基于K-L变换和支持向量机的三维肺结节识别

针对传统二维结节感兴趣区的特征提取忽略了肺结节在三维空间的细部特征问题,提出了一种基于K-L变换和支持向量机(SVM)的肺结节识别新方法.首先对三维肺结节的几何特征和密度特征进行分析,计算并提取三维特征形成原始特征空间,然后使用K-L变换方法进行原始空间变换,去除特征间相关性,最后采用支持向量机分类方法来进行肺结节识别,并引入ROC曲线对算法性能进行评价.实验针对36组具有临床标注"金标准"的肺部HRCT数据进行,结果表明该方法的识别准确率可以达到94.33%,ROC曲线的Az值为0.94.

基于人工智能的肺磨玻璃密度结节三维测量与病理切片测量的相关性研究

目的:分析肺磨玻璃密度结节人工智能测量、半自动测量与病理数字切片测量之间的相关性。方法:收集91例表现为磨玻璃密度结节的T1a期肺腺癌的CT图像及病理切片资料。使用人工智能肺部影像分析系统(AILIAS)及半自动分割技术(SLLS)测量CT图像上结节的平均直径和体积,并在病理数字切片上测量结节的平均直径与面积。AILIAS及SLLS与病理数字切片平均直径测量值、AILIAS与SLLS体积测量值两两比较行Wilcoxon符号秩检验。采用Spearman秩相关分析AILIAS及SLLS体积测量值与病理数字切片面积测量值的相关性。结果:AILIAS与SLLS所测平均直径均大于病理数字切片(Z=-7.310,-8.557;均P<0.001)。AILIAS与SLLS所测直径间差异无统计学意义(Z=-0.744,P=0.457)。SLLS所测体积小于AILIAS(Z=-6.218,P<0.001)。AILIAS和SLLS体积测量值与病理数字切片面积测量值均显著相关(rs=0.729,0.727;均P<0.001)。结论:人工智能可多维度测量肺磨玻璃结节的直径和体积,与病理数字切片面积测量值有良好的相关性及一致性,可为磨玻璃结节的良恶性判定及临床疗效评估提供数据支持。