基于多尺度注意力机制的三维卷积神经网络肺结节检测算法EI北大核心CSCD

基于电子计算机断层扫描(CT)的肺结节检测的早期筛查是降低肺癌死亡率的重要手段,而近年来三维卷积神经网络(3D CNN)已经在肺结节检测领域取得了成功并不断深入发展。本文提出了一种基于多尺度注意力机制的3D CNN肺结节检测算法。针对肺结节大小和形状各异的特点,设计了一个多尺度的特征提取模块,提取不同尺度的相应特征。通过注意力模块,从空间和通道两个角度挖掘特征间的关联信息,对特征加强。提取出的特征进入类似金字塔的融合机制,使得特征中同时包含深层的语义信息与浅层的位置信息,更利于目标定位与边界框回归。在具有代表性的LUNA16数据集上,相对于目前先进的其他方法,本文方法能够明显地提高检测灵敏度,可为临床医学提供理论参考。     

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。     

基于收敛指数滤波和Hessian矩阵的肺结节检测算法

肺癌的早期形态多以肺结节的形式出现,对其正确检测有助于提高肺癌病人的存活率.针对肺部高分辨率CT图像中肺结节与血管横断面难以区分的问题,提出了一种基于收敛指数滤波和Hessian矩阵的肺结节检测算法.首先对基于向量域的收敛指数滤波器进行量化产生候选肺结节,然后设计基于三阶Hessian矩阵特征值的血管检测滤波器对血管进行检测标记.最后从候选肺结节中剔除血管横断面得到真阳性肺结节.实验结果 表明,本文提出的检测算法具有较高的灵敏性和低假阳性.     

基于多特征融合跟踪的微小肺结节识别算法

如何在海量的肺部高分辨率CT(HRCT)序列图片中准确识别微小结节(直径为5～10 mm)一直是肺结节计算机辅助检测(CAD)系统的研究重点和难点。本文提出了一种新的微小肺结节识别算法——多特征融合跟踪算法。该算法在处理一个HRCT序列图片时,首先结合大津法和形态学方法获取每一张CT图的肺实质,再通过基于灰度阈值和改进的模板匹配算法提取感兴趣区域(ROI),接着计算ROI的多个有效特征,然后在整个HRCT序列图片中进行ROI的多特征跟踪和融合,最后根据分类规则识别并标出候选肺结节。实验证明,该算法能准确地检测出微小肺结节,且假阳率较低。     

基于三维血管重建的高分辨率CT图像孤立性肺结节提取

肺癌是人类的一大杀手,为了提高其治愈率,人们越来越重视对肺癌的早期形态——肺结节的影像检测,但一直被较高的假阳性率所困扰。在高分辨率CT图像基础上,打破常规思维,从肺部血管三维重建入手,间接去掉血管组织对结节提取的干扰。首先利用数学形态学及凸包算法获得二维完整肺实质,再利用区域增长法提取肺部软组织,间接得到疑似结节图像,然后利用三维Hessian矩阵特征值的几何意义,构造三维血管结构的增强因子,得到完整的肺部血管图像,将其与疑似结节图像进行对比,重合区域即可除去,最大限度地剔除血管的干扰,最后再利用疑似区域的几何特征剔除残余的肺部杂质,最终获得较低的假阳性率,提取准确率较高。     

基于规则及多特征跟踪的肺结节的智能检测方法

肺结节的智能识别对肺癌的诊断至关重要.为了在大量的肺部CT图片中准确智能识别肺结节,我们研究了一个基于规则及多特征跟踪的肺结节计算机辅助检测方法.其中,采用活动轮廓模型的分割方法实现候选肺结节分割,采用基于规则的决策方法以及多特征跟踪方法实现肺结节分类.实验证明,该肺结节的智能检测方法满足肺结节计算机辅助诊断的要求.     

基于低剂量CT图像的肺实质分割方法

为了提高早期肺癌筛查中肺结节计算机辅助检测、辅助诊断的准确性,提出一种多种方法结合的低剂量CT图像肺实质自动分割算法。首先利用改进的多方向形态学滤波算法进行预处理;然后利用聚类法、flood-fill算法去除背景,实现粗分割;接着利用引入霍夫变换的改进三维区域生长算法去除气管和主支气管树;最后利用分水岭算法和二维凸包算法实现肺实质细分割。实验结果通过对ELCAP数据库中的50个低剂量CT序列利用本研究算法进行处理,验证了该算法的有效性,正确分割率达到95.75%。为肺结节检测等后期的诊断提供了有价值的参考信息。     

良恶性肺小结节CT图像基于灰度共生矩阵10种纹理特征研究

目的 建立多水平模型研究良恶性肺小结节CT图像的灰度共生矩阵纹理特征,更好地描述肺小结节CT图像,达到辅助肺小结节鉴别的目的.方法 对185例2171张肺小结节CT图像基于灰度共生矩阵提取10个纹理特征,拟合多水平统计模型分析良恶性CT图像的纹理特征的差异.结果 在考虑患者水平的基础上能量、惯性矩等8个纹理特征,在良恶性肺小结节的CT图像间的差异有统计学意义.结论 基于灰度共生矩阵的一些纹理特征是反应肺小结节CT图像良恶性的有效特征参量,在一定程度上有助于早期肺癌的鉴别诊断.     

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。     

基于胸部CT图像的肺结节分割

目的提出一种从胸部CT图像中分割提取多种类型肺结节的算法,辅助肺癌诊断和疗效评估。方法首先由放射科医生确定种子点和目标容积区域,再根据初分割结果自动识别非肺壁粘连结节和肺壁粘连结节。然后采用多阈值结合距离变换的方法分割非肺壁粘连结节,光线投射和直线拟合分割肺壁粘连结节。最后,将算法应用于85组患者数据（232个肺结节）,并由高年资放射科医生评价分割结果的准确性。结果本文算法鲁棒性强,能准确判别肺壁粘连和非肺壁粘连结节,从而适用于孤立、血管粘连、毛玻璃和肺壁粘连结节的提取。测试的232个结节中无异常发生,且分割速度较快。经放射医生评价,平均准确率达90％。结论本文算法可以从胸部CT图像中分割提取4种类型肺结节,鲁棒性、准确性和速度均可满足实际临床需求,对肺癌筛查、诊断和疗效评估具有重要价值。     

基于卷积神经网络的肺结节检测方法

本文提出一种在图像精细预处理条件下,通过二维卷积神经网络对低剂量计算机断层扫描(CT图像进行肺结节检测的方法。通过图像剪切、归一化操作等算法对CT图像预处理,对正样本进行扩充以平衡正负样本数量,训练二维卷积神经网络并在过程中不断优化网络参数,最终得到性能最优的模型。本文采用美国2016年肺结节分析(LUNA16)挑战赛开源数据集进行五折交叉验证,取每组模型实验结果的平均值,最终准确率为92.3%、敏感性为92.1%、特异性为92.6%,相较于已有的其他肺结节自动检测分类方法在各项指标上均有所提高。随后本文在此基础上进行模型微扰实验,实验结果表明,模型稳定且具有一定的抗干扰能力,可以有效地识别肺结节,期望可为肺癌早期筛查提供辅助诊断意见。     

基于尺寸自适应深度神经网络的胸部CT图像肺结节检测

使用计算机断层扫描(CT)筛查肺结节是早期肺癌诊断的重要手段.但由于肺结节在形状、大小和位置上有存在很大的差异,目前肺结节尤其是小结节的自动检测依然具有挑战性.为了实现高灵敏度的肺结节检测,提出一种新的计算机辅助检测系统,该系统采用两种新的策略:尺寸自适应候选检测(SACD)和尺寸自适应假阳性抑制(SAFPR).首先,...     

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。     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。     

基于模糊C均值聚类和改进的随机游走算法的肺结节分割

准确分割肺结节是医生判定肺癌的重要前提。针对肺结节分割方法的误分割问题,尤其是难以分离的与胸壁或血管相连的粘连型肺结节的问题,本文提出了一种基于改进的随机游走算法来准确分割困难肺结节的方法。本文的创新点在于将图像中节点和种子点的坐标值与空间距离相结合,加入测地线距离来重新定义权值,然后使用改进的随机游走算法实现了对肺结节的准确分割。本文选取了17名不同类型肺结节患者的计算机断层扫描(CT)图像进行分割实验,将实验结果与传统随机游走方法以及几种文献方法进行了对比。实验表明,本文方法在肺结节分割方面具有较好的精度,准确率超过88%,单张肺结节CT图像分割时间不超过4 s。结果提示本文方法可用于对肺结节良恶性的辅助诊断,从而提高医生的工作效率。     

基于改进YOLO V3的肺结节检测方法

针对肺结节占CT图像比例小、形状不规则及直接应用YOLO V3算法进行肺结节检测效果不佳的问题,提出基于 改进YOLO V3的肺结节检测方法。首先进行重采样和肺实质分割等预处理操作。然后修改YOLO V3的基础网络结构, 调整骨干网络和检测网络的结构单元数量;使用Mish激活函数替换Leaky ReLU激活函数,引入含有空洞卷积的感受野 模块层;修改损失函数。最后使用改进的YOLO V3方法进行肺结节检测,完成对比实验。在LIDC-IDRI数据集上得到了 88.89%的准确率和94.73%的高敏感度,实验结果表明该方法能够有效检测肺结节。     

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。     

基于CT数据的肺部影像可视化系统设计

设计一种基于CT数据的肺部影像二维可视化与三维重建系统,首先对DICOM图像进行解析,分割和标记出肺结节的位置;然后利用CT序列的重采样、面绘制的三维重建、形态学处理等技术,实现肺实质和结节的多视角、多分辨率三维显示;最后设计交互界面,包括图像增强、肺部二维可视化、结节勾勒、肺实质和结节三维重建、旋转、缩放切换视角等功能。实验表明,本系统对于二维图像的可视化和病灶区域勾勒位置清晰、准确,并使三维图像呈现的结节完整且光滑。本系统相较于已有的类似医学处理软件,大幅度提高重建和可视化效率,使医生能够更加快速、精确地观察三维图像,辅助疾病诊断和手术方案制定。     

一种基于相关矩阵的肺结节增强算法

针对肺结节的增强,提出了一种基于相关矩阵的多窗口图像增强算法,以提高肺结节检测的精确性.作为肺结节检测的预处理部分,本算法可以有效减小传统算法对噪声的敏感度,更好地增强肺结节并抑制血管.实验结果表明,本文所设计的增强算法对于增强合成图像以及实际的肺CT图像都有较好的效果,可以用于基于CT图像的辅助诊断系统的设计中.     

肺癌早期诊断人工智能系统

<正>近日,谷歌健康与美国西北大学医学院共同开发人工智能(AI)系统,能够根据胸部CT图像对恶性肺结节进行检测分析,用于对肺癌进行早期诊断。比放射医学专家诊断更为准确。该深度学习模型人工智能系统使用约1. 5万名患者的4万多张CT扫描图像进行训练人工智能系统。经6 716个病例检测,对极小的恶