128层螺旋CT多平面重组技术在肺孤立性结节形态特征筛查中的应用价值

探究128层螺旋CT多平面重组技术（MPR）在肺孤立性结节形态特征筛查中的应用价值。2019年5月—2020年9月甘肃省定西市人民医院行128层螺旋CT胸部平扫检查中发现肺部结节患者中抽取130例患者,年龄为25～65岁,其中男性72例,女性48例。该批患者均经过128层螺旋CT进行胸部检查并发现胸部结节,将该批患者常规进行常规图像与多平面重建图像进行对比分析。常规平扫图像编为对照组,并将进行MPR重建图像编为研究组,然后将两组图像交由放射科两位高级主治医师和两位副主任医师对这两组图像随机顺序对的每个患者的图像进行仔细地独立阅读,在阅片时,观察医生不被告知患者相关临床资料和信息。常规CT平扫图像与进行多平面重组的CT图像进行肺结节形态特征的评价分析,研究组的肺结节特异性的识别率高于对照组,具有明显差异性（P<0.05）。在肺结节的筛查与形态特征的评价中进行多平面重组重建技术可以提高肺结节形态特征的检出率,而肺结节的这些形态特征对肺结节良恶性的影像鉴别诊断中具有重要的意义,因此,多平面重建技术应在日常阅片诊断中积极和广泛应用。     

基于OTSU算法和带通滤波器的毛玻璃型肺结节检测

针对毛玻璃型肺结节成淡淡的模糊影,不容易用肉眼观察到,并且其灰度值介于肺实质和血管之间的特点,提出一种基于带通滤波器的毛玻璃型肺结节检测方法.首先用OTSU算法分割肺实质,然后用带通滤波器检测毛玻璃型肺结节.实验表明,此检测方法在所需运行时间和敏感性上都优于现有方法.     

用于肺结节检测和分类的两阶段深度学习方法

针对肺部CT数据具有空间信息的特点, 提出一种基于深度学习的两阶段方法, 即使用两个3D卷积网络有效学习结节特征, 对CT图像中的肺结节进行检测和分类. 该方法的检测器部分采用基于U Net的编码器 解码器结构的3D语义分割模型, 以预测结节的位置、 大小和语义掩码; 分类器部分采用3D双路径网络, 用于特征的汇总和收缩, 并给出分类结果. 为充分利用原始数据中的特征信息, 将检测器的结果应用于对原始数据进行采样和掩码操作, 并通过空间金字塔池化层获得一致的输入尺度. 在公开数据集上的实验结果表明, 该深度学习方法对CT图像肺结节的检测和分类具有良好的性能.     

一种基于ARG的肺结节良恶性度判定方法

基于CT影像的肺结节的良恶性识别是肺癌诊断的重要环节，针对这一问题，提出一种基于属性关系图(attributed relational graph， ARG)的肺结节良恶性度判定方法.该方法以肺结节CT图像块作为输入，利用ARG构建其特征结构，并从大量ARGs中挖掘与或图(and-or graph， AoG)作为肺结节类别识别模板，即肺结节良恶性度判定的依据.此外，为提高模板挖掘效率，该方法利用马尔可夫毯(Markov blanket， MB)发现算法去除图像中的冗余特征，降低ARG节点数量.实验结果表明，该方法对恶性肺结节的识别率达到90.12%，能够帮助正确、快速辨识与分析肺结节良恶性，具有一定的实用价值.     

对休默氏结节的康复探讨

地众多腰椎间盘突出症和腰骶关节部慢性疾病的治疗方法统计分析后，得出了经验公式，进而以此为指导进行休默氏结节的康复，其疗效显著。     

平潭岛岩相潮间带粒结节滨螺种群个体大小结构的研究

对粒结节滨螺种群按垂直分布区的上、中、下部逐月连续取样十四个月。测得种群的平均个体大小,呈现由下而上逐渐增大的梯度分布。6月至9月种群中没有幼体(<3mm)存在。幼体增补在垂直分布区的中、下部数量最大。除了6月至9月下限没有滨螺存在外,种群的垂直分布的上限和下限位置无显著变化。     

基于深度学习的肺结节识别

针对肺结节识别问题,采用分支结构改进直接型VGG16的深度学习网络结构,并使用迁移训练,减少了网络结构复杂度.结果提高了学习效率,降低了方法对硬件资源的要求,增加了其适用性.通过训练多种网络模型,对比模型特点,调整改进的网络结构实现了对小样本的肺结节识别.在LIDC-IDRI数据集上的结果表明:该方法在保持结构简单、降低硬件资源需求的同时,取得较好的肺结节识别效果.     

模糊支持向量机在肺结节良恶性分类中的应用

针对传统支持向量机(SVM)对图像中含有的噪声或野值样本的不敏感性问题,提出了一种基于双向隶属度的模糊支持向量机(FSVM)的方法。该方法通过计算样本类中样本与其所属类别和另一类别的中心点之间的距离,得出样本对每一类的隶属度,通过对样本隶属度的分析实现对样本点的分类。将该方法应用于对肺结节良恶性分类试验中,其参数反演结果表明,即使在噪声存在的情况下该方法也能得到较好的分类结果,而且克服了传统方法过拟合的缺点,从而也验证了该方法较强的抗噪能力和较好的分类能力。