基于DICOM序列影像的肺结节ROI自动检测

以DICOM标准的肺部序列影像为研究对象,将CT图像序列分割提取获得肺实质,再获取种子区域进行优化分割,最后通过ROI检测提取肺部特征信息并进行分类,从而达到肺结节ROI自动检测的目的。实验结果表明此算法对微小结节特别是3mm以下的结节敏感性不高,而直径大于5mm的结节检出较为准确。实验中出现假阳性结节的个数较多,说明所选特征向量与判别分类标准比较严格,分类器的一些参数需要进一步优化,以达到更高的检出率及更低的漏检率。

Top-hat和Gaborfilter在肺结节ROI自动检测中的应用研究

在自动诊断大量带有病变区域的CT图像时,计算机辅助诊断起着重要的作用。提出了一种自动检测肺结节感兴趣区域的方法。对肺实质进行分割;利用Top-hat滤波提取包含血管和结节在内的初始感兴趣区域;用Gaborfilter对图像进行第二次处理;对图像进行比对,从而得到更为精确的疑似结节的病灶区域。实验证明该方法能准确完整地提取出感兴趣区域。

一种基于 DICOM 序列影像的肺结节 ROI 自动检测方法

本文是以DICOM标准的肺部序列影像为研究对象,将CT图像序列分割提取获得肺实质模块,再获取种子区域进行优化分割,最后通过ROI检测提取肺部特征信息并进行分类,从而达到肺结节ROI自动检测的目的。实验结果表明本文算法对微小结节特别是3mm以下的结节敏感性不高,而直径大于5mm的结节检出较为准确。实验中出现假阳性结节的个数较多,说明所选特征向量与判别分类标准比较严格,分类器的一些参数需要进一步优化,以达到更高的检出率及更低的漏检率。

一种针对遥感图像的自动ROI编码算法

感兴趣区域(ROI)编码技术具有在不丢失重要信息的同时又有效地压缩了数据量的特点,非常适用于遥感图像的压缩.但现有的ROI编码算法在编码前需人为定义ROI,因而在用户无法进行人工干预的情况下其使用受限.针对此问题,从遥感图像的特点入手,提出了一种自动ROI编码算法.该算法基于JPEG2000标准框架,首先根据用户需求进行了ROI自动检测,并通过与目标形状最为接近的最小外接矩形的使用将ROI检测算法与ROI编码算法有效地结合在一起,最后,结合检测结果的特点优化了编码算法,实现了对遥感图像的自动ROI编码.实验结果验证了此算法的有效性.

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.

一种基于CT影像的肺癌病灶检测新方法

肺癌病灶的检测一直是重要与困难的工作,本文提出了一种基于三维CT影像的肺结节计算机辅助检测新方法.基于自适应阈值等方法分割肺实质区域;由于肺血管是肺结节检测的重要干扰,建立一种形变模型精确分割并过滤肺内血管组织;基于Hessian矩阵特征值构造可选择形状滤波器检测疑似结节,并进一步过滤剩余的细小血管组织;提取多个结节特征,并采用基于规则分类器进行分类.实验结果表明,该方法可以有效帮助医生提高肺癌疾病的诊断准确率.

CT图像中肺实质的自动分割

目的为解决肺实质分割中肺部结节及高密度血管易遗漏的问题,提出一种自动肺实质分割方法。方法首先利用二维区域生长反操作、连通区域判别等方法提取肺实质区域;然后利用行扫描法定位肺区边界点;最后通过对边界点参数分析,定位受肿瘤侵占的边界点,利用曲线拟合修复受损边界。结果通过对多组胸部CT图像的分割,验证了算法的有效性;与几种常见边界修复算法对比,验证了行扫描边界修复算法的优越性。结论本文提出的算法能将肿瘤包含到肺实质区域,确保分割的完整性、准确性、实时性。

一种基于HRCT影像的肺结节计算机辅助检测方法

肺癌是威胁人类生命的第一杀手,如果肺癌能在早期被发现、诊断和治疗,将大大提高肺癌患者的生存率。提出了一种自动的基于高分辨率CT影像(HRCT)的肺结节计算机辅助检测(CAD)方法,可以分为肺实质分割、感兴趣区域(ROI)识别、肺结节特征提取与分类、三维可视化显示几个步骤,综合采用了自适应阈值分割、数学形态学、偏微分方程与不变矩分析等算法。通过对多组肺癌患者CT影像的测试,该方法可以帮助医生有效的提高对于肺癌疾病的诊断准确率。

胸部CT中肺实质的自动分割及粘连肿瘤检测

为了实现胸部CT图像肺区的完全自动分割与辅助诊断,提出了一种自动肺实质分割算法,即引入基于量子粒子群优化的二维直方图阈值分割算法结合3-D区域生长,通过分割背景及胸腔实现肺实质分割,并提出行扫描曲率分析法实现粘连肿瘤检测及左右肺分离.该方法有效解决了肺实质分割中高密度特征易丢失、边缘肿瘤易遗漏等问题.通过多组胸部CT序列图像的实验,证明该方法对于肺实质分割非常精确有效,与传统分割算法相比,在分割精度上有明显提高.

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.

基于特征金字塔网络的肺结节检测

针对计算机断层扫描(CT)影像中肺结节尺寸变化较大、尺寸小且不规则等特点导致的检测敏感度较低的问题,提出了基于特征金字塔网络(FPN)的肺结节检测方法。首先,利用FPN提取结节的多尺度特征,并强化小目标及目标边界细节的特征;其次,在FPN的基础上设计语义分割网络(名为掩模特征金字塔网络(Mask FPN))用于快速准确地分割提取肺实质,作为目标候选区域定位图像;并且,在FPN顶层添加反卷积层,采用多尺度预测策略改进快速区域卷积神经网络(Faster R-CNN)以提高检测性能;最后,针对肺结节数据集的正负样本不平衡问题,在区域候选网络(RPN)模块采用焦点损失函数以提高结节的检出率。所提方法在公开数据集LUNA16上进行实验,结果表明,利用FPN和反卷积层改进的新网络对结节检测效果有一定的帮助,采用焦点损失函数也有一定效果。综合多种改进,当平均每个扫描件的候选结节数为46.7时,所提方法的肺结节检测敏感度指标为95.7%,与其他卷积神经网络方法如Faster R-CNN、UNet等相比,具有较高的敏感性。所提方法能够较好地提取不同尺度上的结节特征,提高CT图像肺结节检测的敏感度,同时对于较小的结节也能有效检测,能更有效地辅助肺癌的诊断治疗。

肺结节自动检测算法研究

本文研究一种用于自动检测CT图像中肺结节的计算机辅助检测(CAD)算法。该算法首先从CT图像中分割出肺部区域,然后利用基于图像灰度分布的阈值方法提取出包含肺结节和血管的感兴趣区域(ROIs)。在研究区分肺结节和血管的特征之后,利用基于规则的判别方法将感兴趣区域进行分类并提取出肺结节。运用本算法对232幅CT序列图像进行实验,实验结果表明运用该算法具有高达85％的检出率。

一种基于多层CT影像的肺部结节分割方法

本文针对多层CT影像中肺部结节分割问题,提出一种交互式手动分割结节的方法,用Canny算子代替传统Live-Wire算法中的拉普拉斯算子,解决了拉普拉斯算子边缘检测存在伪边缘和边缘间断的问题,实验证明利用该方法可以快速的为医生分割出感兴趣的结节区域,为定量分析和三维重建提供了前提,从分割和三维可视化的结果来看,该分割方法的分割结果是较为理想的.

基于边界逼近的肺实质分割方法

肺部CT图像的分割是计算机辅助诊断系统处理的一个重要环节,其分割的结果影响到医生的诊断与进一步的分析。由于胸膜结节的灰度与肺实质外围的灰度相近,运用传统的分割方法无法正确分割出此类病灶。将胸膜结节包含肺实质一起分割出来,使计算机辅助诊断系统能够对此类病灶做进一步的分析。提出一种结合Graham算法以及边界逼近的方法,对肺实质的轮廓进行修正,进而得到修正的二值模板;将该模板与原图像做乘运算,得到包含胸膜结节的肺实质。运用所提出的方法,对公开数据库LIDC中68张含病灶的CT样本图像做处理,通过与传统方法的对比以及对算法的过分割比例、欠分割比例以及准确性的分析,得到准确率为98.5%,平均过分割比例为1.35%,平均欠分割比例为0.51%,证明了该方法的有效性。

基于目标检测算法的肺结节辅助诊断系统

据统计,肺癌在全世界范围内是发病率、致死率最高的疾病之一。随着计算机辅助诊断系统(CAD)和卷积神经网络(CNN)的成熟化,医疗领域的诊断治疗也逐渐智能化。本文提出一种基于目标检测算法的肺结节自动检测方法,并提出一套将阈值分割算法和数字形态学处理相结合的肺实质CT影像处理流程。对LUNA16数据集中的1186个肺结节进行训练和学习,观察YOLO V3模型在数据集中的评价结果来验证模型,实验结果准确率达到92.18%,每张图片平均检测时间为0.035 s。与现有的肺结节检测算法SSD、CNN、U-Net等模型进行对比试验,以验证YOLO V3模型的有效性。同时本文基于CAD技术设计肺结节辅助诊断系统,实现人机交互,为医生提供简单明了的辅助诊断工具。

融合注意力特征的多任务肺结节检测和分割

针对CT图像肺结节检测和分割模型复杂且精度低的问题,提出一种端到端的融合注意力特征的多任务肺结节检测和分割算法。利用多任务模型对肺结节检测和分割进行建模,实现模型参数的共享和计算复杂度的降低;提出残差注意力特征融合模块融合尺度和语义不一致的特征,获取更加丰富的特征信息;采用自适应多任务损失函数,实现主任务和辅助任务损失权重的均衡。在LIDC-IDRI数据集上进行了详尽的实验,肺结节检测的CPM得分达到90.94%,肺结节分割的IoU和DSC分数分别为71.78%和80.89%,验证了算法的有效性。

CT图像肺结节自动检测

肺癌是对人类生命健康危害最大的恶性肿瘤之一。计算机辅助诊断系统对肺部CT图像进行自动分析后,可提示医生可疑肺结节,从而克服医生在诊断中的一些主观因素,为此本文提出了一种基于胸部CT图像的可疑肺结节自动检测算法。首先,根据胸部组织的特殊结构,利用一种新的分割算法提取出肺实质部分;在此基础上提取出灰度与结节相近的感兴趣区域,包括结节、肺血管、支气管;然后,以已标记的结节数据作为样本集,计算结节的面积、灰度均值、灰度方差、圆形度、形状矩、体积、球形度等特征值,利用最近邻法建立分类器判别函数;最后,计算测试集感兴趣区域的上述特征,对其进行判别、分类,并标记出结节。试验结果表明,该算法综合考虑了肺结节特征,具有较高的准确度。

恶性肺结节早期诊断智能识别相关技术综述

恶性肺结节早期诊断智能识别,对肺癌的诊断、提高5年生存率至关重要。在肺结节智能识别中,计算机辅助诊断发挥着极其重要的作用。恶性肺结节的智能识别关键点在于:(1)基于形态学特征识别恶性肺结节;(2)精确地测量肺结节的大小;(3)精确地确定生长率。本文就近年来恶性肺结节早期诊断智能识别相关技术和方法作一综述,包括肺实质分割、体数据的配准、肺结节的良/恶性识别等。