针对肺结节检测的肺实质CT图像分割

目的：针对CT图像上肺结节的自动检测，开发并评价对全肺螺旋CT扫描中的肺实质进行自动分割的一种综合方法。方法：首先利用全局阈值对CT图像进行二值化，然后消除由于支气管、细支气管等低密度影和由于结节、血管等高密度影以及由检查床造成的条状伪影等噪声，最后对包含胸膜连接结节的图像利用数学形态学运算和图像凸包运算进行完善形成肺实质掩膜。结果：利用该方法对从LIDC数据库中所有包含结节的505张CT扫描片（来自69个病例）进行肺实质分割，正确率为95．4％。其中，包含胸膜连接结节的139张CT扫描片的正确分割率为94．2％。结论：本文提出的方法较好地完成了肺实质分割任务，为利用CT图像进行计算机辅助肺结节的检测打下了基础。     

基于改进凸包算法的肺实质分割研究

肺实质的精确分割一直都是肺部疾病计算机辅助诊断的重要研究内容,传统的分割方法大多只能分割出不包含病灶的肺实质区域,为后期的图像分析与辅助决策带来很大的影响。针对具有边缘型肺结节的肺部CT图像,提出一种实现简单且实验效果较好的肺实质分割算法。首先,利用常规方法提取肺实质的粗略轮廓;然后,针对上一步骤中肺实质病灶信息等的缺失现象,提出一种改进的二维凸包算法对肺实质的外轮廓进行再修复;最后,利用区域生长和形态学运算,修复肺实质的内部轮廓。运用新算法,对200张边缘型肺结节的肺部CT图像进肺实质分割。实验结果表明：与已有的“滚球法”和凸包算法修复肺实质相比,新算法具有较高的准确率,可以达到90%以上,边缘型肺结节等病灶信息能被较为准确地表示出来,为建立高效的肺部疾病诊断系统奠定基础。     

基于3D ResUnet网络的肺结节分割

目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌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的时间。 【关键词】肺结节;分割;深度残差结构;召回率;ResUnet     

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。     

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CT图像的肺结节计算机辅助检测技术的研究进展

目的:通过对国内外在基于CT图像的肺结节计算机辅助检测技术(Computer-Aided Detection,CAD)领域的研究状况及其研究进展的综述,以期能对CAD研究提供借鉴.方法:根据对近年来国内外报道的CAD文献的分析和深入研究,结合作者在CAD方面的研究体会,本文对CAD国内外研究进展情况、存在的问题及可能的解决方案进行了详细的论述.结果:通过对目前国内外CAD研究中存在的问题及原因的深入分析,我们认为在建立能够描述不同类型肺结节的数学模型的基础上,基于大样本病历的数据库,设计有效的检测方法是提高肺结节检测效率的关键.结论:CAD能有效辅助放射科医生从CT图像中检测出肺结节,从而为肺癌的早期诊断奠定基础,但由于CAD研究尚存在的局限性,目前报道的CAD研究离临床的实际需要尚有较大的差距.     

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.     

CT图像肺结节计算机辅助检测技术研究进展

根据近年来国内外计算机辅助检测(computer-aided detection,CAD)技术在CT图像肺结节检测中的研究进展情况,本文对比分析了目前检测流程中6个阶段(图像采集、预处理、肺实质分割、感兴趣区域提取、特征提取与优化、检测分析与降低假阳性率)各自所运用的研究方法及问题,并提出肺结节检测准确率的提高,依赖于各步骤算法的优化和大样本标准病例数据库的建立,需要在研究针对单一类型结节分类算法的基础上,设计通用的结节分类算法。     

基于改进的VGG-16卷积神经网络的肺结节检测

【摘要】针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。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。     

基于改进型V-net卷积神经网络的胃壁分割方法

实现上腹部CT影像的胃壁分割与中心线提取是成功实现早期胃癌筛查和辅助T分期的前提。基于改进型V-net的胃壁分割方法加入了全局平均权重模块的全卷积神经网络框架,有效解决了神经网路下采样过程中信息丢失的问题。此外,本文在原水平集方法的基础上,提出了正则化水平集损失函数。该损失函数有效抑制了全卷积网络胃壁边缘特征丢失率和因数据量较少而引起的过拟合问题,提高了神经网络对上腹部CT影像中胃壁的识别精度。实验表明,在上腹部CT影像数据集中本文方法分割准确度Dice系数高达0.916 5,IOU达到了0.822 3。该方法的Dice相对于3D V-net方法准确度提高了近6%,同时比CE-net和Dense U-net方法的准确率分别提高了2.7%和3.1%。     

基于高分辨率CT扫描的孤立性肺结节高危预测模型的建立与验证

目的：筛选孤立性肺结节（SPN）高危病变的高分辨率CT危险特征因素,建立SPN高危预测模型,并对模型进行内部验证。方法：回顾性分析317例SPN患者的胸部影像学征象,采用随机分组的方法按约6:4比例分为训练集和验证集,通过单因素及多因素分析Logistic逐步回归法筛选出与高危SPN相关的独立危险因素,建立预测模型;通过验证集数据对建立的模型进行验证,绘制受试者工作特征曲线（ROC）,评估模型预测价值。结果：单因素分析显示影像学征象位置、结节最大径、CT值、毛刺征、空泡征、分叶征与SPN是否高危存在统计学差异（P<0.05）,边界与SPN是否高危无统计学差异（P>0.05）。多因素分析显示位置、结节最大径、CT值、分叶征4个因素是SPN高危的独立预测因子（P<0.05）。通过训练集构建的预测模型为P=ex/（1+ex）,其中e为自然对数,x=-7.767+(2.821×位置)+（0.391×结节最大径）-（0.003×CT值）+（3.576×分叶）。训练集受试者工作特征曲线下面积（AUC）为0.932,95%CI为0.892～0.973,最佳截点值为T=0.208,敏...     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

基于深度学习的危及器官自动勾画软件系统DeepViewer在放疗中的应用及评估

目的:将一款基于深度学习的危及器官自动勾画软件系统DeepViewer应用于临床,实现自动勾画肿瘤患者治疗计划中危及器官的功能。方法:DeepViewer使用改进后的全卷积神经网络U-Net来实现自动勾画患者CT扫描部位所包含的危及器官,并使用Dice相似性系数（DSC）对比分析这22种危及器官自动勾画与手动勾画的差异。结果:11种危及器官DSC平均值在0.9以上,5种危及器官DSC平均值为0.8~0.9,5种器官DSC平均值为0.7~0.8,视交叉DSC平均值最低,为0.676。总体结果表明DeepViewer系统能够较准确地自动勾画出危及器官,特别是左、右肺、膀胱、脑干等器官,已基本满足临床需求。结论:DeepViewer软件系统可以实现放疗肿瘤患者危及器官的自动勾画,准确性较高。同时,DeepViewer系统勾画完毕后,可以通过网络系统自动传输RTStructure DICOM3.0文件,无需其他操作,能极大地提高临床医生工作效率,降低治疗计划流程中的勾画总时间。     

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。     

基于反注意力机制U-Net网络的胃部肿瘤分割

首先利用全局与局部注意力对肿瘤进行定位,然后在模型中加入反注意力机制,将显著特征从原特征图中消除,并保留肿瘤的边缘轮廓信息。此外还在模型中使用深度监督,监督各个深度解码层的训练,有效抑制模型梯度消失现象,提高分割的准确性。本研究使用的是上海长征医院的胃部CT数据集,并将提出的模型与U-Net、Attention U-Net和ET-Net的实验对比。研究结果表明,相较于传统的U-Net网络模型,基于反注意力机制的U-Net模型在胃部肿瘤分割中性能得到了较大的提高,证明了该网络模型的有效性。