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。     

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。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

基于灰度积分投影与模糊C均值聚类的肺实质分割

提出一种基于灰度积分投影与模糊C均值聚类的肺实质分割算法,用于CT图像的快速自动分割。首先,对原始肺部CT图像分别在水平和垂直方向上进行灰度积分投影;然后,选用平滑样条曲线拟合平滑原始图像的积分投影曲线,并提取拟合平滑前后曲线的极大值点,确定肺实质初始边界;最后,利用模糊C均值聚类算法对边界内区域进行分割,结合滚动小球法修复边界区域,获得肺实质区域。选取LIDC (肺部图像数据库联盟)数据库中20组图像（平均每组图像包含120幅CT图像）进行实验,平均分割精度为95.66%,平均每幅图像花费时间为0.77 s。实验结果表明,该方法可以用于CT图像肺实质分割,具有全自动、高精度、鲁棒性等特点。     

胸部CT中肺实质的提取与辅助诊断

根据临床应用需求,研究胸部高分辨率CT图像中肺实质的提取与量化诊断问题。首先讨论肺区分割与肺实质提取问题,自动分割法采用全局自适应阈值将躯干和背景分离,然后应用轮廓跟踪方法获取到肺部轮廓;人工分割则是在勾勒若干轮廓点后,应用Bresenham扫描线法得到连续的肺部轮廓。利用基于四邻域的背景标记扫描线方法,提取肺部实质区域。最后,根据肺气肿量化诊断标准,进行量化分析与诊断。实验证明,该方法能快速、准确地分割肺实质,实现肺气肿的量化分析与辅助诊断。     

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。     

基于模糊区域对比度增强的肺实质鲁棒分割

基于阈值操作的肺实质分割对CT图像的对比度敏感,常常造成肺部粘连区域的肺实质分割失败。提出一种融合模糊区域对比度增强与阈值和形态学细化分割的新的肺实质分割算法。首先,根据图像的灰度信息利用线性迭代聚类将图像预分割为多个超像素。然后,根据超像素的灰度统计信息自动定位模糊区域,并进行自适应对比度增强。最后,基于阈值和形态学操作进行细化分割,准确提取肺部粘连区域和肺实质。通过对kaggle肺部数据集30位患者的300张CT图像进行测试,结果表明本研究算法的平均分割准确率(Dice系数)为98.65%,过分割率为0.21%,欠分割率为1.33%,整体分割性能比传统阈值操作和形态学方法有明显提升。     

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。     

基于肺部组织分割的肺功能定量分析系统的开发与设计

为了更加便利、快捷地在基于CT的肺部疾病诊断中获取相关肺功能指标,以便于辅助医生进行诊断,本研究开发了基于肺部组织分割的肺功能定量分析系统。系统主要分为三个部分:肺部组织的分割,肺部组织的三维重建以及肺功能定量分析模块。在利用已有方法分割出肺实质、肺气管和肺血管的基础上,提出了自动修补由肺结节造成的肺实质孔洞以及肺边缘缺陷的方法,利用基于海森矩阵的圆点增强算法分割出疑似肺结节区域,结合手动选取种子点确定明显肺结节。实现了肺部多组织的三维重建,可计算整体、局部(volume of interest,VOI)区域以及感兴趣CT值范围内的肺功能指标从而进行肺功能定量分析,并可在二维和三维上定位显示测算对象,结合多方面辅助医生诊断。     

基于重采样的胸部CT图像肺实质自动分割

目的胸部CT图像的肺实质自动分割是肺部疾病计算机辅助检测的重要基础。为提高分割速度,本文提出并实现了一种基于重采样的分割算法。方法首先对数据重采样,提取部分（1／8）体数据。再基于重采样体数据,通过阈值分割、胸腔提取、气管剔除、血管填充、左右肺分离和肺壁结节填充等步骤,得到初步分割结果。然后将该结果还原到完整数据体上,形态学平滑后即完成最终分割。最后将算法应用于20例患者数据（2556个断层）,并与放射科医生手动分割结果进行比较。结果本文算法对20例患者数据均能取得优异结果,与放射科医生手动分割的平均面积重叠率达99．02％,且适用于左右肺相连、肺壁存在结节、视野不完整等异常情况。通过数据重采样极大缩短分割时间,一般可缩短50％,一帧图像平均耗时小于0．25s。结论本文算法能够实现胸部cT图像肺实质的自动分割,结果准确可靠,鲁棒性好,速度快,基本满足实际临床需求。     

A CAD system for nodule detection in low-dose lung CTs based on region growing and a new active contour model

A computer-aided detection (CAD) system for the selection of lung nodules in computer tomography (CT) images is presented. The system is based on region growing (RG) algorithms and a new active contour model (ACM), implementing a local convex hull, able to draw the correct contour of the lung parenchyma and to include the pleural nodules. The CAD consists of three steps: (1) the lung parenchymal volume is segmented by means of a RG algorithm; the pleural nodules are included through the new ACM technique; (2) a RG algorithm is iteratively applied to the previously segmented volume in order to detect the candidate nodules; (3) a double-threshold cut and a neural network are applied to reduce the false positives (FPs). After having set the parameters on a clinical CT, the system works on whole scans, without the need for any manual selection. The CT database was recorded at the Pisa center of the ITALUNG-CT trial, the first Italian randomized controlled trial for the screening of the lung cancer. The detection rate of the system is 88.5% with 6.6 FPs/CT on 15 CT scans (about 4700 sectional images) with 26 nodules: 15 internal and 11 pleural. A reduction to 2.47 FPs/CT is achieved at 80% efficiency.     

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。     

A Fully Automatic Method for Lung Parenchyma Segmentation and Repairing

Considering that the traditional lung segmentation algorithms are not adaptive for the situations that most of the juxtapleural nodules, which are excluded as fat, and lung are not segmented perfectly. In this paper, several methods are comprehensively utilized including optimal iterative threshold, three-dimensional connectivity labeling, three-dimensional region growing for the initial segmentation of the lung parenchyma, based on improved chain code, and Bresenham algorithms to repair the lung parenchyma. The paper thus proposes a fully automatic method for lung parenchyma segmentation and repairing. Ninety-seven lung nodule thoracic computed tomography scans and 25 juxtapleural nodule scans are used to test the proposed method and compare with the most-cited rolling-ball method. Experimental results show that the algorithm can segment lung parenchyma region automatically and accurately. The sensitivity of juxtapleural nodule inclusion is 100 %, the segmentation accuracy of juxtapleural nodule regions is 98.6 %, segmentation accuracy of lung parenchyma is more than 95.2 %, and the average segmentation time is 0.67 s/frame. The algorithm can achieve good results for lung parenchyma segmentation and repairing in various cases that nodules/tumors adhere to lung wall.     

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。     

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。