抑制方法对多尺度下肺结节候选框进行概率分析,得到最终的肺结节位置。本文应用肺部影像数据库联盟(LIDC)公共数据集上的肺结节数据对所提算法进行了验证,平均检测精度达到90.9%。本研究成果可应用于肺结节自动筛查系统,有助于提升肺结节筛查精度。     

基于CT图像的肺结节计算机辅助诊断系统

本文介绍了一种基于CT图像的肺结节计算机辅助自动诊断系统。我们将肺结节的自动检测分为肺实质的提取、感兴趣区域（ROI）的分割和ROI特征参数提取及分类判别几个步骤。该系统能够在对肺部CT图像进行自动分析后给医生提示出可疑肺结节，从而提高了医疗诊断效率。     

基于眼肌语义分割和特征提取的甲状腺相关眼病诊断算法研究

目的 甲状腺相关眼病(thyroid-associated ophthalmopathy, TAO)是常见的眼病之一，通过CT图像进行诊断和筛查对治疗有着重要意义，但传统方法依赖有经验的医生对CT进行分析和诊断，尚无有效的自动化方法。为此本文提出一种可以从CT图像中自动提取特征进行TAO诊断的方法，辅助医生进行诊断。方法 设计了Unet-Orbit分割网络对CT中的眼肌进行图像分割，随后采用影像组学工具(PyRadiomics)从分割结果中的眼肌区域提取数值化特征。为了更好地利用影像组学的特征，设计了一个特征提取网络，采用自动编码器框架。将不同的眼肌提取到的特征，通过特征合并和变换进一步得到一组新特征。最后采用来自上海交通大学医学院附属第九人民医院的1 912个CT图像数据集，对使用原始影像组学特征的分类器与使用特征提取网络后的特征的分类器进行了比较。结果 在医院数据集上，该模型的诊断准确率、灵敏度和特异性分别为87.34%、84.73%和89.96%。结论 语义分割网络可以高效分割眼肌区域，特征提取网络得到的新特征可以提升多种不同分类器在TAO诊断的准确率，可能为TAO的诊断提供一个...     

基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官

目的:建立一种基于密集连接深度学习的端到端胸部CT图像危及器官自动分割方法,提供一个高精度的自动分割模型,减轻医师临床勾画的工作强度。方法:收集36例肺癌患者CT图像,27例作为训练集,随机取6例作为验证集进行交叉验证,测试集为9例,训练时间约为5 h,完成了左肺、右肺、脊髓、心脏4个危及器官的自动分割,并使用Dice系数、HD95距离与平均表面距离(ASD)3个指标对测试集进行测试。结果:测试集的分割结果显示,与U-Net与ResNet50相比,FC_DenseNet网络在Dice值、HD95、ASD指标上表现较好,但是不同网络之间的分割结果并没有显著差异(P>0.05),FC_DenseNet网络Dice值最高是左肺为0.98,最低为心脏0.84。结论:本研究的结果表明,密集连接结构的深度学习模型能够较为准确地分割左右肺、脊髓、心脏4个危及器官,这种特征图复用的思想为基于深度学习的医学图像分割提供了新思路。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于轻量级神经网络的新冠肺炎CT新型识别技术

目的:为了满足临床新冠肺炎检测的实际需求,提出一种基于轻量级人工神经网络的新冠肺炎CT新型识别技术。方法:首先,选取目前公开的所有新冠肺炎CT图像数据集,经过图像亮度规范化和数据集清洗后作为训练数据,通过大样本提高深度学习的泛化能力;其次,采用GhostNet轻量级网络简化网络参数,使深度学习模型能够在医用计算机上运行,提高新冠肺炎CT诊断的效率;再次,在网络输入中加入肺部区域分割图像,进一步提高新冠肺炎CT诊断的准确性;最后,提出加权交叉熵损失函数减小漏诊率。结果:在本研究构建的数据集上进行测试,所提出方法的精确率、召回率、准确率和F1值分别为83%、96%、90%和88%,且在医用计算机上耗时为236 ms。结论:本研究提出方法的效率和准确性均优于其他对比算法,能较好地适应新冠肺炎诊断的需求。     

基于SE-CapsNet的肺结节良恶性诊断研究

在过去的几年中,肺癌是癌症相关死亡的主要原因.提出一种针对低剂量计算机断层扫描(CT)影像精细化预处理条件下的SE-CapsNet分类方法,解决传统肺结节诊断方法中分类精度低、假阳性高等问题.改进胶囊神经网络分类算法:对最新Hinton的胶囊神经网络进行改进,引入新的非线性激活向量,避免全局向量压缩;采用特征重标定的方...     

基于深度学习分割掩膜的胸片图像配准技术及其应用

医学图像配准技术对临床诊断治疗具有重要意义。相比传统的图像配准方法,目前基于深度学习的配准方法提高了配准的精度和速度。为了将深度学习图像配准技术应用于胸片的配准以及减影分析,本研究先采用深度学习掩膜对原始胸片进行预处理,然后以掩膜图像作为输入,以ResUNet网络作为配准框架来实现胸片图像配准,最后评估配准效果。结果显示深度学习掩膜结合深度学习图像配准方法训练出的模型在胸片配准上具有良好的图像配准精度。这种基于掩膜的深度学习配准模型可以较好地应用于胸片的减影分析。     

CT图像肺结节自动检测

肺癌是对人类生命健康危害最大的恶性肿瘤之一。计算机辅助诊断系统对肺部CT图像进行自动分析后,可提示医生可疑肺结节,从而克服医生在诊断中的一些主观因素,为此本文提出了一种基于胸部CT图像的可疑肺结节自动检测算法。首先,根据胸部组织的特殊结构,利用一种新的分割算法提取出肺实质部分;在此基础上提取出灰度与结节相近的感兴趣区域,包括结节、肺血管、支气管;然后,以已标记的结节数据作为样本集,计算结节的面积、灰度均值、灰度方差、圆形度、形状矩、体积、球形度等特征值,利用最近邻法建立分类器判别函数;最后,计算测试集感兴趣区域的上述特征,对其进行判别、分类,并标记出结节。试验结果表明,该算法综合考虑了肺结节特征,具有较高的准确度。     

Segmentation of pulmonary nodules in three-dimensional CT images by use of a spiral-scanning technique

Accurate segmentation of pulmonary nodules in computed tomography (CT) is an important and difficult task for computer-aided diagnosis of lung cancer. Therefore, the authors developed a novel automated method for accurate segmentation of nodules in three-dimensional (3D) CT. First, a volume of interest (VOI) was determined at the location of a nodule. To simplify nodule segmentation, the 3D VOI was transformed into a two-dimensional (2D) image by use of a key "spiral-scanning" technique, in which a number of radial lines originating from the center of the VOI spirally scanned the VOI from the "north pole" to the "south pole." The voxels scanned by the radial lines provided a transformed 2D image. Because the surface of a nodule in the 3D image became a curve in the transformed 2D image, the spiral-scanning technique considerably simplified the segmentation method and enabled reliable segmentation results to be obtained. A dynamic programming technique was employed to delineate the "optimal" outline of a nodule in the 2D image, which corresponded to the surface of the nodule in the 3D image. The optimal outline was then transformed back into 3D image space to provide the surface of the nodule. An overlap between nodule regions provided by computer and by the radiologists was employed as a performance metric for evaluating the segmentation method. The database included two Lung Imaging Database Consortium (LIDC) data sets that contained 23 and 86 CT scans, respectively, with 23 and 73 nodules that were 3 mm or larger in diameter. For the two data sets, six and four radiologists manually delineated the outlines of the nodules as reference standards in a performance evaluation for nodule segmentation. The segmentation method was trained on the first and was tested on the second LIDC data sets. The mean overlap values were 66% and 64% for the nodules in the first and second LIDC data sets, respectively, which represented a higher performance level than those of two existing segmentation methods that were also evaluated by use of the LIDC data sets. The segmentation method provided relatively reliable results for pulmonary nodule segmentation and would be useful for lung cancer quantification, detection, and diagnosis.     

基于多特征融合与XGBoost的肺结节检测

为了提高肺结节检测的精确度和效率，提出一种基于多特征融合和XGBoost的肺结节检测模型。首先采用阈值分割与形态学运算，获得候选结节区域；然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强；其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征，采用词袋模型进行降维并融合；最后利用XGBoost-决策树分类模型去除假阳性结节，完成肺结节的检测。在LIDC-IDRI数据上进行的实验表明该模型能达到97.87%的准确率和97.92%的召回率。该模型可用于辅助医生进行肺结节诊断，具有一定的临床应用价值。     

基于边界逼近的肺实质分割方法

肺部CT图像的分割是计算机辅助诊断系统处理的一个重要环节,其分割的结果影响到医生的诊断与进一步的分析。由于胸膜结节的灰度与肺实质外围的灰度相近,运用传统的分割方法无法正确分割出此类病灶。将胸膜结节包含肺实质一起分割出来,使计算机辅助诊断系统能够对此类病灶做进一步的分析。提出一种结合Graham算法以及边界逼近的方法,对肺实质的轮廓进行修正,进而得到修正的二值模板;将该模板与原图像做乘运算,得到包含胸膜结节的肺实质。运用所提出的方法,对公开数据库LIDC中68张含病灶的CT样本图像做处理,通过与传统方法的对比以及对算法的过分割比例、欠分割比例以及准确性的分析,得到准确率为98.5%,平均过分割比例为1.35%,平均欠分割比例为0.51%,证明了该方法的有效性。