基于多尺度形态学滤波的CT图像疑似肺结节提取

CT图像中疑似结节病灶区域的分割和提取是肺部CAD系统的关键和难点.研究一种基于肺结节几何特征的多尺度形态学滤波的疑似结节区域提取算法,构造了一组不同尺度的类圆形结构元素进行形态学滤波.经过多尺度处理,不同大小的疑似肺结节区域得到增强和突出,气管、血管等线形解剖组织得到了削弱和抑制,结构元素的几何参数及二值化阈值参数的选取不需要人工设置.实验结果表明,该算法可以较好地实现不同大小疑似结节区域的自动提取.

基于DR图像处理技术的肺部异常检测概述

肺癌已经是人类健康的致命杀手之一,肺癌的发病在近10年有明显的上升趋势,根据医学的研究表明早期的肺癌治愈率可以达到90%以上,并且,早期肺癌可以依据DR图像或CT图像确诊。本文主要对肺部DR影像的研究现状进行概述,按照肺部异常检测的三个步骤分别梳理了国内外的方法、技术和思路,分别为DR图像中肺部区域的提取,肺部纹理特征提取,以及肺部病灶检测,对三个步骤对应技术难题分别列举了世界前沿科技成果进行剖析。此外,文章最后给出了肺部影像发展的难点和未来发展方向的展望。

基于FPA-U-Net-GAU的肺部病变区域分割方法研究

针对现有机器学习和深度学习网络算法对肺部病变区域分割精度不高的问题,提出了一种基于改进的特征金字塔注意力机制(Feature Pyramid Attention,FPA)与U-Net网络结合肺部病变区域分割算法。该算法在U-Net采样中嵌入FPA,FPA对目标区域空间位置信息进行分级特征提取,并结合全局池化学习表示特征。在每个上采样模型中引入全局注意力上采样模块(Global Attention Upsample,GAU)作为全局上下文信息的特征提取,网络方法简写为FPA-U-Net-GAU。将FPA-U-Net-GAU与几种经典分割算法模型进行对比,实验结果表明,FPA-U-Net-GAU方法有效提高了分割精度和稳定性,其DSC为0.885,PPV为0.851,Sensitivity为0.882。