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.     

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。     

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Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型(包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90. 82%,准确率的波动方差为13. 30%; VGG模型的检测准确率为87. 02%,准确率的波动方差为37. 10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。     

基于三维密集网络的肺结节检测方法

针对传统基于三维特征的肺结节检测方法存在小结节检出率不高且计算量大的问题,提出一种更为高效的基于三维密集网络的肺结节检测方法。首先将密集连接单元引入3D U-Net,构建适用于肺结节检测的3D Dense U-Net网络;由于3D Dense U-Net用密集连接块代替原始3D U-Net的普通卷积层,可最大化地保证层与层之间的信息流通,不仅能解决传统堆叠式网络所存在的特征冗余问题,而且能加快网络训练速度。同时,该网络保留U-Net的基本连接方式,以实现底层特征的复用,从而可以有效地获取候选结节。在此基础上,针对候选结节中包含假阳例的问题,为了更加有效地获取结节特征,提高网络对结节的鉴别能力,构造三维密集分类网络(3D DenseNet)进行假阳例的剔除。在天池医疗AI大赛数据集的测试中,检测肺结节总体敏感度94.3%,10 mm以下结节敏感度91.5%,假阳例率5.9%。 所提出的基于三维密集网络的肺结节检测方法对于小结节的检测更加灵敏,不仅能提高结节检出率,而且计算效率也有所提高。     

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。     

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。     

基于深度卷积神经网络的帕金森步态识别

步态冻结(FOG)是晚期帕金森病患者最常见的症状,FOG的突然发作会造成患者的行走障碍。为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走。针对FOG检测,提出一种系统式的特征学习方法。该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习。采用监督式学习方法利用标签信息,使学习到的特征更具识别能力。在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化。通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结。与以往的阈值法实验结果相比,平均正确率提高到91.43%,灵敏性提高到85.58%,特异性提高到了93.63%。该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义。     

基于特征编码和卷积神经网络的注意力状态检测

列车运行安全与列车驾驶员的注意力状态密切相关,为了快速准确检测驾驶员的注意力状态,提出一种基于特征编码和卷积神经网络(FECNN)的注意力状态检测方法。对从Kaggle数据集上下载的5名参与者的脑电图数据,用快速独立成分分析(FastICA)和小波滤波方法进行去噪,从中提取微分熵(DE)特征,并进行最大最小归一化;然后将DE特征编码成对应的矩阵,转化为对应的彩色图,标上对应的状态类别。将数据预处理后的彩色图作为卷积神经网络的输入,通过对模型参数的不断优化,得到分类精度较好的注意力状态检测模型。对提取DE特征和没有提取DE特征的10个样本进行实验,平均检测精度分别为95.10%±2.88%和93.12%±3.38%,高于传统的DNN模型和LeNet-5模型,并且模型更具有稳定性。所提出的FECNN模型,可为注意力状态检测提供一种新的思路,在驾驶员疲劳检测系统的开发方面具有一定的应用价值。     

基于深度学习的慢性阻塞性肺病的诊断模型研究

慢性阻塞性肺病(COPD)是一种常见的以持续气流受限为特征的慢性呼吸道疾病,具有很高的发病率和死亡率。目前临床上对COPD的诊断方式十分复杂,不仅耗时且有创或有辐射伤害,不适用于日常筛查。本研究设计了一种基于深度学习的COPD诊断模型。首先,将RespiratoryDatabase @ TR多媒体呼吸数据库中42位COPD患者的肺音数据和来自天津大学胸科医院的24位COPD患者以及37位健康受试者的临床采集肺音数据相结合,分别运用高通滤波器和基于集合经验模态分解(EEMD)及小波熵的去噪算法进行去噪处理,然后通过归一化、交叠剪切、数据扩增完成预处理过程;然后利用二阶谱分析技术提取肺音特征;最后,将特征输入到改进的19层卷积神经网络模型中,实现健康受试者与COPD患者的二分类。实验结果表明,所提出的模型能够有效诊断COPD,其准确度、敏感度、特异性、F1分数和Kappa系数分别达到了98.93%、98.47%、99.41%、98.95%和97.86%,且由于采用了双中心数据并进行了去噪处理,模型可靠性更高,具有重要的临床意义。     

Extracting Lungs from CT Images via Deep Convolutional Neural Network Based Segmentation and Two-Pass Contour Refinement

Lung segmentation is a key step of thoracic computed tomography (CT) image processing, and it plays an important role in computer-aided pulmonary disease diagnostics. However, the presence of image noises, pathologies, vessels, individual anatomical varieties, and so on makes lung segmentation a complex task. In this paper, we present a fully automatic algorithm for segmenting lungs from thoracic CT images accurately. An input image is first spilt into a set of non-overlapping fixed-sized image patches, and a deep convolutional neural network model is constructed to extract initial lung regions by classifying image patches. Superpixel segmentation is then performed on the preprocessed thoracic CT image, and the lung contours are locally refined according to corresponding superpixel contours with our adjacent point statistics method. Segmented lung contours are further globally refined by an edge direction tracing technique for the inclusion of juxta-pleural lesions. Our algorithm is tested on a group of thoracic CT scans with interstitial lung diseases. Experiments show that our algorithm creates an average Dice similarity coefficient of 97.95% and Jaccard’s similarity index of 94.48%, with 2.8% average over-segmentation rate and 3.3% under-segmentation rate compared with manually segmented results. Meanwhile, it shows better performance compared with several feature-based machine learning methods and current methods on lung segmentation.     

肺部CT图像气管树分割技术研究进展

肺部气管是人体与外界进行气体交换的唯一通路;其解剖结构信息可用于诊断呼吸系统疾病。计算机断层扫描技术(CT)是检测呼吸系统疾病的主要手段,但因就诊人数多、图像数据量大等因素;导致人工阅片费时费力。而肺部气管树的自动提取与分割;是实现自动化定量分析与呼吸系统疾病辅助诊断的前提。首先对肺部气管树分割技术的背景及意义进行介绍;然后分析对比传统分割技术、基于管状结构检测的分割技术以及基于机器学习的分割技术所运用的研究方法和存在的问题。最后指出提高肺部气管树分割效果;依赖于将气管分割技术与泄漏剔除技术相互结合;需要在尽可能分割出多数气管树分枝的基础上;消除分割结果中存在的伪气管区域。     

基于生成对抗网络的彩色眼底图像硬性渗出检测方法

糖尿病视网膜病变(DR)是糖尿病严重的并发症,是视力损害最常见的原因之一。硬性渗出物(HE)是DR早期的症状之一,从眼底图像中对硬性渗出的准确检测是DR筛查的关键步骤。提出一种基于生成对抗网络(GANs)的视网膜硬性渗出的自动检测方法。相比一般的卷积神经网络,生成对抗网络由生成式模型G和判别式模型D组成,两者之间的博弈与竞争使得生成对抗网络能够更加精确地检测眼底图像中的硬性渗出。首先,为了避免视盘对后续硬性渗出检测的干扰,根据血管分布信息与全局灰度信息,准确定位视盘(OD)中心并掩盖视盘;然后,交替迭代训练生成式模型G和判别式模型D,得到在验证集上分割效果最佳的模型并保存。所提出的算法在e-ophtha EX数据库上训练和验证,并进行像素级评估,获得88.6％、84.3％和86.4％的平均灵敏度、PPV和F-score。在另一个独立的DIARETDB1数据库上进行测试,获得的平均灵敏度、特异性和准确性分别为100％、96.2％和97.8％。综上所述,两个视网膜图像数据库的评估结果证明,生成对抗网络的博弈模式能够有效地检测彩色眼底图像中的硬性渗出。