基于CT图像的肺实质细分割综合方法

肺实质的分割是肺结节检测和诊断的基础,是肺部疾病计算机辅助诊断的关键步骤之一。针对肺部计算机断层扫描（computer tomography,CT)图像,采用最佳阈值法进行初步分割,去除背景,用结合上下文分析的区域生长法去掉气管、支气管,对左右肺连结的情况进行像素分析,分开左右肺,对提取出来的肺区用滚球法进行修复,得到肺实质图像。去除气管和分割左右肺的算法是针对肺部CT图像的特征提出的,具有简单高效的特点。实验表明,该综合方法的准确性和可靠性较高,有较好的应用前景。     

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.     

一种基于CT图像的肺实质分割方法

在肺部疾病的计算机辅助诊断(CAD)时,肺实质的正确分割尤为重要.为了减少检测区域,节省运算时间,提高准确率,需要预先提取肺组织.提出了一种改进的最大类间方差法(OTSU)结合形态学运算的肺实质分割方法.首先对原始CT图像做滤波去噪、图像增强的预处理,自适应阈值二值化图像;然后连通区域标记获取轮廓,利用基于OTSU的改进算法去除气管、肺液等干扰,分离肺实质与背景,对左右肺叶粘连的情况采用行列扫描、区域彩色标记并将其有效分离;最后采用一系列的形态学运算对提取出来的肺实质弥合修补.从公开数据库LIDC中选取830张CT图像,用该方法可完整分割肺实质,平均准确率为97.56%,平均召回率可达99.29%,Dice相似系数为98.42%.     

用于计算机辅助诊断的肺实质自动分割方法

在肺结节的计算机辅助诊断过程中,肺实质的分割是关键的步骤。传统的肺部分割方法都是基于肺实质与周围组织对X线的衰减强度不同而进行的。这些方法对正常的肺部能得到理想的结果,但当肺部存在肺结节等异常征象时,这些方法会出现错误。该文提出了一套完整肺实质分割流程,首先用阈值法和边界跟踪算法得到初始的肺部轮廓,然后提出一种新的基于计算局部二维凸包的方法对原始的肺部轮廓进行修正。该算法能将与肺部周围组织相连的肺结节包括在肺实质中,从而在肺部存在与胸膜相连的结节的情况下也能得到满意的分割结果。采用该算法对6个病人的约400张肺部CT图像进行了肺实质提取,实验结果显示:该算法对正常和异常征象的肺部CT图像进行分割的正确率均能达到83%以上,为肺结节的计算机诊断提供了良好的条件。     

基于CT图像的肺实质分割

在肺部计算机断层扫描图像的肺实质分割中,针对固定阈值法分割图像不稳定的问题,提出最佳阈值法对图像进行二值化,分割出肺实质区域,剔除肺纵膈区域及衣物等背景。与固定阈值法相比,该方法有较高的稳定性。针对由病变造成的肺部大面积坏死所引起的左右肺分开判断错误的问题补充了判断准则,直接给出结论。实验表明,该方法对肺实质分割具有较高的鲁棒性。     

基于连续最大流的三维肺实质快速分割算法

肺结节是肺癌的表征形式,形状结构多样且易与正常组织产生粘连,使分割存在困难.提出了一种基于空间约束的三维肺实质分割算法,实现对肺实质组织的分割及目标区域的获取.首先使用SLIC方法将二维CT序列图像构建成超像素图像矩阵,并对矩阵进行稀疏化处理,降低矩阵维度.然后连接相邻切片间的超像素构造肺实质组织的三维结构.最后采用连续最大流方法对构造的三维肺部结构进行分割.实验结果表明,所提算法能够快速准确地分割三维肺实质组织,对不同类型肺结节的分割均取得较好结果,具有一定的临床应用价值.     

基于胸部CT图像的肺部自动分割

肺区自动分割是肺部肿瘤计算机辅助诊断系统的关键之一。文章采用多阈值和区域生长方法,先去掉背景,再去掉气管／支气管,最后对提取出来的肺区使用滚球的方法进行修补。该方法速度快、人工干预少、准确。     

一种基于改进随机游走的肺结节分割方法

传统的肺结节分割方法无法精确分割出肺结节外部毛刺,并且无法分离出与血管和胸壁相连的肺结节.针对这些问题,提出一种改进的随机游走算法并应用于肺结节的分割中.首先,根据Dirichlet边界条件计算得到的未标记点到标记点的概率值的大小将图像分为目标区域,背景区域和不确定区域,应用欧式距离计算不确定区域中节点与标记点的灰度差异并根据距离的大小将其进行分类.其次,提出了一种两点间抛物线法用于对初始分割结果进行二次分割.实验结果表明,与传统方法相比,所提方法实现了肺结节的精确分割,提高了计算机辅助诊断对肺结节进行分析和鉴别的精度.     

基于分层模版种子点的分水岭分割孤立性肺结节的方法

针对肺部结节的分割问题,该文提出了一种基于分层模版种子点的分水岭分割方法。该方法在PET图像中采用基于SUV均值的分层次模版匹配算法检测出可疑区域,标记出分割种子点,同时在对应CT图像中使用改进的分水岭算法将可疑肺结节分割出来。将该方法与特征提取结合应用于肺结节的辅助诊断中。大量的实验结果表明:与当前单独采用CT或PET图像特征分割结果相比,该方法在确保真阳性以及分类准确性的基础上,极大降低了假阳性,从而表明了该方法在肺结节临床分割方面的有效性。     

基于胸部CT影像的肺血管树分割关键技术研究

肺支气管的排除和血管组织的精确探测,是影响肺血管树分割精度的重要因素.经形态学处理后的CT影像可提高对器官信息的探测能力,因此提出形态学辅助的区域生长方法用于支气管分割,并引入泄漏判断条件抑制分割泄漏.针对血管组织的提取,提出多阈值分割方法,通过引入多尺度滤波器获取不同尺寸半径血管的最大响应尺度信息,计算血管组织相应的分割阈值,实现分割阈值的动态匹配.实验结果表明:应用于10套CT影像,血管组织分割准确率为97.062%,,血管分支抽取率为93.95%,,肺血管树分割精度得到较大提高.     

基于三维曲面重建的CT图像肺边界缺陷修复

针对CT图像的肺实质分割中由边界粘连型肿瘤造成的肺边界缺陷修复问题,提出了一种基于三维曲面重建的修复方法.对肺实质边界曲率变化较大处的缺陷,二维图像上无法获得足够多的特征对肺实质边界进行修复.本文方法首先使用质心灰度法改进了三维区域生长算法,提取肺实质进行三维重建.再使用阈值法提取分布在缺陷周围的三维点云,对三维点云进行曲面重建即可得到完整的肺实质轮廓.实验结果表明:该方法与传统的凸包算法和滚球法相比,能够更加完整有效地修复边界粘连型肺实质边界的缺陷.     

均值漂移带宽选取新方法及其在分割肺结节中的应用

针对肺结节与周围组织相连且边缘模糊造成分割困难的问题,提出一种新的均值漂移(meanshift)带宽自动选取方法并采用均值漂移算法解决结节分割.与基于统计分析规则的带宽选择方法相比,该方法时间复杂度低,且能得到符合实际问题的正确带宽参数.应用带宽选择定理确定带宽参数的初始值,利用尺度空间滤波聚类理论的最稳定尺度准则确定最佳的自适应带宽参数.该方法对毛玻璃型、粘连血管型、贴胸壁型和各向异性型进行评估实验,都取得了正确的分割结果.结果表明,该方法对分割结节是有效的.     

融合像素空间信息及加权模糊聚类的肺结节识别

针对肺部计算机辅助诊断中孤立肺结节识别容易受噪声、气管、血管的干扰问题,提出一种融合空间信息及加权模糊聚类的肺结节识别算法.该方法利用融合像素空间信息及带特征权重的模糊C均值聚类算法实现感兴趣区域分割;利用特征选择算法计算感兴趣区域各特征权重,加权模糊C均值聚类算法分类感兴趣区域,识别肺结节.对比实验证明,该算法对感兴趣区域分割抗噪声性增强;感兴趣区域分类准确率提高;整体算法对肿瘤的检出率较高,漏诊率降低,为医生诊断早期肺癌病灶提供更加准确的客观依据.     

基于全局注意力引导的肺结节分割方法

肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络（region proposal network,RPN）进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络（residual network,ResNet）与卷积长短期记忆网络（convolutional long short-term memory,ConvLSTM）的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟（lung image database consortium,LIDC-IDRI）数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分（标准差）为89.97%（8.9%）,具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。     

基于深度卷积神经网络的肺结节检测与识别

应用卷积神经网络将肺结节从含有背景、噪声的胸腔区域里检测并识别出来。首先,对图像进行预处理,获得肺实质图像。然后,应用Faster R-CNN多特征融合算法检测肺结节候选区域,再利用多角度特征融合方法滤除假阳性结节。接着,通过数据增强法、残差学习法、优化初始参数等对卷积神经网络的性能进行优化。最后,应用迁移学习方法对数据集进行训练,得出最终的检测结果。抽取LIDC数据集中含有肺结节图像数据,检测并识别肺结节的准确率达到98. 1%。实验结果表明,该算法优于其他3类算法,实现了肺结节的精确检测和识别,在保证检测和识别出正确结节的前提下,降低了过拟合率及训练时间,提高了算法效率,研究成果为早期肺癌的诊断提供参考依据。