发明内容
本发明所要解决的技术问题是提供一种CT肺结节检测方法,能够有效减少检测结果中的假阳性结节,获得好的检测结果。
本发明为解决上述技术问题而采用的技术方案是提供一种基于局部和全局信息的CT肺结节检测方法,包括如下步骤:a)初始检测获得候选结节;b)提取所述候选结节图像的3D特征;c)以候选结节的中心为球心,产生有序均匀视点,并从所述有序均匀视点重构候选结节的2D再生图像,并提取2D特征;d)使用所述2D特征和所述3D特征对候选结节进行分类,区分候选结节为结节或假阳性。
进一步地,所述步骤a)中候选结节的初始检测包括如下步骤:a1)使用第一阈值进行肺分割,并检测肺边缘的缺口,根据缺口深浅和大小进行修补获得肺部原图像;a2)对所述肺部原图像,使用第一选择增强滤波器增强结节,抑制正常解剖结构;使用第二选择增强滤波器增强类似血管的线状结构;使用第三选择增强滤波器增强类似气管壁的平面结构;生成候选结节增强图像;a3)使用第二阈值分割所述候选结节增强图像,获得初始的候选结节图像。
进一步地,所述步骤b)中的3D特征包括所述候选结节的原图像,以及所述增强图像的形状、灰度和曲率。
进一步地,所述步骤c)中从所述有序均匀视点重构候选结节的2D再生图像,并提取2D特征,包括如下步骤:c1)确定过所述候选结节中心且与视线垂直的平面上的图像作为所述视点的2D再生图像;c2)对每个所述2D再生图像,使用基于区域的活动轮廓模型对所述候选结节进行分割;c3)计算各分割区域图像的2D特征。
进一步地,所述步骤c2)中在所述活动轮廓模型的约束项中添加边缘检测算子。
进一步地,所述步骤c2)中对分割后图像再进行灰度阈值处理去掉背景干扰,然后进行填充、标记,位于图像中心的分割区域作为2D再生图像中的候选结节。
进一步地,所述2D特征包括各分割区域面积、有效直径、圆形度、紧凑度、与目标区域有相同二阶矩的椭圆的短轴与长轴比、偏心率、7个2D不变矩的前三个、傅立叶描述子绝对值的最大值、以及目标区域所有像素的梯度的均值。
进一步地,所述步骤d)区分结节或假阳性的方法如下:如果一个2D侯选结节的短轴与长轴比的标准差小于0.2,或第一个2D不变矩的标准差小于0.5,则认为所述侯选结节是假阳性结节;否则,认为所述侯选结节是结节。
进一步地,所述结节通过如下方法进行特征选择与分类:d1)先选择所述结节的有用特征,将所述有用特征输入到线性分类器对特征数据进行分类;d2)根据分类器的输出,使用第三阈值去掉一些结节以及假阳性结节;d3)接着将剩余的数据重新输入到分类器;d4)重复前述步骤直到获得预设的敏感度。
进一步地,所述步骤d)中区分候选结节为结节或假阳性的方法包括:同时使用2D和3D特征进行分类筛选、先使用2D特征再使用3D特征进行分类筛选,或者先使用3D特征再使用2D特征进行分类筛选。
本发明对比现有技术有如下的有益效果:本发明提供的CT肺结节检测方法,使用有序均匀视点将3D候选结节图像转化为多张2D再生图像,巧妙的将3D空间物体转化为2D图像,同时使用由有序均匀视点重构技术产生的2D特征以及已有的3D整体特征来检测结节,打破了目前CAD系统仅使用3D特征检测结节的模式,而且放射科医生可以使用这些新的2D图像来从不同角度观察3D候选结节。因此,本发明提供的CT肺结节检测方法,有效减少检测结果中的假阳性结节,从而获得较佳的检测结果。有序均匀视点重构技术能够对3D图像中的多种典型病灶区域的计算机辅助检测与诊断以及临床应用方面起到重要作用。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明同时使用由有序均匀视点重构技术产生的2D特征以及已有的3D整体特征来检测结节,打破了目前CAD系统仅使用3D特征检测结节的模式,使用2D信息可以有效减少检测结果中的假阳性结节。所谓有序视点即除第一个和最后一个视点外,任何一个视点都有一个前视点和一个后视点;所谓均匀视点即指视点在球面上是均匀分布的,也即相邻视点在球面上的距离是固定的。
由于结节在绝大多数视点的2D再生平面中会呈现类圆形,而血管在一些“有效视点”平面中总会呈现线形,在一些“非有效视点”平面中会呈现类圆形,所以使用有效视点平面可以很容易的区分结节与血管。如果单独使用3D信息,相当于将一些有效视点的2D信息与许多非有效视点的2D信息混合起来使用,降低了有效视点平面局部2D信息的重要性。有效视点平面对于其他的一些假阳性结节,例如对横、纵隔膜附近的软组织也适用,从而使得放射科医生可以使用这些新的2D图像从不同角度观察3D候选结节。
使用2D特征信息来检测结节,其优点在于不仅可以使用有效视点平面来检测结节,还可以利用候选结节有效视点平面与无效视点平面的差异来检测结节。简单的说,在一组2D图像中血管的形状差异较大,而结节的差异较小。所以,可以根据一组2D图像特征的变化来检测结节。由此可见,2D信息实际上不仅包括候选结节在各个2D重构图像中的细节信息,还包括一组2D重构图像中形状差异的总体信息。
下面结合具体实验数据对本发明作进一步的描述。
实验用的CT扫描数据来自LIDC提供的标准肺部结节CT数据,参见文献15:M.F.McNitt-Gray,S.G.Armato,3rd,C.R.Meyer,etal.,″TheLungImageDatabaseConsortium(LIDC)datacollectionprocessfornoduledetectionandannotation,″AcadRadiol14,1464-1474(2007)。CT扫描的参数为120-140kVp和40-422mAs。这个数据库有85组CT数据,每一个病例有0-8个结节。CT数据的层厚为1.25-3mm,层间距为0.75-3mm,每层CT图像的大小为512×512个像素,像素大小为0.5-0.8mm。
结节的确定由两部分组成,首先由四名放射科医生单独阅读这些CT图像,确认结节的位置以及形状。然后,将获得的4名医生的结果反馈给每一位医生,这四名医生再次确认结节的位置与形状。最终,至少被二名医生确认,直径为3-30mm的结节有111个,这111个结节就是本发明研究的对象。由于有些结节只被两个医生检测到,而另外两个医生漏检了,所以这些结节可能很难被CAD检测到。
本发明提出的CT肺结节检测方法是在已有算法中添加2D特征提取模块。首先找到以初始检测获得的候选结节的中心为球心,单位球面上的有序均匀视点,接着确定过结节中心且与视线垂直平面上的图像作为该视点的2D再生图像。在每个2D再生图像中,使用基于区域的活动轮廓模型对2D再生图像的候选结节进行分割。然后,计算各分割区域的形状、梯度等2D特征。
在修改的去除假阳性结节模块中,使用具有最小过度训练偏差的基于规则的分类器对结节与假阳性结节进行分类。根据不同的特征空间,本发明采用和比较五种不同的分类方法,包括2D方法(仅使用2D特征),3D方法(仅使用3D特征),2D+3D方法(同时使用2D3D特征),2D-3D方法(先使用2D特征再使用3D特征),3D-2D方法(先使用3D特征再使用2D特征)。本发明先简略介绍结节的初始检测以及3D特征提取,然后重点阐述新的2D特征的抽取方法和改进的候选结节分类方法。具体说明如下:
图1为本发明的CT肺结节检测流程示意图。
请参见图1,本发明提供的的CT肺结节检测方法包括如下步骤:
步骤S101:初始检测获得候选结节。
候选结节的初始检测采用文献16:Q.Li,F.LiandK.Doi,″Computerizeddetectionoflungnodulesinthin-sectionCTimagesbyuseofselectiveenhancementfiltersandanautomatedrule-basedclassifier,″AcadRadiol15,165-175(2008)的方法。请参见图2,具体包括如下步骤:
步骤S201:使用第一阈值(第一阈值为-400HU)进行肺分割,并检测肺边缘的缺口,根据缺口深浅和大小进行修补获得肺部原图像;
步骤S202:对所述肺部原图像,使用第一选择增强滤波器增强结节,抑制正常解剖结构,见文献17:Q.Li,S.SoneandK.Doi,″Selectiveenhancementfiltersfornodules,vessels,andairwaywallsintwo-andthree-dimensionalCTscans,″MedPhys30,2040-2051(2003);同时使用第二选择增强滤波器增强类似血管的线状结构;使用第三选择增强滤波器增强类似气管壁的平面结构;生成候选结节增强图像;
步骤S203:使用第二阈值分割候选结节增强图像,确定初始的候选结节图像。在计算2D和3D特征时,使用初始结节的中心作为候选结节的中心。
步骤S102:提取候选结节图像的3D特征。
在原图像中,使用带约束项的3D区域增长技术对初始检测的结节进行精确分割。根据结节的初始检测区域以及区域增长精确分割获得的区域,在原始图像、选择性增强滤波器获得的结节增强图像、血管增强图像、气管壁增强图像、以及形状指数、曲率图像中,提取了18个图像的形状、灰度、曲率等3D特征。对于提取的3D特征的具体描述见表1,同时在文献16中有详细描述。
表一
步骤S103:以候选结节的中心为球心,寻找单位球面上的有序均匀视点,并从有序均匀视点重构候选结节的2D再生图像,并提取2D特征。请参见图3,具体包括如下步骤:
步骤S301:确定过候选结节中心且与视线垂直的平面上的图像作为该视点的2D再生图像。
产生有序均匀视点的螺旋扫描方法最初是由文献18:J.Wang,R.EngelmannandQ.Li,″Segmentationofpulmonarynodulesinthree-dimensionalCTimagesbyuseofaspiral-scanningtechnique,″MedPhys34,4678-4689(2007)中进行3D结节分割时提出来的。螺旋扫描技术可以将3D图像转化为广义极坐标2D图像来极大简化分割算法和提高分割性能。该技术可以在球面上生成从“北极”到“南极”、有序均匀的结点,这些节点可以作为视点来产生本发明中的2D再生图像。由于在3D空间中结节近似球形,所以在本发明中使用球形模型来近似表示结节。图4为球面上从“北极”到“南极”的有序均匀视点,其中大圆点为球心,即结节的中心,小圆点为视点。
根据已经生成的视点,产生过结节中心且与视点垂直的2D再生图像。图5为视点P与一个结节的关系示意图;假设结节中心在坐标原点O,视点P可由(r,θ,φ)表示,其中r为原点O与点P间的距离,θ为OP与z轴正向的夹角,φ为OP在xy平面的投影与x轴正向的夹角。为了得到2D再生图像,首先旋转坐标轴,让Z轴与OP重合。一个像素的旋转前坐标(x,y,z)和旋转后坐标(x’,y’,z’)的关系可由公式(1)得到:
过结节中心且与OP垂直的2D再生图像就是旋转后图像中Z’=0的平面。这个2D再生图像中的任何一点(x’,y’)在旋转后的坐标系中为(x’,y’,0),代入(1)式,即可计算其对应的旋转前的坐标(x,y,z)。一般而言,(x,y,z)不正好落在一个旋转前的像素上,因此用原图像中的一个8邻域,采用tri-linear插值来计算2D再生图像中像素(x’,y’)的值。
视点的个数决定了一个候选结节的2D再生图像的数目。由于球面上的视点关于原点中心对称,所以从“北极”到“赤道”的视点产生的2D再生图像与从“南极”到“赤道”的视点产生的2D再生图像基本是对称相同的,所以本发明仅用从“北极”到“赤道”的视点(即球面上有序均匀视点的上半部)产生的2D再生图像。在本发明中,取视点个数为24,因此每个结节共有24张2D再生图像。本发明将比较视点个数为11,24和42时的结节检测性能。图6(a)、6(b)分别为结节和血管的相邻多层图像(检测到的假阳性结节多为血管),图6(c)、6(d)分别为结节和血管的2D再生图像。从图4(a)的相邻多层CT图像可以看出结节与血管相连,检测难度大。但是,结节在绝大多数的2D再生图像中呈现类圆形,如图6(c)所示,且不与血管粘连,因此能够容易的判断是结节。而图6(b)中血管的相邻多层CT图像与结节相似,不易简单的判断为血管。但是图6(d)的某些2D再生图像中,很容易发现目标是血管,这些2D再生图像称为“有效2D再生图像”。可以用这些“有效2D再生图像”来很好的区分结节与假阳性结节。
步骤S302:对每个2D再生图像,使用基于区域的活动轮廓模型对2D再生图像的候选结节进行分割。
本发明以文献19提出的基于局部信息的活动轮廓模型方法作为分割2D再生图像中候选结节的基本方法;此方法Matlab代码可以从如下网站:http://www.engr.uconn.edu/~cmli/research/获得。此方法能够克服图像强度的不一致性。但是对比度低或边界不清楚的结节,此方法不能准确分割。因此本发明在约束项中添加边缘检测算子来进一步提高此方法图像边缘分割的效果,参见文献21:V.Caselles,R.KimmelandG.Sapiro,″Geodesicactivecontours,″InternationalJournalofComputerVision22,61-79(1997)。对分割后图像再进行灰度阈值处理去掉一些背景干扰,然后进行填充、标记。位于图像中心的分割区域就作为2D再生图像中的候选结节。图6(e)和6(f)为结节与血管的分割结果。从图6(e)可以看出,分割后的结节图像从各个不同视点看几乎都呈现类圆形;反观图6(f),分割后的血管图像在某些视点呈现类圆形,在某些视点呈现长条形,形状差异较大。所以,可以利用目标物体在2D图像上形状的差异来区分结节与假阳性结节。
步骤S303:计算各分割区域的2D特征。
提取的2D特征以及特征统计量具体见表1;由于每一个候选结节有24张2D再生图像,且每一个2D再生图像有一组2D特征,所以每个结节有24组2D特征。提取的2D特征包括面积、有效直径、圆形度、紧凑度、与目标区域有相同二阶矩的椭圆的短轴与长轴比、偏心率、7个2D不变矩的前三个,见文献22:H.Ming-Kuei,″Visualpatternrecognitionbymomentinvariants,″InformationTheory,IRETransactionson8,179-187(1962),文献23:R.C.Gonzalez,R.E.WoodsandE.S.L.,DigitalImageProcessingUsingMATLAB(PrenticeHall.,NewJersey,2003)、傅立叶描述子绝对值的最大值、以及目标区域所有像素的梯度的均值。由于后4个2D不变矩描述目标过于细微的细节,对形状的主要部分描述不够,不能很好区分结节与假阳性结节,所以放弃后4个不变矩。本发明只使用傅立叶描述子的最大值,因为它很好的描述区域的总体形状。不变矩、傅立叶描述子和梯度的计算采用http://www.engr.uconn.edu/~cmli/research/获得的Matlab代码,计算梯度时使用的模板的步长为1。
每一个2D特征在所有24个视点图像中的统计量(均值和标准差)可以用来有效区分结节和假阳性结节。对于结节而言,它在各个2D再生图像中形状相近,因此2D特征相近,标准差较小。但是,对于很多假阳性结节而言,它在各个2D再生图像中形状相差较大,因此2D特征变化较大,标准差也较大。为了使每一个视点2D特征的均值和方差有所差异,在计算某个视点的某个特征的均值和方差时,只使用该视点以外的23个视点。图7为圆形度的均值与标准差的关系示意图,图中x表示假阳性结节,o表示结节。由于候选结节的数据点过多,因此对每一个候选结节只随机选取了一个视点。结节有较大的平均圆形度和较低的标准差,而假阳性结节有较小的平均圆形度和较大的标准差,与期望完全吻合。由于假阳性结节与结节的分布分离的较好,利用这两个特征可以去掉很多假阳性结节。
每个候选结节有一组3D特征,这组3D特征描述候选结节3D整体特征。当需要同时使用2D和3D特征时,将这组3D特征分配到该候选结节所有24个2D再生图像中,因此同一个候选结节的所有24个2D再生图像都有相同的3D特征。
步骤S104:使用2D再生图像的2D特征和候选结节图像的3D特征对候选结节进行分类,区分候选结节为假性阳结节或结节。
由于测试的数据集合过大,所以在进行分类前,使用下面两条规则去掉一些明显的假阳性结节来大大降低分类的时间。如果一个2D候选结节的(1)短轴与长轴比的标准差小于0.2,且(2)第一个不变矩的标准差小于0.5,则该目标区域被认为是结节保留下来。否则,该目标区域被认为是假阳性结节而去掉。图8为短轴与长轴比的标准差与第一个不变矩标准差的关系示意图,图中2条直线表示2条规则,x表示假阳性结节,o表示结节。由于数据量过大,使用与图7相同的方法对数据进行采样。从图8中可以看出,在使用两条规则去掉一些明显的假阳性结节的同时,有意保留一些假阳性结节,使得由于规则引起的偏差尽可能的小。
对于使用上述两条规则没有去掉的候选结节,本发明使用具有最小过度训练偏差的基于规则的分类器自动进行特征选择与分类。即先选择所述结节的有用特征,将这些有用特征输入到线性分类器对特征数据进行分类,根据分类器的输出,使用合理的第三阈值去掉一些结节以及假阳性结节。接着将剩余的数据重新输入到分类器,重复刚才的步骤直到获得预设的敏感度。
根据不同的特征空间,本发明采用5种不同的分类方法来分类。在方法1中(2D方法),仅使用2D特征(表1中特征1-33)来分类。即将每个结节的24张2D再生图像及2D特征独立对待,使用以上分类器进行分类。对于某个候选结节,如果有多于70%的2D再生图像被认为是结节,则这个候选结节被认为是结节。否则,这个候选结节被认为是假阳性结节而去掉。这个70%被称为百分比阈值。本发明分析不同百分比阈值对最终检测性能的影响。
在方法二中(3D方法),仅使用3D特征(表1中特征34-51)来分类,与文献14使用的方法完全相同。
方法三(2D+3D方法)与方法一类似,但同时使用2D、3D特征来分类。同一个候选结节的24张不同2D再生图像除具有各自的2D特征外,同时还加上3D特征。同一个候选结节中的每一个2D再生图像有相同的3D特征。将每一个候选结节的每一张2D再生图像独立对待,使用分类器进行分类。对于某一个候选结节,如果有多于70%的2D再生图像被认为是结节,则这个候选结节被认为是结节。否则,这个候选结节被认为是假阳性结节而去掉。
在方法四中(2D-3D方法),先使用方法一的2D特征来分类,去掉一些真结节与假阳性结节,直到检测的敏感性为85%时停止。然后,对剩下的候选结节再用方法二的3D特征来分类。
在方法五中(3D-2D方法),先使用方法二的3D特征来分类,去掉一些真结节与假阳性结节,直到检测的敏感性为85%时停止。然后,对剩下的候选结节再用方法一的2D特征来分类。
对于本发明提出的五种方法,都是使用leave-one-case-out方法来测试其性能。即每次选择一个病人的数据来测试,其余所有的数据用来训练。重复实验,直到所有数据都被测试过。
下面分别说明下视点个数、维再生图像的百分比阈值、规则对检测性能和时间的影响。
由于视点个数是一个重要参数,下面研究当候选结节有11、24、42个视点时的检测性能。图9为11、24、42个视点时结节检测的FROC曲线示意图;实验中,使用了两条规则,2D再生图像分类时的百分比阈值设为70%。为了图形的清晰,只显示假阳性率为0到30FPs/case时的情形。从图9可以看出,使用24和42个视点时获得的性能非常相近,它们都优于使用11个视点时获得的性能。这是由于11张2D再生图像数目过少,提供的有效信息略少,所以获得检测性能略差。由于使用42个视点时花费的时间约为使用24个视点时花费时间的1.75倍,而它们获得的性能却非常相近,所以在以下的实验中,使用24个视点。
由于2D再生图像的百分比阈值是一个重要参数,下面研究当阈值为20%,30%,40%,50%,60%,70%和80%时的结节检测性能。图10为候选结节有24个视点,使用2D+3D方法,在分类检测之前使用两条规则,百分比阈值为20%,30%,40%,50%,60%,70%和80%时结节检测的FROC曲线示意图,从图10可以看出,检测性能随百分比阈值变化不大,说明算法对阈值的选择很稳定。尤其在百分比阈值在40%-70%时,检测性能最佳。所以,本发明选用70%作为最终实验中使用的阈值。
使用简单规则可以去掉很多假阳性结节,从而极大提高计算速度。例如,在85组CT图像中,检测到的初始候选结节有9,155个。如果采用24个视点会产生219,720张2D再生图像,即有219,720组特征,处理所有这些2D再生图像将花费大量计算时间。如果仅使用规则1,即去掉椭圆的短轴与长轴比的标准差大于等于0.2的候选结节,则可去掉80,090张假阳性的2D再生图像,而不牺牲掉任何一张结节的2D再生图像。如果再使用规则2,即去掉第一个不变矩的标准差大于等于0.5的候选结节,则可以额外再去掉22,201张假阳性2D再生图像,同样不牺牲掉任何一个结节的2D再生图像。
图11为不使用规则、使用一条规则、和使用两条规则时,2D+3D方法结节检测的FROC曲线示意图。实验中,使用24张2D再生图像,2D再生图像的百分比阈值为70%。从图11可以看出,不使用规则、使用一条规则、使用两条规则获得的分类性能相近。使用两条规则获得的分类性能略好于使用一条规则获得的分类性能,使用一条规则获得的分类性能略好于不使用规则获得的分类性能。
图12为不使用规则、使用一条规则、和使用两条规则时,2D+3D方法结节检测的敏感性与所需时间的曲线。实验使用Matlab编程软件,运行机器的处理器为2.66GHzIntelCore2CPUwith3.00GBRAM。从图12可以看出,使用两条规则花费的时间大大少于使用一条规则以及不使用规则分类时花费的时间。在80%敏感度时,不使用规则、使用一条规则和使用两条规则所花费的时间分别为7,489s,3,566s,2,588s。
图13为使用2D方法、3D方法、2D+3D方法、2D-3D方法、3D-2D方法结节检测的FROC曲线示意图。实验中使用两条规则,24张2D再生图像,和70%的百分比阈值。总体来说,2D+3D方法获得的性能最佳,但与3D-2D方法、2D-3D方法获得的性能相差不大。2D方法获得的性能为其次,3D方法获得的性能最差。表二为在敏感性为75%、80%和85%时,使用5种方法获得的检测性能。从表二可以看出,在敏感性为85%、75%时,使用2D+3D方法获得最佳性能,分别有2.65FPs/case和0.64FPs/case。在敏感性为80%时,使用3D-2D方法获得最佳性能,有1.61FPs/case。
表二
假阳性结节过多是目前CAD面临的主要问题,这是因为目前的研究仅使用3D整体特征。为了克服3D特征的局限性,本发明提出了有序均匀视点重构技术。有序均匀视点重构技术新颖、巧妙、易于实现。该技术能够从多个不同的有效视点来分析3D候选结节,利用结节与血管在某些2D平面的明显形状差异,以及结节与血管在24张2D图像中本身的形状差异来去掉假阳性结节。
如果不使用基于有序均匀视点重构技术来获得2D再生图像,而简单的根据CT图像的扫描顺序来获得2D图像。虽然也可以得到2D图像,但是很可能结节与假阳性结节在这些2D图像上都呈现类圆形,不存在“有效2D图像”,不能从根本上提高结节检测的性能。本发明使用有序均匀视点重构技术获得的“有效2D图像”来检测结节,显著提高检测的性能。当敏感性为80%时,假阳性结节的数目大概为2.5FPs/scan,与目前CAD检测CT图像中的结节的平均结果相比,检测性能得到显著提高。
使用2D特征分类检测肺结节虽能获得比仅使用3D特征更好的结果,毕竟它使用的主要是局部的2D信息,如不与3D全局特征结合,其性能也有一定的局限性。如果结合互补的局部2D特征和整体的3D特征,检测性能可进一步提高。在本发明中,使用了三种方法结合2D与3D特征,即2D+3D方法,2D-3D方法,3D-2D方法。总体来说,三种方法的检测性能相差不大,使用2D+3D方法获得的性能最佳。当敏感性为80%时,假阳性结节的数目大概为1.8FPs/scan左右,检测性能大大提高。
本发明中使用的结节的金标准是由2个或2个以上医生的检测而来的。如果采用更多或者更少医生制定的金标准,结果将会不同,但结论应该是相似的,即同时使用2D和3D信息检测结节会获得最佳的结果。这是因为同时使用局部的2D信息和全局的3D信息来分类,向分类器输入了更多的有效信息来区分假阳性结节与结节,所以会获得最佳的性能。使用2D信息检测结节会获得比使用3D信息更好的性能,这是因为2D再生图像将结节的3D复杂结构变成相对简单的2D结构,使得2D信息能更有效、容易的描述结节与假阳性结节的区别。
使用规则可以极大地减少计算时间。同时必须看到,这不可避免会引入偏差。为了使偏差最小化,本发明仅使用了两条比较宽松的规则来有意识的保留下来很多的假阳性结节。使用这两个规则对性能的影响不大,这就说明使用规则后引入的偏差是很有限的。
初始结节中心位置的准确与否可能影响2D特征的质量,也会影响最终检测的效果。如果初始的结节在3D空间的位置偏离其真正的中心较远,可能会产生两种不良影响:(1)结节在不同2D再生图像中呈现大小差异较大的类圆形。(2)2D再生图像中的结节中心偏离2D图像的中心。这些都可能会对计算的2D特征及其统计量产生影响。本发明使用文献16的方法获得的候选结节中心位置来产生2D再生图像。经过仔细观察发现,所有结节的2D再生图像没有出现上述问题。本发明较高的结节检测性能也验证了这个问题的影响很有限。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。