LIDC/IDRI影像数据库在肺结节计算机辅助诊断中的研究进展

介绍了用于开发肺部CT图像计算机辅助诊断(computer aided diagnosis,CAD)系统的LIDC/IDRI(Lung Image Database Consortium/Image Database Resource Initiative)影像数据库的发展历史、文件格式、组织构架及基本应用,分析了基于该影像数据库的肺结节分割与诊断的研究进展。指出了LIDC/IDRI影像数据库与CAD系统之间的关系,并指明了基于LIDC/IDRI影像数据库的新的人工智能方案,如深层强化学习和迁移学习等,是肺结节CAD系统未来的发展方向。

基于LIDC/IDRI影像数据库的专家诊断信息解读软件的开发

目的:设计一套基于LIDC/IDRI(Lung Image Database Consortium/Image Database Resource Initiative)影像数据库的专家诊断信息解读软件。方法:利用模块化、构建重用和面向对象的思想,基于Python编程语言、JavaScript网页编程语言、HTML和CSS,在PyCharm 2017平台下开发该软件,主要包括诊断信息解析和诊断信息展示2个功能模块。结果:该软件不仅可剔除原有XML文件中的冗余内容,优化数据结构,完整地解读诊断信息,并在可视化界面中展示专家标注结果,还可以将诊断信息转换为易于后续分析的JSON和MAT格式。结论:基于LIDC/IDRI影像数据库的专家诊断信息解读软件达到了设计目标,具有跨平台的可移植性、开放性和共享性。

CT图像融合专家知识的肺结节良恶性诊断方法

针对当前卷积神经网络在医学CT图像肺部结节分类中存在图像特征提取不全面,导致分类准确度低且检测时间长的问题,提出了一种基于深度网络特征融合的分类检测网络(efficient selective convolutional network,ESC-Net),网络是以EfficientNet-V1为基础框架,在MBConv(mobile inverted residual bottleneck convolution)结构中引入轻量级注意力机制,同时,为降低网络的参数量和FLOPs,删去3层MBConv结构,进一步增强了特征提取和分类能力,适合于实际应用场景中快速、精准地诊断恶性结节。结果表明,在LIDC-IDRI数据集上,方法实现了对肺结节良恶性的精确分类,分类准确率和AUC值分别达到了94.6%与98.3%,优于大部分主流的分类方法。

基于分布先验的半监督FCM的肺结节分类

肺结节的良恶性分类对于肺癌的早期发现及诊断具有重要意义。然而实际应用中,标记的图像数量较少,且获取标记将耗费大量的人力,在这种情况下,使用半监督学习算法是有效提高分类性能的一个思路。作为一种经典的半监督学习算法,传统的半监督FCM在未标记样本与标记样本分布不平衡情况下不能充分利用标记信息。针对此问题,本文提出了一种基于分布先验的半监督FCM算法。首先计算样本的先验分布概率,基于获得的先验概率,给样本赋予权重,并将其融入到半监督FCM聚类中,从而强化少量的标记样本在聚类过程中的指导作用。文中在LIDC数据库上进行了相应的实验,实验结果证明,相比较传统的半监督FCM算法,提出的算法能够取得更好的肺结节分类性能。

基于灰度密度分布特征的肺结节良恶性分类

CT图像中肺结节良恶性鉴别是肺癌计算机辅助诊断研究中的关键。为了提高计算机辅助诊断系统中肺结节良恶性诊断准确性,提出一种基于密度分布特征的肺结节良/恶性判断方法。首先,从肺部肿瘤图像中随机提取图像小单元集并计算其自相关矩阵,然后通过K-means算法对该矩阵实现无监督聚类。特征提取时遍历计算肺结节图像每一像素的灰度密度分布等级,并统计、归一化得到10维特征向量,最后通过卷积方法对特征进行优化。同时,利用随机森林分类器进行模型训练,进而判断肺结节良/恶性水平,提出算法的验证数据为LIDC-IDRI。实验结果表明,最大AUC可达0.955 8。对比分析,该特征表达方法具有更优分类效果和更高鲁棒性。

基于深度学习的肺癌检测方法研究

肺癌作为全球发病率最高和死亡率最高的恶性肿瘤,提高肺癌患者存活率最有效的方法就是及早发现、及早诊断、及早治疗。通过人为的观察CT扫描图像,极易出现漏判、误判的情形,计算机辅助诊断(CAD)具有高准确率、高效率的特点,这里本文提出了一种基于机器学习的肺癌检测方法,以肺部图像数据库联盟(LIDC)作为计算机视觉分析图像模型,通过比较各类有效的图像特征,以图像的LBP直方图的方法来表示训练集以及待检测图像的特征,提取肺癌ROI区域及相应病变的特征,引入CART分类器作为弱分类器,然后通过AdaBoost算法对肺结节进行分类学习,构建分类可疑肺癌的AdaBoost分类器,再采用迁移学习的方法将构建好的分类器模型迁移到实际临床CT肺部影像来帮助模型进行训练学习。通过实验数据发现,以上方法对肺癌的识别率能够93.2%,无论对医生还是患者来说都具有很大的现实意义。

肺癌图像数据库及可视化工具的建立

肺癌是目前最常见的恶性肿瘤,也是已知的确诊后存活率最低的癌症之一。建立大规模的肺癌图像数据库是进行肺癌计算机辅助诊断(CAD)研究,开展肺癌诊断教育和训练以减轻医生负担,以及提高医疗诊断效率的基础。本文针对当前的肺癌图像数据库联盟(LIDC)在使用中存在的数据存取困难、缺乏对数据可视化和数据检索的支持等问题,提出了一个集数据模型、可视化和数据检索工具为一体的肺癌数据库平台。本文从分析LIDC的数据格式入手,引入数据库技术设计完成了肺癌数据库,以对获取的大量的肺癌图像数据进行管理和使用;针对数据可视化和检索的需要,设计了用于图像及其标注可视化的浏览器和数据查询器。研究结果表明该平台能很好地完成肺癌数据的存储、整合、可视化和检索,促进了肺癌诊断的研究。

结合深度卷积神经网络与影像学特征的肺结节良恶性鉴别方法

提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。