基于LesionMix数据增强和熵最小化损失的半监督肺癌CT影像分割

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强(EMLM)。方法首先,提出LesionMix数据增强方法,即通过对少量有标注的CT影像进行病灶信息提取并重复利用,来提升标注数据的利用效率。其次,提出两阶段半监督训练策略,第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征,第二阶段使用熵最小化损失函数使其拟合真实数据分布情况,提高模型分割效果。最后,在LIDC-IDRI数据集上,通过对比实验和消融实验评估EMLM方法的分割性能。结果对比实验结果显示,在30%和10%标注比例的情况下,EMLM方法的戴斯相似度系数(DSC)均高于当前6种最佳半监督分割方法(URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型),在50%标注比例的情况下,EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型(P<0.05)。消融实验结果显示,使用Baseline模型同时配合EMLM方法时的DSC大于仅使用Baseline模型或者使用Baseline模型单独配合熵最小化损失(P<0.05),与使用Baseline模型单独配合LesionMix数据增强方法差异无统计学意义(P>0.05)。结论对于肺癌病灶分割,EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果。LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用,提高了标注的利用效率,同时可以更好地拟合真实数据分布情况而获得更佳的分割结果,从而有效提升了模型对肺癌病灶的分割能力。

基于流向特征熵和测地线距离的粘连血管型肺结节聚类分割

肺癌计算机辅助诊断(lung cancer CAD)是辅助医生定量判别结节良恶性的新技术.倍增率是临床上判断结节良恶性的指标,而精确地分割结节又是计算倍增率的前提.因为结节和血管的CT值相近,所以难以正确分割粘连血管型结节.血管里充满着流向同一方向的血液,使得大部分血管像素梯度的法向量(流向特征)都指向同一方向,流向特征熵值小;而结节上的像素梯度法向量方向杂乱无章,流向特征熵值大.大部分血管像素到结节中心的测地线距离比结节像素到结节中心的距离大.基于上述血管与结节差异,文中提出了一种基于流向特征熵和测地线距离的K均值聚类算法来分割结节.针对132个临床CT影像的肺结节(104个孤立型和28个粘连血管型),12个LIDC集合1的肺结节(4个孤立型和8个粘连血管型)和182个LIDC集合2的肺结节(25个孤立型肺结节和157个粘连血管型肺结节),评估实验结果和影像科医生手工绘制的金标准相比较,孤立型肺结节分割正确率分别为100/104(96.2%),4/4(100%),24/25(96.0%),粘连血管型分割正确率分别为26/28(92.9%),7/8(87.5%)和149/157(94.9%).实验表明,该方法能在短的时间内正确地分割孤立型结节和粘连血管型结节且具有好的鲁棒性.