CN104751178B - 基于形状模板匹配结合分类器的肺结节检测装置及方法 - Google Patents

基于形状模板匹配结合分类器的肺结节检测装置及方法 Download PDF

Info

Publication number
CN104751178B
CN104751178B CN201510148734.9A CN201510148734A CN104751178B CN 104751178 B CN104751178 B CN 104751178B CN 201510148734 A CN201510148734 A CN 201510148734A CN 104751178 B CN104751178 B CN 104751178B
Authority
CN
China
Prior art keywords
region
detection
mrow
area
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510148734.9A
Other languages
English (en)
Other versions
CN104751178A (zh
Inventor
龚敬
聂生东
王丽嘉
王远军
步蕊蕊
刘霁雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangda Intercontinental Medical Devices Co.,Ltd.
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201510148734.9A priority Critical patent/CN104751178B/zh
Publication of CN104751178A publication Critical patent/CN104751178A/zh
Application granted granted Critical
Publication of CN104751178B publication Critical patent/CN104751178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

一种基于形状模板匹配结合分类器的肺结节检测装置,包括:输入单元,用于输入DICOM格式的肺部CT断层序列影像;肺实质区域处理单元,对CT断层序列影像分割出肺实质区域;对分割出的肺实质区域采用边界编码修补算法进行修补;运用面绘制算法重建三维观察修补后的肺实质区域;感兴趣区域提取单元,针对修补后的肺实质区域,设定灰度阈值提取感兴趣区域(ROI);粗筛单元,根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候选结节区域;特征提取单元,根据候选结节灰度和形态学特征,提取多种特征参数作为进一步检测的样本集;二次检测单元,运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果。

Description

基于形状模板匹配结合分类器的肺结节检测装置及方法
技术领域
[0001] 本发明属于医学图像处理领域,涉及一种基于形状模板匹配结合分类器的肺结节 检测装置。对肺结节进行准确检测是基于CT影像肺癌早期计算机辅助诊断(Computer Aided Diagnosis,CAD)的核心内容。
背景技术
[0002] 据2014年全球癌症报告显示,早在2012年肺癌全球发病总人数大约为182.5万,占 恶性肿瘤的13%,是发病率最高的高发恶性肿瘤。其中,中国是肺癌全球死亡人数最多的国 家。肺癌发病率的不断增加与人口老龄化、城市工业化、农村城市化、环境污染化以及生活 方式不良化等因素有关。肺癌早期诊断对于病患的治疗和预后有着重要的作用,肺癌早期 手术治疗后十年的生存率约为90%。肺癌早期主要表现为肺结节,螺旋CT检测是肺癌诊断 的常规手段之一,通常使用CT和低剂量CT (LDCT)可以诊断肺结节的解剖结构及其变化,而 通过增强扫描CT (CE-CT)则可以观察胸部结构变化和结节的特征。随着多层多排探测器技 术的不断发展,CT扫描图像分辨率和层厚更低,可以更加准确、有效地检测结节。在临床中, 结节的检测一般是由医生根据经验进行肉眼判断,工作强度很大。因此,肺结节检测CAD技 术被称为临床医生的“第二双眼睛”,用于辅助医生进行检测,提高检测的准确率和效率。,
[0003] 近年来,国内外研究人员提出了多种肺结节检测方法,Ye等2009年在杂志 ((Biomedical Engineering,IEEE Transactions on〉〉上发表的论文〈〈Shape-based computer-aided detection of lung nodules in thoracic CT images》中提出按照检测 所依据的标准不同可以大致分为:模板匹配算法检测和分类器检测方法。其中,模板匹配检 测方法主要是通过建立结节模型进行匹配检测,而分类器检测方法则是根据结节在图像中 亮度特征的特异性建立分类器进行检测分类。
[0004] 通常模板匹配检测方法是利用定义模板对图像中感兴趣区域进行识别,从而检测 出肺结节的目标检测与识别方法。基于模板匹配算法检测肺结节主要流程包括:图像预处 理、肺实质分割、感兴趣区域提取、模板建立以及模板检测等步骤。Lee等2001年在《Medical Imaging, IEEE Transactions on》杂志上发表论文《Automated detection of pulmonary nodules in helical CT images based on an improved template-matching technique》提出一种遗传算法模板匹配(GATM)技术,利用遗传算法有效定位目标位置,并 筛选出适合的模板进行快速模板匹配,选用20组临床病例进行测试准确率为72%,假阳性 为I. Iper image;Osmana等2007年在〈〈Computers in Biology and Medicine〉〉杂志上发表 论文《Lung nodule diagnosis using 3D template matching》通过建立三维模板检测疑 似结节区域,将模板与感兴趣区域进行卷积判断是否为结节,检测敏感性达到100%,假阳 性为〇.46per slice;Jo等2014年在杂志《Computers in Biology and Medicine》上发表论 文〈〈Pulmonary nodule registration in serial CT scans using global rib matching and nodule template matching》运用肺体积中心校正全局平移,利用肺部图像的冠状面 和矢状面最大密度投影刚体配准再次提取偏移,根据结节密度和几何约束检测肺结节,准 确率达到100%。现有模板匹配检测算法能够利用结节的模型特点建立不同的模板,具有较 高的检测敏感性,但是检测假阳性也相对较高。因此,本发明借助模板匹配算法敏感性高的 优势,利用模板匹配算法对肺结节进行粗筛选。
[0005] 同时,分类器检测方法是一种借助于分类器算法,利用肺结节区域特征集检测肺 结节的方法。基于分类器算法的肺结节检测通过对结节特征进行提取,选择合适的分类器 对感兴趣区域进行判别和检测。Murphy等2009年在杂志《Medical Image Analysis》上发表 论文《A large-scale evaluation of automatic pulmonary nodule detection in chest CT using local image features and k-nearest-neighbour classification〉〉利 用图像局部的形状指数和曲度值特征提取候选结节区域,结合最邻近法分类器(KNN)检测 肺结节,敏感性为80 %,假阳性为4 · 2/Scan ;Messay等2010年在杂志《Medical Image Analys is》上发表论文《A new computationally efficient CAD system for pulmonary nodule detection in CT imagery》运用灰度阈值和形态学方法检测提取感兴趣区域,并 选用费希尔线性分类器和二次分类器两种分类器结合感兴趣区域的245种特征进行检测, 敏感性为80 · 4 %,假阳性为3/Scan ; Sousa等2010年在杂志《Computer Methods and Programs in Biomedicine》上发表论文《Methodology for automatic detection of lung nodules in computerized tomography images》选择支持向量机分类器(SVM),根据 提取特征进行检测分类,敏感性为84.84%,假阳性为0.42/Scan; Tan等2011年在杂志 ((Medical Physics〉〉发表论文〈〈A novel computer-aided lung nodule detection system for CT images》将遗传算法与神经网络结合,运用具有11个隐性节点的神经网络模型进行 分类,敏感性为87 · 5%,假阳性为4/Scan;Cascio等2012年在杂志《Computers in Biology and Medicine》上发表论文《Automatic detection of lung nodules in CT datasets based on stable 3D mass-spring models》,通过设定双阈值检测判定,并结合神经网络 分类器进一步降低假阳性,敏感性为88 %,假阳性为2.5/Scan; Choi等2012年在杂志 ((Information Sciences〉〉上发表论文〈〈Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images》提取二维和三维特征,运用遗传编码分类器检测结节,敏感 性为94.1%,假阳性为5.45/Scan;Wang等2013年在杂志《Clinical Imaging》上发表论文 ((Computer-aided detection of lung nodules by SVM based on3D matrix patterns)) 选择结节三维特征建立参数矩阵,用最小二乘支持向量机分类器进行检测,敏感性98.2%, 假阳性为9. Ι/Scans。对比现有分类器检测算法可以发现,基于分类器检测方法总体检测敏 感性不高,但是相对模板匹配算法检测假阳性较低。因此,本发明发挥分类器算法对肺结节 检测假阳性低的优势,利用分类器算法对肺结节进行二次筛选。对比两类肺结节分类算法, 可以发现:模板匹配检测方法敏感性较高,总体敏感性在95%以上,通过优化设定匹配参数 敏感性最高可以达到100%,但其假阳性也较高;而分类器检测方法对样本量、特征参数以 及类器选取有较强的依赖性,虽然敏感性相对不高,但其在降低假阳性方面有较好的效果。
发明内容
[0006] 本发明的目的在于克服上述已有技术的不足,提出一种基于形状模板匹配结合分 类器的肺结节检测装置,充分发挥模板匹配算法高敏感性的优势和分类器算法低假阳性的 特点,以实现对肺结节的准确检测。
[0007] 为实现上述目的,本发明通过如下方式实现:
[0008] (1)输入DICOM格式的肺部CT断层序列影像;
[0009] (2)对CT断层序列影像实施由Choi等2014年在杂志《Computer methods and programs in biomedicine〉〉上发表〈〈Automated pulmonary nodule detection based on three-dimensional shape-based feature descriptor》中提出的结合OTSU算法的3D区域 生长算法分割出肺实质区域;对分割出的肺实质区域采用边界链码修补算法进行修补;运 用面绘制算法重建三维观察修补后的肺实质区域;
[0010] (3)针对修补后的肺实质区域,设定灰度阈值提取感兴趣区域(ROI);
[0011] (4)根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候 选结节区域;根据候选结节灰度和形态学特征,提取12种特征参数作为进一步检测的样本 集;
[0012] (5)运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果。
[0013] —种基于形状模板匹配结合分类器的肺结节检测装置,包括:
[0014] 输入单元,用于输入DICOM格式的肺部CT断层序列影像;
[0015] 肺实质区域处理单元,对CT断层序列影像分割出肺实质区域;对分割出的肺实质 区域采用边界编码修补算法进行修补;运用面绘制算法重建三维观察修补后的肺实质区 域;
[0016] 感兴趣区域提取单元,针对修补后的肺实质区域,设定灰度阈值提取感兴趣区域 (ROI);
[0017] 粗筛单元,根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选, 获得候选结节区域;
[0018] 特征提取单元,根据候选结节灰度和形态学特征,提取多种特征参数作为进一步 检测的样本集;
[0019] 二次检测单元,运用支持向量机分类器对候选结节区域进行二次检测,得到最终 检测结果。
[0020] 如上所述的基于形状模板匹配结合分类器的肺结节检测装置,所述肺实质处理单 元包括:分割单元、修补单元和三维重建单元,其中:
[0021] 分割单元利用3D区域生长算法和OTSU阈值分割算法自动分割左右肺叶,获得初始 肺实质轮廓边界:首先对中间层序列图像进行阈值分割;然后,在所得分割图像中,由中心 点向左右两边寻找处于肺实质位置的点作为3D区域生长的种子点;最后,设定生长规则获 得肺实质区域初始轮廓;
[0022] 修补单元进行肺实质轮廓区域填充与边界修补:通过对初始轮廓边界编码,找出 边界线的极值点,并计算相邻极值点之间的距离,从而根据初始设定阈值半径修轮廓边界; 对初始分割区域中存在的一些未包含的小区域,利用区域填充方法填补这些区域;
[0023] 三维重建单元将填充与边界修补后得到的肺实质分割轮廓区域对原图像掩模,获 得分割后的肺实质区域,利用面绘制算法对肺实质图像进行重建。
[0024] 如上所述的基于形状模板匹配结合分类器的肺结节检测装置,其中粗筛单元根据 肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候选结节区域,按如 下方式进行:
[0025] 计算初始感兴趣区域的区域直径;
[0026] 以初始感兴趣区域半径为半径,对每个感兴趣区域建立圆形模板;
[0027] 利用模板匹配算法对初始感兴趣区域进行筛选,选用差的平方和模板匹配方法 (SSD)匹配感兴趣区域,若设原始感兴趣区域为I,匹配模板为T,则SSD匹配算法计算公式如 式⑴所示:
[0028]
Figure CN104751178BD00071
[0029] 计算所有初始感兴趣区域的SSD匹配参数,并设定阈值,将小于阈值的所有区域筛 选出来作为新的感兴趣区域。
[0030] 如上所述的基于形状模板匹配结合分类器的肺结节检测装置,其中二次检测单元 运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果,按如下方式进 行:
[0031] 对比四种常用的核函数线性核函数、多项式核函数、径向基核函数和Sigmoid核函 数的分类效果,选择最适合的核函数;
[0032] 利用参数寻优算法对分类器选择最优输入参数,其中输入参数为步骤5中的检测 样本集;
[0033] 训练支持向量机分类器,并进行肺结节检测。
[0034] —种基于形状模板匹配结合分类器的肺结节检测方法,包括如下步骤:
[0035] (1)输入DICOM格式的肺部CT断层序列影像;
[0036] (2)对CT断层序列影像分割出肺实质区域;对分割出的肺实质区域采用边界编码 修补算法进行修补;运用面绘制算法重建三维观察修补后的肺实质区域;
[0037] (3)针对修补后的肺实质区域,设定灰度阈值提取感兴趣区域(ROI);
[0038] (4)根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候 选结节区域;
[0039] (5)根据候选结节灰度和形态学特征,提取多种特征参数作为进一步检测的样本 集;
[0040] ⑹运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果。
[0041] 如上所述的基于形状模板匹配结合分类器的肺结节检测方法,其中步骤(2)所述 的肺实质区域分割、修补与重建过程,按如下步骤获得:
[0042] 2.1利用3D区域生长算法和OTSU阈值分割算法自动分割左右肺叶,获得初始肺实 质轮廓边界:首先对中间层序列图像进行阈值分割;然后,在所得分割图像中,由中心点向 左右两边寻找处于肺实质位置的点作为3D区域生长的种子点;最后,设定生长规则获得肺 实质区域初始轮廓;
[0043] 2.2肺实质轮廓区域填充与边界修补:通过对初始轮廓边界编码,找出边界线的极 值点,并计算相邻极值点之间的距离,从而根据初始设定阈值半径修轮廓边界;对初始分割 区域中存在的一些未包含的小区域,利用区域填充方法填补这些区域;
[0044] 2.3将步骤2.2中填充与边界修补后得到的肺实质分割轮廓区域对原图像掩模,获 得分割后的肺实质区域,利用面绘制算法对肺实质图像进行重建。
[0045] 如上所述的基于形状模板匹配结合分类器的肺结节检测方法,其中步骤(4)所述 的根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候选结节区 域,按如下步骤进行:
[0046] 4.1计算初始感兴趣区域的区域直径;
[0047] 4.2以初始感兴趣区域半径为半径,对每个感兴趣区域建立圆形模板;
[0048] 4.3利用模板匹配算法对初始感兴趣区域进行筛选,选用差的平方和模板匹配方 法(SSD)匹配感兴趣区域,若设原始感兴趣区域为I,匹配模板为T,i,j分别表示数字图像像 素点的横、纵坐标位置,则SSD匹配算法计算公式如式(1)所示:
[0049]
Figure CN104751178BD00081
[0050] 其中,M、N分别表示模板图像矩阵行和列的大小。
[0051] 计算所有初始感兴趣区域的SSD匹配参数,并设定阈值,将小于阈值的所有区域筛 选出来作为新的感兴趣区域。
[0052] 如上所述的基于形状模板匹配结合分类器的肺结节检测方法,其中步骤(6)所述 的运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果,按如下步骤 进行:
[0053] 6.1对比四种常用的核函数线性核函数、多项式核函数、径向基核函数和Sigmoid 核函数的分类效果选择最适合的核函数;
[0054] 6.2利用参数寻优算法对分类器选择最优输入参数,其中输入参数为步骤5中的检 测样本集;
[0055] 6.3训练支持向量机分类器,并进行肺结节检测。
[0056] 本发明与现有技术相比具有以下优点:
[0057] 本发明与目前国内外文献报道的其他肺结节检测方法相比,在保证高敏感性的同 时具有较低的假阳性,其检测性能高于现有算法。
附图说明
[0058] 图1是本发明装置结构示意图;
[0059] 图2是本发明装置中肺实质区域处理单元结构示意图;
[0060] 图3是本发明方法的主要操作过程示意图;
[0061] 图4是本发明方法肺实质分割结果。(a)〜(c)原始CT序列上中下层图像,⑹〜(f) 初始分割肺实质区域轮廓上中下层序列图像,(g)〜⑴修补后肺实质区域轮廓上中下层序 列图像,(j)〜⑴分割后肺实质区域上中下层图像;
[0062] 图5是本发明方法肺实质重建效果;
[0063] 图6是本发明方法实验数据信息分布直方图。(a)实验数据像素间距分布直方图, (b)实验数据层厚分布直方图,(c)实验数据单个序列包含图像数量分布直方图;
[0064] 图7是本发明方法实验样本特征分布图;
[0065] 图8是本发明方法ROC曲线对比分析图;
[0066] 图9是本发明方法SVM分类器检测结果展示。
具体实施方式
[0067] 参照图1,本发明基于形状模板匹配结合分类器的肺结节检测装置的具体实施方 式如下,该装置包括:
[0068] 输入单元1:输入待检测肺部CT序列影像:输入含有肺结节的DICOM格式的胸部肺 部CT序列影像。
[0069]肺实质区域处理单元2:进行肺实质区域分割、修补与三维重建。其包括分割单元 21;修补单元22和三维重建单元23 (如图2所示)。
[0070] 肺实质分割是结节检测的前提和基础,该过程主要是将肺叶从整个肺部CT图像中 分割出来。由于肺实质区域含有大量空气,因此其CT值比周围组织低,在CT图像中灰度值较 低。根据肺实质灰度值分布特点,肺实质区域处理单元包括以下三部分:
[0071] 分割单元21:利用3D区域生长算法和OTSU阈值分割算法自动分割左右肺叶,获得 初始肺实质轮廓边界。由于序列中中间层CT图像肺实质区域面积较大,且直方图特征比较 明显,因此可以首先对中间层序列图像进行阈值分割。然后,在所得分割图像中,由中心点 向左右两边寻找处于肺实质位置的点作为3D区域生长的种子点。最后,设定生长规则获得 肺实质区域初始轮廓。初始轮廓分割效果如图4〇1)、(e)、(f)所示。
[0072] 修补单元22:进行肺实质轮廓区域填充与边界修补。由于肺实质轮廓区域边界可 能含有与胸膜相邻结节,因此,初始轮廓边界会存在未包含在边界内的凹凸区域,需要采用 边界修补算法对初始轮廓边界进行修补。通过对初始轮廓边界编码,找出边界线的极值点, 并计算相邻极值点之间的距离,从而根据初始设定阈值半径修轮廓边界。肺实质区域中结 节区域灰度值往往较高,在初始分割区域中会存在一些未包含的小区域,需要利用区域填 充方法填补这些区域。修补、填充后肺实质区域如图4(g)、⑹、(i)所示。
[0073] 三维重建单元23,将修补单元22填充与边界修补后得到的肺实质分割轮廓区域对 原图像掩模,获得分割后的肺实质区域,结果如图4 (j)、⑹、(1)所示。利用面绘制算法对肺 实质图像进行重建,重建效果如图5所示。
[0074] 区域提取单元3:针对肺实质区域,设定灰度阈值提取感兴趣区域(ROI)。肺实质分 割之后,通过区域提取单元3对感兴趣区域(ROI)提取与粗筛选,可以初步定位疑似结节区 域。肺结节在CT图像上位于肺实质区域中,灰度值相对较高,因此,可以采用阈值法初步提 取感兴趣区域。对分割得到的肺实质区域序列图像设定阈值TH,若像素灰度值小于TH,则设 定其灰度值为〇,反之,灰度值则为1,通过上述阈值分割即可得到感兴趣区域初始位置。
[0075] 粗筛选单元4:根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛 选,获得候选结节区域。
[0076] 由于灰度值与周围血管、气管等结构相似,采用阈值法分割出的感兴趣区域往往 还包含有气管、血管等组织,需要进一步排除。肺结节影像学中的定义为直径小于等于3cm 的类圆形模糊影,因而,可以利用肺结节类圆形的区域特征对初始感兴趣区域进行筛选。进 一步筛选采用形状模板匹配方法,筛选出初始感兴趣区域中的类圆形区域,作为疑似结节。 首先,计算初始感兴趣区域的区域直径;然后,以初始感兴趣区域半径为半径,对每个感兴 趣区域建立圆形模板;最后,利用模板匹配算法对初始感兴趣区域进行筛选。
[0077] 选用差的平方和模板匹配方法(SSD)匹配感兴趣区域,若设原始感兴趣区域为I, 匹配模板为T,i J分别表示数字图像像素点的横、纵坐标位置,则SSD匹配算法计算公式如 式⑴所示。
[0078]
Figure CN104751178BD00101
[0079] 其中,M、N分别表示模板图像矩阵行和列的大小。
[0080] 计算所有初始感兴趣区域的SSD匹配参数,并设定阈值将小于阈值的所有区域筛 选出来作为新的感兴趣区域。阈值设定可以尽量较大,保证筛选敏感性达到1〇〇%,但是,过 大的阈值会使模板匹配检测性能降低,因此,需要在保证敏感性的前提下设定最佳阈值,本 发明选择经验阈值0.5.
[0081] 检测单元5:根据候选结节灰度和形态学特征,提取12种特征参数作为进一步检测 的样本集。
[0082] 提取的感兴趣区域特征主要包括灰度和形状两个方面的特征,共计12种特征。形 状特征主要包括:面积、周长、长轴长度、短轴长度、偏心率、圆形度、矩形度、扁长度等;灰度 特征包括:最大灰度值、最小灰度值、平均灰度值、灰度值差值等,特征具体描述如下:
[0083] 面积:表示ROI区域内的像素个数,若定义I (x,y)表示区域内的像素点,则面积可 用式⑵表示。
[0084]
Figure CN104751178BD00102
[0085] 其中,num表示计算像素点个数,S表示区域的面积大小。
[0086] 周长:表示ROI区域边界点像素的个数,计算公式如式⑶所示。
[0087]
Figure CN104751178BD00103
[0088] 其中,N4 (Xk,yk)表示点(Xk,yk)的四邻域,而Nd (Xk,yk)表示点(Xk,yk)对角线上坐标 位置,num表示计算像素点个数。
[0089] 长轴长度:以像素为单位,与区域具有相同标准二阶中心矩的椭圆的长轴长度。
[0090] 短轴长度:以像素为单位,与区域具有相同标准二阶中心矩的椭圆的短轴长度。
[0091] 偏心率:与区域具有相同标准二阶中心矩的椭圆的离心率,计算公式如式(4)所 不。
[0092]
Figure CN104751178BD00104
[0093] 其中,a表示具有相同标准二阶中心距椭圆的半长轴,b表示半短轴,c表示半焦距。
[0094] 圆形度:反映RO I区域类圆度的一个指标,计算公式如式⑸所示。
[0095]
Figure CN104751178BD00105
[0096] 矩形度:表示同时在ROI区域和其最小边界矩形中的像素比例。
[0097] 扁长度:表示同时在ROI区域和其最小凸多边形中的像素比例。
[0098] 最大灰度值:表示ROI区域内最大的灰度值,计算公式如式⑹所示。
[0099]
Figure CN104751178BD00111
[0100] 其中,max表示计算区域灰度最大的像素值,S表示区域的面积大小。
[0101] 最小灰度值:表示ROI区域内最小的灰度值,计算公式如式⑺所示。
[0102]
Figure CN104751178BD00112
[0103] 其中,min表示计算区域灰度最小的像素值,S表示区域的面积大小。
[0104] 灰度值均值:表示ROI区域内所有像素的灰度值均值,计算公式如式⑻所示。
[0105]
Figure CN104751178BD00113
[0106] 其中,M、N分别表示ROI区域图像矩阵行和列的大小。
[0107] 灰度值差值:表示最大灰度值与最小灰度值的差值。
[0108] 二次检测单元6:运用支持向量机分类器对候选结节区域进行二次检测,得到最终 检测结果。
[0109] 1995年Cortes和Vapnik首先提出支持向量机(Support Vector Machine,SVM)算 法,它在解决小样本、非线性及高维模式分类识别问题中表现出较多特有的优势,并可以推 广应用到函数拟合等其他机器学习问题中。鉴于本实验样本较小,同时该算法适用于小数 据量样本分类而对于大样本数据特异性不好等特点,本发明选择该分类器。然后,分别选择 线性核、多项式核、径向基函数核以及Sigmoid核函数进行训练测试对比选择最适核函数。 最后利用参数寻优算法得到最佳输入参数设置分类器进行分类。
[0110] 本发明的效果通过以下实验进一步说明。
[0111] 实验条件:
[0112] 本实验数据来自选取LIDC (Lung Image Database Consortium)数据库164组数 据。实验数据图像分辨率为0.51〜0.85mm,层厚为0.6〜4mm,单个序列包含图像数量为94〜 672张,数据信息分布直方图如图6所示。由于测试图像层厚最大为4mm,层间隔较大,对小结 节敏感性较差,因此,本发明选择实验样本为直径大于5mm的结节。该检测实验是在 Matlab2013a环境下进行的。
[0113] 实验结果及结果分析
[0114] 实验样本中共包含直径在5〜30mm之间结节860个,首先,运用形状模板匹配算法 检测,在保证敏感性为100%的前提下,尽量降低检测的假阳性,设定匹配参数SSD阈值为经 验阈值0.5,得到检测假阳性9.7683/Scan。
[0115] 经过模板匹配算法粗筛选后,结合临床医生诊断金标准,得到包含肺结节860个、 非结节区域1602个数据集作为分类器检测的样本数据。针对上述区域提取其灰度和形状方 面12种特征参数,特征参数分布情况如图7所示。为检验分类器算法检测结节的性能,将样 本数据分为训练集与测试集,其中,训练集样本中结节数量占肺结节总数量的80%,训练集 中结节数量与非结节数量比例为1:1。利用训练集样本对SVM分类器进行训练,测试样本检 测分类器性能。本发明利用LIBSVM工具箱对样本进行检测分类,分别选择线性核、多项式 核、径向基函数核以及Sigmoid核函数进行训练测试,得到分类效果如表1所示。
[0116] 表1
[0117]
Figure CN104751178BD00121
[0118] 对比分析可以发现,选择径向基函数核检测敏感性最高、准确率最高,而多项式核 检测特异性和假阳性最低。利用径向基函数核与多项式核分类的特异性与假阳性相差较 少,但敏感性和准确有较大提升,表明径向基函数核对肺结节检测适用性较好。同时,对比 四种核函数下肺结节检测ROC曲线分析(如图8所示)可以发现,利用径向基函数核检测ROC 曲线AUC (曲线下面积)值最大,也说明该核函数更适用于肺结节检测。
[0119] 利用RBF核进行检测时,为使检测效果最佳,选用参数寻优算法,实验得c为 3.0314,g为1时,检测敏感性最高,假阳性最低,SVM分类器检测结果如图9所示,检测敏感性 为95.35 %,假阳性为0.3659/Scan。此外,为验证CAD算法的应用性能,本发明还将现有CAD 算法性能与本发明方法进行对比,对比结果如表2所示。
[0120] 表2
[0121]
Figure CN104751178BD00122
[0122] [I] Murphy K , van Ginneken B , Schi Iham A M R, et al. A large-scale evaluation of automatic pulmonary nodule detection in chest CT using local image features and k-nearest-neighbour classification [J].Medical Image Analysis,2009,13 (5):757-770.
[0123] [2]Messay T,Hardie R C,Rogers S K.A new computationally efficient CAD system for pulmonary nodule detection in CT imagery[J].Medical Image Analysis,2010,14(3) :390-406.
[0124] [3]da Silva Sousa J R FjSilva A C,de Paiva A C,et al.Methodology for automatic detection of lung nodules in computerized tomography images[J] .Computer methods and programs in biomedicine,2010,98 (I):1-14.
[0125] [4]Cascio D,Magro R,Fauci F,et al.Automatic detection of lung nodules in CT datasets based on stable 3D mass-spring models[J].Computers in biology and medicine,2012,42 (11) :1098-1109.
[0126] [5]Choi ff JjChoi T S.Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images [J]. Information Sciences,2012,212:57-78·
[0127] [6]Keshani MjAzimifar ZjTajeripour F,et al.Lung nodule segmentation and recognition using SVM classifier and active contour modeling:A complete intelligent system [J].Computers in biology and medicine,2013,43 (4):287-300.
[0128] [7]Kuruvilla JjGunavathi K.Lung cancer classification using neural networks for CT images[J].Computer methods and programs in biomedicine,2014, 113 (1) :202-209.
[0129] [8]Santos A M,de Carvalho Filho A O1Silva A C,et al.Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models, Tsallis entropy and SVM[J]·Engineering Applications of Artificial Intelligence,2014,36:27-39.
[0130] [9]Jacobs C,van Rikxoort E M,Twellmann T,et al.Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images[J].Medical image analysis,2014,18 (2):374-384.
[0131] 通过对比可以得出,本发明选择数据库数量适中,包含结节样本量较大,总体敏感 性优于其他方法,假阳性也低于同类方法。
[0132] 参照图3,本发明的具体实施步骤如下:
[0133] 步骤1:输入待检测肺部CT序列影像。
[0134] 输入含有肺结节的DICOM格式的胸部肺部CT序列影像。
[0135] 步骤2:肺实质区域分割、修补与三维重建。
[0136] 肺实质分割是结节检测的前提和基础,该过程主要是将肺叶从整个肺部CT图像中 分割出来。由于肺实质区域含有大量空气,因此其CT值比周围组织低,在CT图像中灰度值较 低。根据肺实质灰度值分布特点,本发明将分割过程分为以下几步:
[0137] 2.1利用3D区域生长算法和OTSU阈值分割算法自动分割左右肺叶,获得初始肺实 质轮廓边界。由于序列中中间层CT图像肺实质区域面积较大,且直方图特征比较明显,因此 可以首先对中间层序列图像进行阈值分割。然后,在所得分割图像中,由中心点向左右两边 寻找处于肺实质位置的点作为3D区域生长的种子点。最后,设定生长规则获得肺实质区域 初始轮廓。初始轮廓分割效果如图4 〇1)、(e)、(f)所示。
[0138] 2.2肺实质轮廓区域填充与边界修补。由于肺实质轮廓区域边界可能含有与胸膜 相邻结节,因此,初始轮廓边界会存在未包含在边界内的凹凸区域,需要采用边界修补算法 对初始轮廓边界进行修补。通过对初始轮廓边界编码,找出边界线的极值点,并计算相邻极 值点之间的距离,从而根据初始设定阈值半径修轮廓边界。肺实质区域中结节区域灰度值 往往较高,在初始分割区域中会存在一些未包含的小区域,需要利用区域填充方法填补这 些区域。修补、填充后肺实质区域如图4(g)、⑹、(i)所示。
[0139] 2.3将步骤2.2中填充与边界修补后得到的肺实质分割轮廓区域对原图像掩模,获 得分割后的肺实质区域,结果如图4 (j)、⑹、(1)所示。利用面绘制算法对肺实质图像进行 重建,重建效果如图5所示。
[0140] 步骤3:针对肺实质区域,设定灰度阈值提取感兴趣区域(ROI)。肺实质分割之后, 通过感兴趣区域(ROI)提取与粗筛选,可以初步定位疑似结节区域。肺结节在CT图像上位于 肺实质区域中,灰度值相对较高,因此,可以采用阈值法初步提取感兴趣区域。对分割得到 的肺实质区域序列图像设定阈值TH,若像素灰度值小于TH,则设定其灰度值为0,反之,灰度 值则为1,通过上述阈值分割即可得到感兴趣区域初始位置。
[0141] 步骤4:根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得 候选结节区域。由于灰度值与周围血管、气管等结构相似,采用阈值法分割出的感兴趣区域 往往还包含有气管、血管等组织,需要进一步排除。肺结节影像学中的定义为直径小于等于 3cm的类圆形模糊影,因而,可以利用肺结节类圆形的区域特征对初始感兴趣区域进行筛 选。进一步筛选采用形状模板匹配方法,筛选出初始感兴趣区域中的类圆形区域,作为疑似 结节。首先,计算初始感兴趣区域的区域直径;然后,以初始感兴趣区域半径为半径,对每个 感兴趣区域建立圆形模板;最后,利用模板匹配算法对初始感兴趣区域进行筛选。
[0142] 选用差的平方和模板匹配方法(SSD)匹配感兴趣区域,若设原始感兴趣区域为I, 匹配模板为T,i J分别表示数字图像像素点的横、纵坐标位置,则SSD匹配算法计算公式如 式⑴所示。
[0143]
Figure CN104751178BD00141
[0144] 其中,M、N分别表示模板图像矩阵行和列的大小。
[0M5]计算所有初始感兴趣区域的SSD匹配参数,并设定阈值将小于阈值的所有区域筛 选出来作为新的感兴趣区域。阈值设定可以尽量较大,保证筛选敏感性达到1〇〇%,但是,过 大的阈值会使模板匹配检测性能降低,因此,需要在保证敏感性的前提下设定最佳阈值,本 发明选择经验阈值0.5.
[0146] 步骤5:根据候选结节灰度和形态学特征,提取12种特征参数作为进一步检测的样 本集。
[0147] 提取的感兴趣区域特征主要包括灰度和形状两个方面的特征,共计12种特征。形 状特征主要包括:面积、周长、长轴长度、短轴长度、偏心率、圆形度、矩形度、扁长度等;灰度 特征包括:最大灰度值、最小灰度值、平均灰度值、灰度值差值等,特征具体描述如下:
[0148] 面积:表示ROI区域内的像素个数,若定义I (x,y)表示区域内的像素点,则面积可 用式⑵表示。
[0149]
Figure CN104751178BD00142
[0150] 其中,num表示计算像素点个数,S表示区域的面积大小。
[0151] 周长:表示ROI区域边界点像素的个数,计算公式如式⑶所示。
[0152]
Figure CN104751178BD00151
[0Ί53] 其中,N4 (xk,yk)表示点(xk,yk)的四邻域,而Nd (xk,yk)表示点(xk,yk)对角线上坐标 位置,num表示计算像素点个数。
[0154] 长轴长度:以像素为单位,与区域具有相同标准二阶中心矩的椭圆的长轴长度。
[0155] 短轴长度:以像素为单位,与区域具有相同标准二阶中心矩的椭圆的短轴长度。
[0156] 偏心率:与区域具有相同标准二阶中心矩的椭圆的离心率,计算公式如式(4)所
Figure CN104751178BD00152
[0158] 其中,a表示具有相同标准二阶中心距椭圆的半长轴,b表示半短轴,c表示半焦距。 [0159] 圆形度:反映ROI区域类圆度的一个指标,计算公式如式⑸所示。 不。
[0157]
[0160]
Figure CN104751178BD00153
[0161] 矩形度:表示同时在ROI区域和其最小边界矩形中的像素比例。
[0162] 扁长度:表示同时在ROI区域和其最小凸多边形中的像素比例。
[0163] 最大灰度值:表示ROI区域内最大的灰度值,计算公式如式⑹所示。
[0164]
Figure CN104751178BD00154
[0165] 其中,max表示计算区域灰度最大的像素值,S表示区域的面积大小。
[0166] 最小灰度值:表示ROI区域内最小的灰度值,计算公式如式⑺所示。
[0167]
Figure CN104751178BD00155
[0168] 其中,min表示计算区域灰度最小的像素值,S表示区域的面积大小。
[0169] 灰度值均值:表示ROI区域内所有像素的灰度值均值,计算公式如式⑻所示。
[0170]
Figure CN104751178BD00156
[0171] 其中,M、N分别表示ROI区域图像矩阵行和列的大小。
[0172] 灰度值差值:表示最大灰度值与最小灰度值的差值。
[0173] 步骤6:运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结 果。
[0174] 1995年Cortes和Vapnik首先提出支持向量机(Support Vector Machine,SVM)算 法,它在解决小样本、非线性及高维模式分类识别问题中表现出较多特有的优势,并可以推 广应用到函数拟合等其他机器学习问题中。鉴于本实验样本较小,同时该算法适用于小数 据量样本分类而对于大样本数据特异性不好等特点,本发明选择该分类器。然后,分别选择 线性核、多项式核、径向基函数核以及Sigmoid核函数进行训练测试对比选择最适核函数。 最后利用参数寻优算法得到最佳输入参数设置分类器进行分类。
[0175] 本发明的效果通过以下实验进一步说明。
[0176] 实验条件:
[0177] 本实验数据来自选取LIDC (Lung Image Database Consortium)数据库164组数 据。实验数据图像分辨率为0.51〜0.85mm,层厚为0.6〜4mm,单个序列包含图像数量为94〜 672张,数据信息分布直方图如图4所示。由于测试图像层厚最大为4mm,层间隔较大,对小结 节敏感性较差,因此,本发明选择实验样本为直径大于5mm的结节。该检测实验是在 Matlab2013a环境下进行的。
[0178] 实验结果及结果分析
[0179] 实验样本中共包含直径在5〜30mm之间结节860个,首先,运用形状模板匹配算法 检测,在保证敏感性为100%的前提下,尽量降低检测的假阳性,设定匹配参数SSD阈值为经 验阈值0.5,得到检测假阳性9.7683/Scan。
[0180] 经过模板匹配算法粗筛选后,结合临床医生诊断金标准,得到包含肺结节860个、 非结节区域1602个数据集作为分类器检测的样本数据。针对上述区域提取其灰度和形状方 面12种特征参数,特征参数分布情况如图7所示。为检验分类器算法检测结节的性能,将样 本数据分为训练集与测试集,其中,训练集样本中结节数量占肺结节总数量的80%,训练集 中结节数量与非结节数量比例为1:1。利用训练集样本对SVM分类器进行训练,测试样本检 测分类器性能。本发明利用LIBSVM工具箱对样本进行检测分类,分别选择线性核、多项式 核、径向基函数核以及Sigmoid核函数进行训练测试,得到分类效果如上表1所示。对比分析 可以发现,选择径向基函数核检测敏感性最高、准确率最高,而多项式核检测特异性和假阳 性最低。利用径向基函数核与多项式核分类的特异性与假阳性相差较少,但敏感性和准确 有较大提升,表明径向基函数核对肺结节检测适用性较好。同时,对比四种核函数下肺结节 检测ROC曲线分析(如图8所示)可以发现,利用径向基函数核检测ROC曲线AUC (曲线下面积) 值最大,也说明该核函数更适用于肺结节检测。
[0181] 利用RBF核进行检测时,为使检测效果最佳,选用参数寻优算法,实验得c为 3.0314,g为1时,检测敏感性最高,假阳性最低,SVM分类器检测结果如图9所示,检测敏感性 为95.35 %,假阳性为0.3659/Scan。此外,为验证CAD算法的应用性能,本发明还将现有CAD 算法性能与本发明方法进行对比,对比结果如上表2所示。通过对比可以得出,本发明方法 选择数据库数量适中,包含结节样本量较大,总体敏感性优于其他方法,假阳性也低于同类 方法。

Claims (3)

1. 一种基于形状模板匹配结合分类器的肺结节检测装置,包括: 输入单元,用于输入DICOM格式的肺部CT断层序列影像; 肺实质区域处理单元,对CT断层序列影像分割出肺实质区域;对分割出的肺实质区域 采用边界编码修补算法进行修补;运用面绘制算法重建三维观察修补后的肺实质区域; 感兴趣区域提取单元,针对修补后的肺实质区域,设定灰度阈值提取感兴趣区域 (ROI); 粗筛单元,根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得 候选结节区域; 特征提取单元,根据候选结节灰度和形态学特征,提取多种特征参数作为进一步检测 的样本集; 二次检测单元,运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测 结果; 所述肺实质处理单元包括:分割单元、修补单元和三维重建单元,其中: 分割单元利用3D区域生长算法和OTSU阈值分割算法自动分割左右肺叶,获得初始肺实 质轮廓边界:首先对中间层序列图像进行阈值分割;然后,在所得分割图像中,由中心点向 左右两边寻找处于肺实质位置的点作为3D区域生长的种子点;最后,设定生长规则获得肺 实质区域初始轮廓; 修补单元进行肺实质轮廓区域填充与边界修补:通过对初始轮廓边界编码,找出边界 线的极值点,并计算相邻极值点之间的距离,从而根据初始设定阈值半径修补轮廓边界;对 初始分割区域中存在的一些未包含的小区域,利用区域填充方法填补这些区域; 三维重建单元将填充与边界修补后得到的肺实质分割轮廓区域对原图像掩模,获得分 割后的肺实质区域,利用面绘制算法对肺实质图像进行重建。
2. 根据权利要求1所述的基于形状模板匹配结合分类器的肺结节检测装置,其中粗筛 单元根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选,获得候选结节区 域,按如下方式进行: 计算初始感兴趣区域的区域直径; 以初始感兴趣区域半径为半径,对每个感兴趣区域建立圆形模板; 利用模板匹配算法对初始感兴趣区域进行筛选,选用差的平方和模板匹配方法(SSD) 匹配感兴趣区域,若设原始感兴趣区域为I,匹配模板为T,i J分别表示数字图像像素点的 横、纵坐标位置,则SSD匹配算法计算公式如式(1)所示:
Figure CN104751178BC00021
计算所有初始感兴趣区域的SSD匹配参数,并设定阈值,将小于阈值的所有区域筛选出 来作为新的感兴趣区域。
3. 根据权利要求1所述的基于形状模板匹配结合分类器的肺结节检测装置,其中二次 检测单元运用支持向量机分类器对候选结节区域进行二次检测,得到最终检测结果,按如 下方式进行: 对比四种常用的核函数线性核函数、多项式核函数、径向基核函数和Si gmo id核函数的 分类效果,选择最适合的核函数; 利用参数寻优算法对分类器选择最优输入参数,其中输入参数为步骤5中的检测样本 集; 训练支持向量机分类器,并进行肺结节检测。
CN201510148734.9A 2015-03-31 2015-03-31 基于形状模板匹配结合分类器的肺结节检测装置及方法 Active CN104751178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510148734.9A CN104751178B (zh) 2015-03-31 2015-03-31 基于形状模板匹配结合分类器的肺结节检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510148734.9A CN104751178B (zh) 2015-03-31 2015-03-31 基于形状模板匹配结合分类器的肺结节检测装置及方法

Publications (2)

Publication Number Publication Date
CN104751178A CN104751178A (zh) 2015-07-01
CN104751178B true CN104751178B (zh) 2018-04-03

Family

ID=53590831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510148734.9A Active CN104751178B (zh) 2015-03-31 2015-03-31 基于形状模板匹配结合分类器的肺结节检测装置及方法

Country Status (1)

Country Link
CN (1) CN104751178B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447870B (zh) * 2015-12-01 2018-12-25 沈阳东软医疗系统有限公司 医学图像中身体组织的提取方法及装置
CN106408024B (zh) * 2016-09-20 2019-06-21 四川大学 针对dr片的肺叶轮廓提取方法
CN107067001A (zh) * 2017-01-25 2017-08-18 中国医科大学附属第医院 唾液腺感兴趣区的确定方法及系统
CN106971400B (zh) * 2017-03-10 2020-11-10 中国航空工业集团公司洛阳电光设备研究所 一种图像分割线的修补方法及其装置
CN107103187B (zh) * 2017-04-10 2020-12-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
CN107274402A (zh) * 2017-06-27 2017-10-20 北京深睿博联科技有限责任公司 一种基于胸部ct影像的肺结节自动检测方法及系统
CN107292351B (zh) * 2017-08-07 2019-09-13 北京深睿博联科技有限责任公司 一种结节的匹配方法及装置
CN108010013A (zh) * 2017-11-03 2018-05-08 天津大学 一种肺ct图像肺结节检测方法
CN108154503A (zh) * 2017-12-13 2018-06-12 西安交通大学医学院第附属医院 一种基于图像处理的白癜风病情诊断系统
CN108537784A (zh) * 2018-03-30 2018-09-14 四川元匠科技有限公司 一种基于深度学习的ct图肺结节检测方法
CN108717707A (zh) * 2018-04-10 2018-10-30 杭州依图医疗技术有限公司 一种结节匹配方法及装置
CN108648178A (zh) * 2018-04-17 2018-10-12 杭州依图医疗技术有限公司 一种影像结节检测的方法及装置
CN108615235B (zh) * 2018-04-28 2021-03-09 北京拍医拍智能科技有限公司 一种对颞耳图像进行处理的方法及装置
CN109035227A (zh) * 2018-07-13 2018-12-18 哈尔滨理工大学 对ct图像进行肺部肿瘤检测与诊断的系统
CN109191436A (zh) * 2018-08-15 2019-01-11 复旦大学 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法
CN109308489A (zh) * 2018-09-03 2019-02-05 中国人民解放军国防科技大学 一种元件电弧焊焊接质量检测方法
CN109410181B (zh) * 2018-09-30 2020-08-28 神州数码医疗科技股份有限公司 一种心脏图像分割方法及装置
WO2020133124A1 (zh) * 2018-12-28 2020-07-02 孙永年 医疗矢面影像取得方法、神经网络训练方法及计算机装置
CN109816667A (zh) * 2019-01-21 2019-05-28 杭州英库医疗科技有限公司 一种基于ct影像的肺结节分割方法
CN109727260A (zh) * 2019-01-24 2019-05-07 杭州英库医疗科技有限公司 一种基于ct影像的三维肺叶分割方法
CN109839115A (zh) * 2019-03-21 2019-06-04 北京中飞艾维航空科技有限公司 一种无人机着陆方法、装置及存储介质
CN109978861B (zh) * 2019-03-27 2021-03-26 北京青燕祥云科技有限公司 骨髓灰质检测方法、装置、设备和计算机可读存储介质
CN110070083A (zh) * 2019-04-24 2019-07-30 深圳市微埃智能科技有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
CN111798424B (zh) * 2020-06-30 2021-02-09 广西医准智能科技有限公司 一种基于医学图像的结节检测方法、装置及电子设备
CN111814893A (zh) * 2020-07-17 2020-10-23 首都医科大学附属北京胸科医院 基于深度学习的肺部全扫描图像egfr突变预测方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186703A (zh) * 2011-12-30 2013-07-03 无锡睿影信息技术有限公司 一种基于胸片的计算机辅助检测肺结节的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103186703A (zh) * 2011-12-30 2013-07-03 无锡睿影信息技术有限公司 一种基于胸片的计算机辅助检测肺结节的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Automatic Pulmonary Nodules Detection Method Using 3D Adaptive Template Matching;Jing Gong 等;《Life System Modeling and Simulation》;20140923;39-49 *
基于CT图像的肺结节计算机辅助诊断系统;薛以锋 等;《中国医学物理学杂志》;20060330;第23卷(第2期);93-96 *
肺结节计算机辅助检测技术研究概述;赵愉 等;《生物医学工程学杂志》;20141030;第31卷(第5期);1172-1177 *

Also Published As

Publication number Publication date
CN104751178A (zh) 2015-07-01

Similar Documents

Publication Publication Date Title
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
Kumar et al. Detection and classification of cancer from microscopic biopsy images using clinically significant and biologically interpretable features
CN109493347B (zh) 在图像中对稀疏分布的对象进行分割的方法和系统
Kallenberg et al. Unsupervised deep learning applied to breast density segmentation and mammographic risk scoring
US9430829B2 (en) Automatic detection of mitosis using handcrafted and convolutional neural network features
US11004196B2 (en) Advanced computer-aided diagnosis of lung nodules
Al-Masni et al. Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD system
Dheeba et al. Computer-aided detection of breast cancer on mammograms: A swarm intelligence optimized wavelet neural network approach
Choi et al. Automated pulmonary nodule detection based on three-dimensional shape-based feature descriptor
US10235755B2 (en) High-throughput adaptive sampling for whole-slide histopathology image analysis
Roth et al. Detection of sclerotic spine metastases via random aggregation of deep convolutional neural network classifications
US10467757B2 (en) System and method for computer aided diagnosis
Doyle et al. Cascaded discrimination of normal, abnormal, and confounder classes in histopathology: Gleason grading of prostate cancer
Al-masni et al. Detection and classification of the breast abnormalities in digital mammograms via regional convolutional neural network
Netto et al. Automatic segmentation of lung nodules with growing neural gas and support vector machine
Zhang A review of recent evaluation methods for image segmentation
Dhungel et al. Fully automated classification of mammograms using deep residual neural networks
Choi et al. Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images
Dehmeshki et al. Automated detection of lung nodules in CT images using shape-based genetic algorithm
JP3947109B2 (ja) コンピュータ利用画像分析
US7646902B2 (en) Computerized detection of breast cancer on digital tomosynthesis mammograms
Campadelli et al. A fully automated method for lung nodule detection from postero-anterior chest radiographs
Tariq et al. Lung nodule detection in CT images using neuro fuzzy classifier
JP2020508143A (ja) インスタンス重み付けを伴うランダムフォレストを使用するマルチパラメトリックmriにおける前立腺がんの検出、およびホリスティックネスト型ネットワークを用いたディープラーニングによるmr前立腺セグメント化
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210520

Address after: Room 101, 1st floor, area a, 88 Kangda Road, Meishan bonded port area, Ningbo City, Zhejiang Province, 315813

Patentee after: Kangda Intercontinental Medical Devices Co.,Ltd.

Address before: Room 202, building 1, No. 601, Chenggong Road, Baoshan District, Shanghai 200444

Patentee before: SHANGHAI KANGDA COLORFUL MEDICAL TECHNOLOGY Co.,Ltd.

Effective date of registration: 20210520

Address after: Room 202, building 1, No. 601, Chenggong Road, Baoshan District, Shanghai 200444

Patentee after: SHANGHAI KANGDA COLORFUL MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 200093 No. 516, military road, Shanghai, Yangpu District

Patentee before: University of Shanghai for Science and Technology