肺部CT 圖像病變區(qū)域檢測(cè)方法

韓光輝 劉峽壁 鄭光遠(yuǎn)

肺部CT 圖像病變區(qū)域檢測(cè)方法

韓光輝1劉峽壁1鄭光遠(yuǎn)1

肺部CT圖像病變區(qū)域檢測(cè)是肺病輔助診斷技術(shù)的重要研究?jī)?nèi)容,其通過自動(dòng)分析CT圖像并輸出病變區(qū)域的位置和尺寸等信息,幫助放射科醫(yī)生做出決策,有利于肺病的早期發(fā)現(xiàn)與治療.本文回顧了肺部CT圖像中病變區(qū)域自動(dòng)檢測(cè)方法所取得的進(jìn)步,并引入一個(gè)通用框架表示和描述現(xiàn)有方法,對(duì)2012年以來肺部病變區(qū)域輔助檢測(cè)算法進(jìn)行了系統(tǒng)性分析和性能匯總.最后討論了目前存在的問題和有待克服的困難,探討了未來可能的發(fā)展方向.

肺部CT,肺結(jié)節(jié),肺血管,淋巴結(jié),計(jì)算機(jī)輔助檢測(cè)

肺部疾病是威脅人類健康的最嚴(yán)重疾病之一,具有疾病種類多、患者數(shù)量多、死亡率高的特點(diǎn).根據(jù)世界衛(wèi)生組織的最新報(bào)告[1],肺癌是死亡率最高的癌癥,2015年導(dǎo)致了169萬人死亡.如果被早期發(fā)現(xiàn)并得到治療,肺癌患者的死亡率就可以降低.通常認(rèn)為CT是肺部病變檢測(cè)的最精確成像模態(tài)[2].CT成像具有分辨率高、非侵入、無痛苦等特點(diǎn),在肺部疾病的早期篩查和診斷中發(fā)揮了重要作用.隨著高分辨率CT的出現(xiàn),圖像數(shù)據(jù)量急劇增長(zhǎng),通常一次全肺掃描產(chǎn)生數(shù)百?gòu)垐D像數(shù)據(jù).特別是在大規(guī)模肺部疾病篩查過程中,放射科醫(yī)生面對(duì)大量圖像,很容易因工作疲勞而導(dǎo)致疾病漏診和誤診.另一方面,由于肺部疾病種類多且影像表現(xiàn)復(fù)雜,醫(yī)生往往只能根據(jù)自身經(jīng)驗(yàn)對(duì)病灶進(jìn)行定性分析,具有較強(qiáng)的主觀性,常導(dǎo)致同一醫(yī)生在不同時(shí)期,或者不同醫(yī)生對(duì)同一影像判斷的一致性較差.

計(jì)算機(jī)輔助檢測(cè)(Computer aided detection,CAD)1系統(tǒng)能夠較明顯地緩解上述問題.其可以降低放射科醫(yī)生閱片工作量,并提供精確的定量分析,降低閱片主觀性,減少人工閱片過程中的失誤,從而提高工作效率和對(duì)早期肺病診斷的正確率.病變區(qū)域的檢測(cè)和分割是肺部CT圖像CAD系統(tǒng)中的主要功能之一,通過自動(dòng)分析CT圖像并輸出病變區(qū)域的位置和尺寸等說明信息,有利于肺病的早期發(fā)現(xiàn)與治療.

盡管國(guó)內(nèi)外已有不少關(guān)于肺結(jié)節(jié)計(jì)算機(jī)自動(dòng)檢測(cè)方法的研究綜述,但是本文關(guān)注范圍更寬,包含但不限于肺結(jié)節(jié).本文主要對(duì)肺部CT圖像中病變區(qū)域的自動(dòng)檢測(cè)方法進(jìn)行調(diào)查研究,這些病變區(qū)域類型包括肺結(jié)節(jié)[3],不屬于結(jié)節(jié)的多種肺部CT征象[4].同時(shí)本文還調(diào)查了可以輔助病變區(qū)域檢測(cè)和肺癌診斷的技術(shù),如肺血管樹檢測(cè)、氣管樹檢測(cè)、肺部淋巴結(jié)檢測(cè)等.據(jù)我們所知,這是第一次較完整地對(duì)肺部CT圖像病變區(qū)域自動(dòng)檢測(cè)方法的綜述性研究.

1 肺部病變區(qū)域檢測(cè)總體框架

目前對(duì)肺部病變區(qū)域的檢測(cè)主要有傳統(tǒng)的多步驟處理框架和新型的深度學(xué)習(xí)處理框架.

一般來說,傳統(tǒng)處理框架的CAD系統(tǒng)都具有圖像預(yù)處理、候選區(qū)域分割、假陽(yáng)性去除三個(gè)基本步驟,后面步驟依賴于前一步驟,每一步驟的結(jié)果都會(huì)對(duì)最終結(jié)果產(chǎn)生較大影響.優(yōu)點(diǎn)是各個(gè)步驟都容易解釋,缺點(diǎn)是各個(gè)步驟的算法參數(shù)等細(xì)節(jié)依賴于研究者的經(jīng)驗(yàn),手工構(gòu)建具有辨別力的圖像特征十分重要也很有挑戰(zhàn)性.

基于深度學(xué)習(xí)的處理框架構(gòu)成模式也未得到統(tǒng)一.一方面深度學(xué)習(xí)方法可以在傳統(tǒng)檢測(cè)框架的不同步驟介入以改進(jìn)系統(tǒng)性能,例如可分別在候選區(qū)域分割前和分割后介入.前者用于檢測(cè)具有病變的切片(預(yù)處理步驟可選),但一般難以明確定位病變區(qū)域在切片內(nèi)的位置;后者則作為假陽(yáng)性去除步驟(分類).另一方面,深度學(xué)習(xí)方法也可以獨(dú)立完成候選區(qū)域分割、假陽(yáng)性去除等功能,即完全基于深度學(xué)習(xí)的CAD系統(tǒng)架構(gòu),這種架構(gòu)的輸入是CT圖像序列(預(yù)處理可選),輸出是最終的病變區(qū)域信息.基于深度學(xué)習(xí)的處理框架在圖像特征等方面的解釋上存在困難,對(duì)數(shù)據(jù)量的要求也較高,但是優(yōu)點(diǎn)十分明顯,可以進(jìn)行端到端的監(jiān)督式訓(xùn)練,自動(dòng)抽取具有辨別力的圖像特征,在不同應(yīng)用領(lǐng)域間做轉(zhuǎn)換的工作量小于傳統(tǒng)方法,性能整體上優(yōu)于傳統(tǒng)方法.

為方便讀者參考,本文引入一個(gè)通用框架表示和描述現(xiàn)有的肺部病變區(qū)域檢測(cè)方法,如圖1.其中灰色部分表示傳統(tǒng)方法,深色部分表示深度學(xué)習(xí)方法.CT圖像序列輸入系統(tǒng)后,可先進(jìn)行預(yù)處理以方便后續(xù)分析,包括為提高圖像質(zhì)量進(jìn)行圖像增強(qiáng),為減少干擾區(qū)域進(jìn)行肺實(shí)質(zhì)分割、血管和淋巴結(jié)檢測(cè)等.深度學(xué)習(xí)方法可在預(yù)處理前后介入以檢測(cè)病變切片,接著進(jìn)行候選區(qū)域分割和假陽(yáng)性去除.深度學(xué)習(xí)方法可實(shí)現(xiàn)假陽(yáng)性去除功能,也可同時(shí)實(shí)現(xiàn)候選區(qū)域檢測(cè)和假陽(yáng)性去除功能.系統(tǒng)最后輸出病變區(qū)域信息.

2 預(yù)處理方法

2.1 圖像增強(qiáng)

1)圖像去噪

圖1 通用的肺部病變區(qū)域檢測(cè)框架Fig.1 The general framework of lung lesion detection

在CT成像過程中,難免會(huì)引入噪聲,一些研究方案采用濾波器首先對(duì)原始CT圖像進(jìn)行圖像去噪.2012年,Choi等[5]對(duì)初始肺模板進(jìn)行高斯平滑去除噪聲,Camarlinghi等[6]采用柱面濾波器(Cylinder fi lter)結(jié)合高斯函數(shù)的方法去除噪聲.高婷等[7]在2014年采用中值濾波算法去除CT圖像的噪聲影響.Hu等[8]于2014年使用基于科特斯系數(shù)擬合公式的牛頓—科特斯平滑算法(Newton-cotes-based smoothing algorithm,NCBS)去除CT圖像中的噪聲.Lai等[9]于2014年提出綜合使用高斯濾波器、維納濾波器和中值濾波器等共同進(jìn)行CT圖像噪聲濾除,其中高斯濾波器對(duì)肺部區(qū)域進(jìn)行平滑處理,維納濾波器和中值濾波器在去除圖像噪聲的同時(shí)可以保持對(duì)象邊緣.

2)目標(biāo)增強(qiáng)

由于肺結(jié)節(jié)等對(duì)象周圍常會(huì)存在其他干擾,一些低對(duì)比度的結(jié)節(jié)(例如GGO(Ground glass opacity))以及與血管和氣道粘連的結(jié)節(jié)等較難直接處理.一些研究者會(huì)在檢測(cè)研究對(duì)象前先進(jìn)行簡(jiǎn)單的目標(biāo)增強(qiáng)處理.在肺結(jié)節(jié)檢測(cè)工作中,通常先進(jìn)行結(jié)節(jié)增強(qiáng)濾波.Li等[10]在2003年,設(shè)計(jì)了一個(gè)選擇增強(qiáng)濾波器,可增強(qiáng)結(jié)節(jié)并抑制其他正常結(jié)構(gòu),效果如圖2所示,其中圖2(a)是3D CT原圖的最大灰度投影,箭頭處為一個(gè)腫瘤區(qū)域;圖2(b)是對(duì)應(yīng)的結(jié)節(jié)增強(qiáng)圖像的最大灰度投影,其中結(jié)節(jié)得到增強(qiáng),而血管則被抑制[10].劉陽(yáng)[11]于2011年提出基于二維多角度、多尺度的圓點(diǎn)增強(qiáng)圖像識(shí)別方法,分別對(duì)橫斷面、冠狀面、矢狀面肺結(jié)節(jié)圖像進(jìn)行增強(qiáng).張永強(qiáng)等[12]于2012年設(shè)計(jì)了兩步的結(jié)節(jié)增強(qiáng)法,首先利用單層次模糊增強(qiáng)方法增強(qiáng)結(jié)節(jié)區(qū)域和背景之間的對(duì)比度,接著采用多層次模糊增強(qiáng)方法實(shí)現(xiàn)降噪并增強(qiáng)結(jié)節(jié)邊緣.并將圖像多層次模糊增強(qiáng)結(jié)果進(jìn)行變換,與原圖的直方圖均衡化圖像相乘,以減弱多層次模糊增強(qiáng)產(chǎn)生的分層現(xiàn)象.Carvalho等[13]于2014年提出一種兩步的肺實(shí)質(zhì)內(nèi)部結(jié)構(gòu)增強(qiáng)方法,第1步使用二次增強(qiáng)算法進(jìn)行選擇性的對(duì)比度增強(qiáng),第2步使用高斯濾波器和中值濾波器抑制對(duì)比度增強(qiáng)過程中增加的噪聲量.Iqbal等[14]于2014年提出使用反幾何擴(kuò)散模型進(jìn)行結(jié)節(jié)區(qū)域增強(qiáng),可以擴(kuò)散圖像邊緣以更好地定位,使形狀索引圖具有更好的連通性和更小的噪聲敏感性.

圖2 結(jié)節(jié)增強(qiáng)濾波器Fig.2 The nodule enhancement fi lter

2.2 肺實(shí)質(zhì)分割

胸部CT成像會(huì)包含很多肺實(shí)質(zhì)以外的組織或物體,例如胸壁、掃描床等,為減少肺實(shí)質(zhì)以外內(nèi)容的干擾,肺實(shí)質(zhì)分割成為減少計(jì)算時(shí)間和降低假陽(yáng)性數(shù)量的重要步驟.胸膜粘連型結(jié)節(jié)、肺部血管、圖像噪聲或偽影(Artifacts)、個(gè)體解剖差異等因素使得肺實(shí)質(zhì)分割變得十分復(fù)雜.肺實(shí)質(zhì)分割多采用閾值技術(shù)和形態(tài)學(xué)技術(shù),Zhou等[15]于2014年提出了一個(gè)基于迭代加權(quán)平均和自適應(yīng)區(qū)域閾值的快速全自動(dòng)的肺實(shí)質(zhì)分割方案.Cascio等[2]、高婷等[7]、Santos等[16]采用閾值分割、二維/三維區(qū)域生長(zhǎng)和形態(tài)學(xué)操作等綜合處理后得到肺實(shí)質(zhì)掩膜.Elizabeth等[17]采用貪婪蛇形算法分割肺實(shí)質(zhì).Choi等[5]于2012年提出了一個(gè)全自動(dòng)的三步肺實(shí)質(zhì)分割方法,首先使用一個(gè)簡(jiǎn)單固定閾值(?500HU)以獲取初始肺掩膜,然后使用三維連通成分標(biāo)記算法抽取肺部區(qū)域,最后通過基于鏈碼分析的輪廓糾正算法獲取完整的肺部掩膜.Netto等[18]于2012年提出采用2D區(qū)域增長(zhǎng)算法抽取胸部和肺部區(qū)域,由圖像對(duì)角線的直方圖閾值確定閾值T1和T2(T1＜T2),在抽取胸部時(shí)使用閾值T1和T2,抽取肺部時(shí)使用閾值T2和直方圖上的最大值.在得到初始肺區(qū)域后,進(jìn)一步使用滾球(Rolling ball)算法重構(gòu)肺實(shí)質(zhì)區(qū)域,主要是修補(bǔ)不完整的肺邊緣區(qū)域.Khan等[19]于2014年提出一種基于模糊邏輯的位面方法自動(dòng)分割醫(yī)療圖像背景和定位感興趣區(qū)域,在肺實(shí)質(zhì)分割的測(cè)試中分割精確度為97.79%.¨Ozkan等[20]于2014年使用?300HU作為閾值,去除小于此閾值的體素,然后使用連通成分標(biāo)記技術(shù)去除小對(duì)象,最后根據(jù)連通成分的體積分割出肺區(qū)域.Messay等[21]于2015年使用自動(dòng)3D全局肺分割算法分割肺區(qū)域,然后沿著肺掩模的外部邊緣使用多個(gè)連續(xù)的2D滾球?yàn)V波器(逐步減小尺寸)以修正肺部邊緣.Akram等[22]于2016年綜合利用閾值法、初始標(biāo)記掩模、背景去除、連通成分標(biāo)記、形態(tài)學(xué)操作、輪廓糾正等技術(shù)分割3D肺區(qū)域.

對(duì)于復(fù)雜病變的肺實(shí)質(zhì),常規(guī)的閾值技術(shù)和形態(tài)學(xué)技術(shù)往往分割不完全,導(dǎo)致檢測(cè)對(duì)象的丟失,這就需要采用更復(fù)雜的分割技術(shù).Wang等[23]提出了基于紋理分析的精確肺實(shí)質(zhì)分割方法,專門處理伴有嚴(yán)重間質(zhì)性肺病的情形,平均重疊率達(dá)到了96.7%.圖3顯示了基于紋理分析的肺實(shí)質(zhì)精確分割效果[23],可以看到該算法可以處理嚴(yán)重間質(zhì)性肺病的CT圖像.

圖3 基于紋理分析的精確肺實(shí)質(zhì)分割[23]Fig.3 Accurate segmentation of lung parenchyma based on texture analysis[23]

為解決因胸膜粘連型結(jié)節(jié)導(dǎo)致的肺實(shí)質(zhì)分割不完全問題,Wei等[24]于2013年提出綜合利用最優(yōu)迭代閾值、三維連通成分標(biāo)記、三維區(qū)域增長(zhǎng)等多種方法進(jìn)行肺實(shí)質(zhì)的初始分割,并利用Bresenham算法進(jìn)行肺實(shí)質(zhì)修復(fù),整個(gè)過程自動(dòng)完成,無需人工干預(yù).選取97例肺結(jié)節(jié)(普通型)和25例胸膜粘連型結(jié)節(jié)的CT圖像用于算法測(cè)試.其算法對(duì)胸膜粘連型結(jié)節(jié)的敏感度為100%,分割精確度為98.6%,肺實(shí)質(zhì)分割的精確度為95.2%,每幅圖像平均分割時(shí)間為0.67秒.

同樣為解決因胸膜粘連型結(jié)節(jié)導(dǎo)致的肺實(shí)質(zhì)分割不完全問題,Hu等[8]于2014年首先使用基于牛頓—科特斯的平滑算法(Newton-Cotes-based smoothing algorithm,NCBS)去除CT圖像中的噪聲,然后考慮到肺的新月形輪廓特點(diǎn),采用一種基于曲率的修正算法(Curvature-based correction algorithm,CBC)以確定修正閾值.其基本假設(shè)是:胸膜粘連型結(jié)節(jié)的彎曲半徑(Bending radius)比整個(gè)肺實(shí)質(zhì)的彎曲半徑小得多.算法核心是決定待包含的肺輪廓上具有特定曲率值的點(diǎn)集,分為三個(gè)問題,即如何表示像素曲率、如何判斷點(diǎn)的凹度和如何確定待糾正的曲率閾值.文獻(xiàn)對(duì)25例門診病人CT圖像的實(shí)驗(yàn)表明,該方法可以分割出被初始閾值方法漏掉的全部129個(gè)胸膜粘連型結(jié)節(jié),即再次囊括胸膜粘連型結(jié)節(jié)的比率為100%.Lai等[9]于2014年采用形態(tài)學(xué)閉操作和閾值化技術(shù)分割CT圖像中的正常肺實(shí)質(zhì),在肺葉裂紋、左右肺的細(xì)小接合點(diǎn)、血管壓痕和支氣管壁等解剖信息的指引下,獲得了良好的肺區(qū)域分割.該方法的平均敏感度為0.97,平均特異度為0.99,平均面積誤差為0.0158.Mansoor等[25]于2014年提出了一個(gè)新的病理肺分割方法,分為兩個(gè)階段,第一階段使用模糊連通性圖像分割算法抽取初始的肺實(shí)質(zhì)區(qū)域,同時(shí)在不明確畫出肺輪廓的情況下使用胸腔信息估計(jì)肺體積.這個(gè)初步的肺體積估計(jì)方法可以對(duì)胸腔和基于模糊連通性測(cè)量的肺體積的體積差異進(jìn)行比較.較大的體積差異表示病理的存在,這將自動(dòng)調(diào)用第二階段方法以對(duì)初始分割的肺部區(qū)域進(jìn)行精化.第二階段使用基于紋理的特征來檢測(cè)前一階段易丟失的異常圖像模式,例如實(shí)變、磨玻璃影、間質(zhì)增厚、樹芽征、蜂窩征、結(jié)節(jié)、微結(jié)節(jié)等.精化階段使用一個(gè)新的近鄰解剖信息導(dǎo)向的分割方法以囊括弱紋理的異常區(qū)域和胸膜區(qū)域.在含有多種異常類型的400例CT圖像上的肺分割實(shí)驗(yàn)表明,該方法獲得了大于95%的平均重疊率.

2.3 肺部脈管檢測(cè)

因?yàn)榉尾棵}管(血管和氣管)亮度與肺結(jié)節(jié)相似,甚至不少結(jié)節(jié)會(huì)在空間上靠近或粘著在脈管上,常干擾肺結(jié)節(jié)的自動(dòng)檢測(cè).另一方面,肺部血管分布變化和多種疾病都有關(guān)系,例如肺部高血壓病人的肺血管呈膨脹狀態(tài)[26].因此肺部脈管檢測(cè)也是肺部CAD的重要部分,但是肺部血管細(xì)小,對(duì)比度差,邊界模糊,給自動(dòng)分割帶來挑戰(zhàn).

基于增強(qiáng)濾波器的方法針對(duì)感興趣目標(biāo)的形態(tài)特性、幾何分布、灰度分布和梯度等特征,采用濾波器增強(qiáng)感興趣區(qū),抑制非感興趣區(qū),可使得感興趣區(qū)在圖像中呈現(xiàn)高亮狀態(tài).為分割圖像中的血管結(jié)構(gòu),可以將濾波器與圖像進(jìn)行卷積操作以提取目標(biāo).在提取血管邊緣時(shí),可以利用圖像灰度在血管橫截面呈高斯型分布的特性,將高斯濾波器與含有血管結(jié)構(gòu)的圖像進(jìn)行卷積,濾波器會(huì)在尺度相近的血管位置處產(chǎn)生一個(gè)較大的輸出,同時(shí)還可在一定程度上平滑噪聲.Gabor濾波器也能較好地增強(qiáng)肺部血管,提取肺部血管的方向特性,再結(jié)合閾值法,能夠較好地提取出肺部血管.Cheng等[27]于2014年提出一個(gè)抽取血管中心線的自動(dòng)方法,其使用一系列線檢測(cè)濾波器進(jìn)行小血管增強(qiáng),然后使用細(xì)化算法抽取血管中心線分段,最后使用全局最優(yōu)化算法分組和選擇血管中心線分段.為了在二維和三維空間中識(shí)別醫(yī)學(xué)圖像中的血管,Koller[28]于1995年提出了增強(qiáng)感興趣區(qū)的思路,之后Lorenz等[29]和Frangi等[30]分別于1997年和1999年對(duì)血管增強(qiáng)方法進(jìn)行了更加深入的研究,但是這些算法的特異性不高.后來隨著肺癌CAD研究的興起,Sato等[31]將血管增強(qiáng)算法引入肺癌CAD中,增強(qiáng)方法在肺癌CAD中的應(yīng)用逐漸增多.

肺血管整體呈樹狀結(jié)構(gòu),拓?fù)浣Y(jié)構(gòu)復(fù)雜,從肺主動(dòng)脈往下分為多級(jí),直徑變化較大.針對(duì)這些特點(diǎn),可采用幾何形變模型[32]對(duì)肺血管進(jìn)行精確分割.賈同等[33]提出了基于幾何變形模型的三維肺血管分割方法.首先,定位血管內(nèi)外同質(zhì)區(qū)域;然后,通過目標(biāo)邊緣能量的計(jì)算使曲面沿著圖像梯度方向的二階導(dǎo)數(shù)進(jìn)行演化,以使其精確收斂到目標(biāo)邊緣;最后,根據(jù)上述步驟,建立三維血管分割形變模型.Boskamp等[34]和陳剛等[35]分別采用二維和三維區(qū)域生長(zhǎng)法進(jìn)行血管分割,首先從血管內(nèi)的一個(gè)或多個(gè)種子點(diǎn)開始,按照設(shè)計(jì)的生長(zhǎng)準(zhǔn)則,通過歸并種子鄰近區(qū)域的像素/體素,逐漸填充血管區(qū)域,即根據(jù)合并準(zhǔn)則把種子點(diǎn)鄰域內(nèi)的相似像素/體素歸并到該種子點(diǎn)的生長(zhǎng)區(qū)域內(nèi).2013年,Park等[26]在簡(jiǎn)單分割肺實(shí)質(zhì)后,選擇初始閾值和自適應(yīng)區(qū)域增長(zhǎng)的方法抽取血管區(qū)域作為3D點(diǎn)集(點(diǎn)云),然后采用Hessian矩陣進(jìn)行張量分析去除肺裂體素點(diǎn),接著采用類似于3D掃描點(diǎn)云數(shù)據(jù)的樹結(jié)構(gòu)重建算法對(duì)血管的3D點(diǎn)集進(jìn)行血管樹重建.

基于跟蹤的血管分割算法建立在血管具有連續(xù)結(jié)構(gòu)特征的基礎(chǔ)上,一般先使用一個(gè)局部算子作用在血管的某個(gè)初始點(diǎn)上,然后由算法自動(dòng)跟蹤血管的中心線、方向和半徑等參數(shù).Zhou等[36]在其檢測(cè)肺栓塞的工作中,根據(jù)肺血管的方向、骨架等幾何特性跟蹤并重構(gòu)血管樹.Kawata等[37]于2013年引入了一種隨機(jī)網(wǎng)絡(luò)和粒子濾波器,在同步加速輻射CT圖像中追蹤穿越肺部腺泡的細(xì)小肺血管.

考慮到單一方法的局限性,混合方法在血管分割中得到應(yīng)用.¨Ozkan等[20]在完成肺實(shí)質(zhì)分割后,接著檢測(cè)出縱隔膜區(qū)域,然后利用閾值法、2D和3D連通成分標(biāo)記法、解剖結(jié)構(gòu)參考點(diǎn)定位等多種技術(shù),最終完成肺部血管的分割.Kitamura等[38]于2016年提出一種對(duì)胸部CT血管造影圖像中的血管進(jìn)行全自動(dòng)分割的方法,首先從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到特定的地標(biāo)檢測(cè)器(Landmark detectors)檢測(cè)肺動(dòng)脈主干和左心房,然后采用圖割方法分割血管區(qū)域,最后采用高階能量函數(shù)最小化方法分離動(dòng)脈和靜脈區(qū)域.

2.4 肺部淋巴結(jié)檢測(cè)

淋巴結(jié)的病理變化是檢測(cè)惡性腫瘤(肺癌、直腸癌、乳腺癌、肝癌、宮頸癌等)和判斷腫瘤轉(zhuǎn)移的一個(gè)重要依據(jù).淋巴結(jié)有高的臨床相關(guān)性和例行關(guān)注需求[39],然而淋巴結(jié)的分割非常具有挑戰(zhàn)性,因?yàn)樗ǔ：图∪?、血管或者其他類似的組織一起出現(xiàn),雜亂且對(duì)比度低;淋巴結(jié)的尺寸變化很大,正常的淋巴結(jié)一般不超過2cm,而病理性增大的淋巴結(jié)(例如因癌癥或感染而增大的淋巴結(jié))卻可以達(dá)到5cm以上;通常增大的淋巴結(jié)會(huì)粘連在一起并形成聚簇,檢測(cè)聚簇內(nèi)的淋巴結(jié)十分困難,其邊緣不清晰或根本不可見,而且聚簇的形狀可以是任意的.

基于形狀結(jié)構(gòu)分析的方法在肺部淋巴結(jié)檢測(cè)中得到應(yīng)用.Dornheim等[40]在2009年提出了用3D平穩(wěn)質(zhì)點(diǎn)彈簧模型分割正常和病理淋巴結(jié)的算法,從包含潛在淋巴結(jié)節(jié)的整個(gè)數(shù)據(jù)集開始,最終定位到真正含有淋巴結(jié)的數(shù)據(jù)中.Steger等[41]在2011年提出了一種基于動(dòng)態(tài)規(guī)劃的方法分割CT圖像中的淋巴結(jié),即先找到圍繞種子點(diǎn)的閉合路徑,進(jìn)而最小化由梯度、強(qiáng)度和形狀先驗(yàn)確定的能量函數(shù),用動(dòng)態(tài)規(guī)劃法找到保證全局最優(yōu)的解決方案.Wang[42]在2010年提出了一種基于圖的最優(yōu)表面查找方法從3D CT圖像中分割淋巴結(jié),并引入半自動(dòng)方法進(jìn)行精調(diào).

判別學(xué)習(xí)方法也是有效的淋巴結(jié)分割方法.Feulner等[39]于2013年采用判別學(xué)習(xí)和空間先驗(yàn)進(jìn)行胸部CT圖像中淋巴結(jié)的檢測(cè)與分割,可以大幅降低假陽(yáng)性數(shù)量.這些先驗(yàn)知識(shí)包括:在肺部的縱隔膜中,淋巴結(jié)常出現(xiàn)在脂肪組織中,因此可以排除其他組織空間;淋巴結(jié)并不是均勻分布在脂肪組織中,而是更易出現(xiàn)在主動(dòng)脈弓(Aortic arch)下面和靠近氣管的位置.Chen等[43]于2013年提出了基于蛇模型的淋巴結(jié)自動(dòng)識(shí)別和分割方法,其首先使用含有兩個(gè)步驟的圖像配準(zhǔn)方法以定位淋巴結(jié),即基于身體部位檢測(cè)的粗配準(zhǔn)步驟和基于雙模板匹配算法的精細(xì)配準(zhǔn)步驟;然后采用灰度和邊緣信息進(jìn)行精細(xì)化處理;最后采用蛇模型對(duì)初始輪廓曲線進(jìn)行演化并獲得分割結(jié)果.在對(duì)76個(gè)淋巴結(jié)樣本的實(shí)驗(yàn)中,該算法獲得了100%的檢測(cè)成功率和95%的正確臨床評(píng)估率,并且具有平均2.58秒的高效計(jì)算性能.

一些研究者綜合采用多種方法檢測(cè)肺部淋巴結(jié).張艷玲等[44]在2013年將基于最大類間方差與數(shù)學(xué)形態(tài)學(xué)的分割方法用于淋巴結(jié)的分割,最大類間方差法用于對(duì)原圖進(jìn)行二值化增強(qiáng)處理,而數(shù)學(xué)形態(tài)學(xué)方法用于修正二值圖像的邊界,通過腐蝕與膨脹操作解決二值化后出現(xiàn)的目標(biāo)區(qū)域與其他組織相連的問題,以更好地提取淋巴結(jié)組織.Yu等[45]于2015年提出了一種帶邊緣約束的基于區(qū)域的蛇模型算法進(jìn)行胸部CT圖像中淋巴結(jié)的分割,利用自調(diào)節(jié)機(jī)制同時(shí)集成邊緣和區(qū)域信息,在基線和隨訪圖像的淋巴結(jié)分割實(shí)驗(yàn)中,平均Dice系數(shù)分別為0.853±0.059和0.841±0.108.

3 候選病變區(qū)域分割

圖像預(yù)處理后,需將異常目標(biāo)分離出來,作為候選對(duì)象輸入到后續(xù)處理中.候選病變區(qū)域(Candidate lesion regions)即初步感興趣區(qū)域(Region of interest,ROI),通常包括各種肺結(jié)節(jié)、征象等.提取候選病變區(qū)域的目的是為了快速定位疑似病變區(qū)域,縮小范圍,提高計(jì)算效率.這一階段要求較高的敏感度,保證后續(xù)的精確檢測(cè),但一般會(huì)產(chǎn)生較多的假陽(yáng)性區(qū)域.

根據(jù)使用的技術(shù),候選區(qū)域分割可分為閾值方法、數(shù)學(xué)形態(tài)學(xué)方法、聚類方法、分類方法、概率方法、形態(tài)結(jié)構(gòu)法、區(qū)域增長(zhǎng)法、跟蹤法、混合方法.根據(jù)有沒有使用鄰近圖層間關(guān)系,候選區(qū)域提取可分為二維和三維方法.在二維圖像中,肺結(jié)節(jié)和肺血管、肺氣管的灰度特征很相似,二維投影大都呈圓形或橢圓形,無法全面展示肺部組織的空間結(jié)構(gòu)細(xì)節(jié),導(dǎo)致大量假陽(yáng)性的產(chǎn)生;三維方法使用三維圖像數(shù)據(jù)(CT圖像序列的層間距較小),其假陽(yáng)性數(shù)量明顯少于二維方法,產(chǎn)生假陽(yáng)性的原因主要在于一些脈管交叉處會(huì)和結(jié)節(jié)相混淆.具體采用二維還是三維方法,依賴于當(dāng)前的CT數(shù)據(jù)集特性,如果CT圖像的層間距過大,則只能采用二維方法.

3.1 閾值法

閾值法利用圖像中病變區(qū)域與其他區(qū)域在CT值上的差異,分析、選取較合理的閾值,以確定圖像中的各像素/體素點(diǎn)類別歸屬,從而完成結(jié)節(jié)候選區(qū)的提取.

閾值法適用于目標(biāo)與背景灰度對(duì)比度較大的情況,在肺結(jié)節(jié)提取中.可以容易地將結(jié)節(jié)區(qū)域和充滿氣體的背景暗區(qū)分開.由于肺血管、肺氣管在灰度特征上與結(jié)節(jié)相似,應(yīng)用閾值法容易產(chǎn)生由肺血管和肺氣管組成的假陽(yáng)性結(jié)果.閾值選擇過高,會(huì)導(dǎo)致灰度值較低的肺結(jié)節(jié)漏檢.多灰度級(jí)閾值法通過設(shè)定多個(gè)閾值分割灰度級(jí)相似的連通區(qū)域,然后去掉其中的假陽(yáng)性區(qū)域.Choi等[5]于2012年提出使用最優(yōu)多閾值方法抽取ROI區(qū)域,即首先利用迭代法計(jì)算最優(yōu)閾值作為基閾值T,然后獲得7個(gè)閾值化圖像和對(duì)應(yīng)的分割圖像(采用的7個(gè)閾值依次為:T?200,T?100,T,T+100,T+200,T+300,T+400),這些分割圖像與肺模板掩膜后組合進(jìn)ROI圖像中.接下來進(jìn)行基于規(guī)則的剪枝處理,即基于ROI計(jì)算的5個(gè)特征(直徑、面積、體積、延伸率、圓度)設(shè)計(jì)的4個(gè)剪枝規(guī)則,這些規(guī)則可以去除大部分的血管區(qū)域.Iqbal等[14]于2014年針對(duì)小尺寸結(jié)節(jié)、低/高對(duì)比度結(jié)節(jié)、血管粘連型結(jié)節(jié)、胸膜粘連型結(jié)節(jié)、毗鄰隔膜/肺壁型結(jié)節(jié)提出了使用多步閾值法和形狀索引閾值進(jìn)行潛在結(jié)節(jié)檢測(cè).Guo等[46]于2016年提出一種從局部到全局的多閾值算法,并采用一種新的判別學(xué)習(xí)算法進(jìn)行分類,以實(shí)現(xiàn)GGO征象的檢測(cè)任務(wù).

3.2 數(shù)學(xué)形態(tài)學(xué)

基于形態(tài)學(xué)的分割算法利用集合論的概念和運(yùn)算方法,根據(jù)圖像的拓?fù)浣Y(jié)構(gòu)進(jìn)行變換,度量并提取對(duì)應(yīng)形狀.該方法中,膨脹和腐蝕對(duì)于灰度變化較明顯的邊緣效果較好;開操作可以去掉圖像中小于結(jié)構(gòu)元素的區(qū)域,斷開狹窄區(qū)域和消除細(xì)小突出物;閉操作可消除輪廓線中的間斷部分,也可消除小孔洞.該方法中結(jié)構(gòu)元的選取很重要,不同的結(jié)構(gòu)元可完成不同的圖像分析,獲得不同的結(jié)構(gòu).

很多研究者利用形態(tài)學(xué)操作分割候選病變區(qū)域[7,47?49].Moltz等[47]于2009年提出一種智能開操作算法(Smart opening algorithm)分割實(shí)性肺結(jié)節(jié),算法對(duì)其他腫瘤類型也有作用(例如與血管或其他細(xì)長(zhǎng)型結(jié)構(gòu)比鄰并且具有相似的灰度值).基于閾值的分割方法在上述情形下是不充分的,但因這類病變多數(shù)是均勻的,仍可使用閾值法預(yù)先獲得體素超集,例如采用3D區(qū)域增長(zhǎng)并將種子點(diǎn)定位在ROI的中心.區(qū)域增長(zhǎng)結(jié)果除了包含完整病變區(qū),還會(huì)額外包含部分粘連的脈管系統(tǒng).形態(tài)學(xué)開操作可以去除血管,但困難在于確定最佳的腐蝕強(qiáng)度.因?yàn)槟[瘤(結(jié)節(jié))和血管在大小上明顯不同,不能使用固定大小的腐蝕核,而智能開操作則能夠自動(dòng)選擇腐蝕強(qiáng)度.2014年,高婷等[7]利用Canny算子進(jìn)行邊緣檢測(cè),并在連通區(qū)域連接、分支去除和填充空洞等形態(tài)學(xué)處理后,采用半徑為層厚的球形結(jié)構(gòu)元進(jìn)行開運(yùn)算以去除面積過小的連通區(qū),最后去除直徑大于3cm的三維連通區(qū).2014年,Jacobs等[48]使用雙閾值密度模板算法獲取GGO衰減值的體素模板,使用直徑為3體素的球狀結(jié)構(gòu)元進(jìn)行形態(tài)學(xué)腐蝕操作(可減少部分容積效應(yīng)(Partial volume eあects,PVE)的影響).然后進(jìn)行連通成分分析把所有體素聚合為候選結(jié)節(jié),并去除體積小于34mm3的對(duì)象.接著使用同樣直徑結(jié)構(gòu)元的形態(tài)學(xué)膨脹操作去除因腐蝕造成的收縮,然后計(jì)算所有候選的體積和質(zhì)心,并合并質(zhì)心距離小于5mm的候選結(jié)節(jié).

3.3 聚類方法

聚類的目的是將CT圖像分割成兩類或多類,常見的使用場(chǎng)景是聚類為肺組織區(qū)和背景區(qū).

Ge等[50]采用中值濾波器獲得圖像特征向量,并采用加權(quán)K均值聚類方法形成結(jié)節(jié)簇和背景簇,然后分別計(jì)算像素特征向量與結(jié)節(jié)簇中心和背景簇中心的距離,最終通過二者的比率決定像素類別歸屬.該方法聚類目標(biāo)明確,可自適應(yīng)獲得聚類閾值,但是檢測(cè)結(jié)果依賴于特征向量的組成,且很難兼顧敏感性和假陽(yáng)性率,無法處理粘連成分較多的結(jié)節(jié),例如膜粘連型結(jié)節(jié)(胸膜、心臟、隔膜等).2014年,Netto等[18]采用生長(zhǎng)型神經(jīng)氣算法(Growing neural gas,GNG)和3D距離變換—區(qū)域增長(zhǎng)算法進(jìn)行候選肺結(jié)節(jié)的分割,GNG是自組織映射算法(Self-organizing maps)和神經(jīng)氣(Neural gas)算法的優(yōu)化聚類算法,其采用增量聚類方式(算法執(zhí)行時(shí)聚類數(shù)量可以增加)和非監(jiān)督模式(基于輸入數(shù)據(jù)的統(tǒng)計(jì)特征形成聚類).魏穎等[51]于2016年提出結(jié)合Hessian矩陣濾波的均值漂移聚類方法分割肺部疑似病灶區(qū)域,可以較好地將結(jié)節(jié)從血管上分割出來.該方法首先進(jìn)行肺實(shí)質(zhì)分割和多尺度Hessian矩陣圓形增強(qiáng)濾波,然后將濾波后的形狀特征、灰度、空間位置三種信息引入特征空間,將均值漂移聚類的核函數(shù)分解為三種特征信息分別對(duì)應(yīng)的核函數(shù)乘積形式,最后采用自適應(yīng)計(jì)算帶寬的方法確定每個(gè)待分割疑似病灶區(qū)域的帶寬,并進(jìn)行均值漂移聚類.

模糊聚類是一種基于模糊數(shù)學(xué)的灰度圖像分割方法,是聚類算法中非常重要的一個(gè)分支,早期工作[52?55]已將模糊聚類引入到ROI提取中.Kanazawa等[52]采用模糊聚類方法將肺實(shí)質(zhì)圖像分為空氣簇和組織器官簇,對(duì)組織器官簇中的圖像數(shù)據(jù)計(jì)算灰度加權(quán)距離等后續(xù)處理.經(jīng)典模糊聚類算法僅考慮每個(gè)像素的灰度值分別與各聚類中心的距離,沒有考慮鄰域內(nèi)像素之間的影響,也未利用圖像的空間信息,針對(duì)這一問題,李翠芳等[56]于2013年提出一種改進(jìn)的利用血管及類別結(jié)構(gòu)信息加權(quán)的適用于亞實(shí)性(Sub-solid)肺結(jié)節(jié)的核模糊聚類(Improved weighed kernel fuzzy C-means,IWKFCM)三維分割方法.該方法首先從肺CT圖像序列的中心層人工選取結(jié)節(jié)感興趣區(qū)域(ROI),然后從該ROI臨近層確定三維感興趣區(qū)域(Volume of interest,VOI),再?gòu)腣OI內(nèi)進(jìn)行IWKFCM 聚類,最后對(duì)聚類結(jié)果進(jìn)行三維連通域標(biāo)記及形態(tài)學(xué)處理得到最終結(jié)節(jié)的分割結(jié)果.Badura等[57]于2014年提出利用模糊連通性和進(jìn)化計(jì)算進(jìn)行3D肺結(jié)節(jié)分割.使用者需為每個(gè)結(jié)節(jié)選擇兩個(gè)種子點(diǎn)(分別表示背景和結(jié)節(jié)),然后采用含有軟計(jì)算階段的模糊連通性方法成倍增加種子點(diǎn)數(shù)量,使得分析過程更魯棒.

3.4 分類方法

分類是在已知訓(xùn)練集樣本類別標(biāo)簽的條件下,通過學(xué)習(xí)已知的輸入輸出關(guān)系而建立起樣本輸入與類別輸出之間的映射關(guān)系.其重要內(nèi)容是用先驗(yàn)樣本訓(xùn)練分類器以獲得最佳模型參數(shù),進(jìn)而采用訓(xùn)練的模型對(duì)新樣本進(jìn)行類別預(yù)測(cè).

宋佳等[58]于2014年提出一種基于三維特征的肺結(jié)節(jié)概率分類算法,首先由人工給出結(jié)節(jié)中心點(diǎn)c和可能的最大直徑r,然后把以c為中心、2r為邊長(zhǎng)的正方體作為VOI.對(duì)VOI中的每個(gè)體素,計(jì)算5×5×5鄰域的灰度平均值、最小值、最大值、標(biāo)準(zhǔn)差,并計(jì)算基于三維灰度共生矩陣的紋理特征(逆差矩、相關(guān)性、角二階矩、對(duì)比度和熵)和局部二值模式(Local binary pattern,LBP),最后利用決策樹模型對(duì)體素特征進(jìn)行分類.

集成學(xué)習(xí)方法生成許多分類器并聚合它們的結(jié)果,例如隨機(jī)森林在Bagging集成方法中添加了一個(gè)額外的隨機(jī)層,它的每棵樹都生成一個(gè)分類決策并輸出一個(gè)分類結(jié)果,這些結(jié)果被集成為最終結(jié)果.Kouzani等[59]于2008年基于隨機(jī)森林設(shè)計(jì)了一個(gè)集成分類算法來識(shí)別二維CT圖像中的肺結(jié)節(jié),并比較了集成分類算法、支持向量機(jī)(Support vector machine,SVM)分類器和決策樹分類器得到的結(jié)果,前者獲得了最好分類性能.

3.5 概率方法

基于概率的方法也被用于候選區(qū)域分割.Bharath等[60]提出了基于貝葉斯網(wǎng)絡(luò)模型(Bayesian network model based,BNMB)的ROI自動(dòng)分割方法.BNMB實(shí)質(zhì)是個(gè)概率圖模型,首先從過分割圖像構(gòu)建一個(gè)概率圖,表示超像素區(qū)域和邊緣分割之間的關(guān)系,然后利用基于概率模型的迭代過程識(shí)別出一些區(qū)域并進(jìn)行合并.該方法每張圖分割時(shí)間為20～40s,并達(dá)到了97.4%的分割準(zhǔn)確率.為充分利用CT圖像的解剖結(jié)構(gòu)信息和PET(Positron emission tomography)圖像的功能信息,早期研究多采用N維向量融合抽取自CT和PET圖像的不同特征,近年來概率方法在協(xié)同分割中也得到應(yīng)用.Song等[61]于2013年提出一種概率方法對(duì)PET-CT混合模態(tài)圖像進(jìn)行協(xié)同分割.該方法把分割問題作為編碼了兩種模態(tài)圖像信息的馬爾科夫隨機(jī)場(chǎng)的最小化問題,并使用基于圖割的算法進(jìn)行最優(yōu)化求解.實(shí)驗(yàn)結(jié)果表明協(xié)同分割方法比在任何一種模態(tài)圖像上單獨(dú)使用圖割方法都具有更高的分割性能.Guo等[62]于2014年提出用模糊馬爾科夫隨機(jī)場(chǎng)模型進(jìn)行肺腫瘤自動(dòng)分割,設(shè)計(jì)了一個(gè)新的聯(lián)合后驗(yàn)概率模型以有效融合PET和CT圖像信息.

3.6 形態(tài)結(jié)構(gòu)法

在肺部CT圖像中,各類病變區(qū)域都具有一定的統(tǒng)計(jì)學(xué)形態(tài)特征,例如孤立性肺結(jié)節(jié)在二維空間多表現(xiàn)為類圓形,并且CT強(qiáng)度值通常從中心向邊緣衰減,而在三維空間中,肺結(jié)節(jié)則多表現(xiàn)為類球形,CT強(qiáng)度值則從中心向四周衰減.基于形態(tài)結(jié)構(gòu)分析的候選病變區(qū)域分割方法主要包括模板匹配、變形模型、結(jié)構(gòu)分析等途徑.

Farag等[63]于2004年提出了一種基于變形模板進(jìn)行模板匹配的結(jié)節(jié)檢測(cè)方法.針對(duì)不同結(jié)節(jié)類型具有不同幾何和灰度級(jí)分布的特點(diǎn),方案設(shè)計(jì)了四個(gè)不同類型的變形模板:1)實(shí)心球體模板,描述大尺寸的鈣化和非鈣化肺結(jié)節(jié);2)空心球體模板,描述大尺寸含空洞征肺結(jié)節(jié);3)圓形模板,描述僅在一個(gè)圖層中出現(xiàn)的小結(jié)節(jié);4)半圓模板,用以描述與肺壁粘連型結(jié)節(jié).每種模板都有相應(yīng)的灰度級(jí)模式用以匹配對(duì)應(yīng)形態(tài)的結(jié)節(jié),然后采用基于遺傳優(yōu)化的互相關(guān)模板匹配方法檢測(cè)肺結(jié)節(jié),最后使用貝葉斯分類器進(jìn)行假陽(yáng)性去除.該方法可以處理跨越多個(gè)連續(xù)圖層的孤立性異常區(qū)域,在200個(gè)病例數(shù)據(jù)上的實(shí)驗(yàn)敏感度達(dá)到82.3%,假陽(yáng)性率為9.2%.

變形模型也經(jīng)常用于候選區(qū)域分割,Cascio等[2]于2012年提出使用穩(wěn)定的三維質(zhì)點(diǎn)彈簧模型(Mass-spring models,MSMs)和樣條曲線重建方法進(jìn)行肺部候選結(jié)節(jié)分割,可以同時(shí)處理孤立性結(jié)節(jié)和胸膜粘連型結(jié)節(jié).MSMs是常用在軟組織仿真方面的物理模型,包含一些由彈簧相連接的質(zhì)點(diǎn)(彈簧建模質(zhì)點(diǎn)間的連通性)以描述目標(biāo)形狀.穩(wěn)定的MSMs在彈簧靜息長(zhǎng)度和方向方面擴(kuò)展了傳統(tǒng)MSMs,無論何時(shí)彈簧偏離了靜息方向,都會(huì)出現(xiàn)一個(gè)扭矩試圖恢復(fù)靜息方向.從醫(yī)學(xué)圖像的角度看,穩(wěn)定質(zhì)點(diǎn)彈簧模型的一個(gè)重要優(yōu)勢(shì)是可以適應(yīng)生物結(jié)構(gòu)隨時(shí)間的變化.Guo等[64]于2013年提出使用Gabor紋理特征和模糊C均值(Fuzzy C-means,FCM)算法檢測(cè)候選結(jié)節(jié),并使用隨機(jī)游走算法分割候選結(jié)節(jié)邊緣.主動(dòng)輪廓模型常用于醫(yī)學(xué)圖像分割[65?67],Li等[68]于2015年提出一個(gè)基于監(jiān)督式半自動(dòng)3D肺組織分割方法的肺與血管模型,不同于現(xiàn)有文獻(xiàn)中常用的“由粗到細(xì)”方法,該模型基于幾何主動(dòng)輪廓的遞歸策略從3D CT數(shù)據(jù)中抽取肺組織.因?yàn)榉谓M織在相鄰切片中變化很小,模型讓前一切片分割結(jié)果監(jiān)督當(dāng)前切片的分割過程,基于這種監(jiān)督機(jī)制,所有切片的肺組織區(qū)域都可得到快速、精確的分割.該模型還解決了融合的左右肺的分離處理和胸膜結(jié)節(jié)的分割等問題.

對(duì)特定的研究對(duì)象進(jìn)行形狀結(jié)構(gòu)分析,也是一種有效的候選區(qū)域分割方法.2014年,王凱等[69]提出一種基于自適應(yīng)體窗進(jìn)行組織結(jié)構(gòu)分析的肺結(jié)節(jié)檢測(cè)方法.該方案先采用一種結(jié)合區(qū)域生長(zhǎng)和改進(jìn)波陣面法的三維分割方法進(jìn)行肺實(shí)質(zhì)分割,接著進(jìn)行結(jié)節(jié)檢測(cè):首先計(jì)算肺實(shí)質(zhì)區(qū)域內(nèi)體素的Hessian矩陣特征值并構(gòu)造結(jié)構(gòu)系數(shù),對(duì)相鄰體素區(qū)域的灰度分布進(jìn)行初步分析;然后利用結(jié)構(gòu)系數(shù)構(gòu)建三維自適應(yīng)體窗,分析目標(biāo)組織對(duì)象的局部灰度分布和結(jié)構(gòu)特征;最后利用判別函數(shù)檢測(cè)結(jié)節(jié),去除血管和血管交叉等干擾對(duì)象.Santos等[16]于2014年提出利用高斯混合模型(Gaussian mixture model,GMM)分離肺實(shí)質(zhì)的內(nèi)部結(jié)構(gòu)對(duì)象,然后利用Hessian矩陣特征值檢測(cè)類球狀結(jié)構(gòu)作為候選結(jié)節(jié).Yong等[70]采用2D-Otsu算法分割肺部區(qū)域邊緣,然后以20像素為間隔對(duì)肺邊緣進(jìn)行重采樣,接著計(jì)算肺邊緣點(diǎn)的傾斜角,一般情況下正常區(qū)域的傾斜角變化相當(dāng)平穩(wěn),而病理區(qū)域的傾斜角變化具有更復(fù)雜的模式,通過檢測(cè)傾斜角度變化較大的位置可定位與胸膜粘連的腫瘤區(qū)域,接下來通過對(duì)真實(shí)肺形狀進(jìn)行預(yù)測(cè)可以分割出胸膜粘連的腫瘤.

3.7 區(qū)域增長(zhǎng)法

經(jīng)典的區(qū)域增長(zhǎng)算法在候選區(qū)域分割中得到較多應(yīng)用,王秋萍等[71]于2014年探討了利用空洞檢測(cè)算法自動(dòng)化檢測(cè)肺結(jié)節(jié)內(nèi)空泡和空洞的可行性,首先采用最大方差閾值和區(qū)域生長(zhǎng)方法自動(dòng)化分割肺實(shí)質(zhì)并提取肺結(jié)節(jié),然后對(duì)肺結(jié)節(jié)進(jìn)行基于閾值分析和區(qū)域生長(zhǎng)的空泡與空洞檢測(cè).實(shí)驗(yàn)發(fā)現(xiàn)利用空洞檢測(cè)算法提取肺結(jié)節(jié)內(nèi)空洞和空泡征象穩(wěn)定、快捷、可行.Elizabeth等[17]于2012年采用區(qū)域生長(zhǎng)算法抽取候選結(jié)節(jié)區(qū)域(ROI).2016年,Krishnamurthy等[72]采用區(qū)域增長(zhǎng)方法和形態(tài)學(xué)操作分割候選肺結(jié)節(jié),又采用了邊緣橋接和填充技術(shù)處理胸膜粘連型結(jié)節(jié),最后采用3D幾何中心偏移分析技術(shù)排除血管區(qū)域.Song等[73]于2016年提出新的滑梯方法(Toboggan method)進(jìn)行種子點(diǎn)檢測(cè)(可同時(shí)用于實(shí)性結(jié)節(jié)、GGO結(jié)節(jié)和空洞結(jié)節(jié)),然后采用帶距離約束和增長(zhǎng)度約束的區(qū)域增長(zhǎng)算法進(jìn)行肺部病變區(qū)域分割,最后使用基于輪廓的病變區(qū)域精化方法消除血管和其他組織.

3.8 跟蹤方法

跟蹤的方法,主要是利用目標(biāo)在時(shí)空維度上的連續(xù)性,對(duì)目標(biāo)在時(shí)間或空間上的變化進(jìn)行合理估計(jì)以達(dá)到檢測(cè)目的.在視頻分析領(lǐng)域主要是時(shí)間維度上的跟蹤,而在醫(yī)學(xué)圖像領(lǐng)域則是空間維度的跟蹤.Iwao等[74]于2014年提出一種肺部病變區(qū)域分割方法,利用失敗跟蹤和恢復(fù)算法正確跟蹤肺部脈管、肺葉等組織結(jié)構(gòu).該方法包含了一個(gè)恢復(fù)過程,存儲(chǔ)歷史信息的數(shù)據(jù)棧,能夠反向追蹤到歷史信息中的前一狀態(tài),當(dāng)檢測(cè)到失敗狀態(tài)時(shí),算法能夠從前一安全狀態(tài)重新開始跟蹤過程.申正義等[75]于2016年提出肺4D-CT腫瘤自動(dòng)分割技術(shù),采用運(yùn)動(dòng)估計(jì)中的完全搜索塊匹配算法,獲得下一相位圖中與初始目標(biāo)塊最相似的目標(biāo)塊,計(jì)算出它們之間的運(yùn)動(dòng)位移,并以此類推得到所有相位的目標(biāo)塊以及對(duì)應(yīng)的運(yùn)動(dòng)位移.

3.9 混合方法

一種方法往往很難精確分割候選區(qū)域,一些研究者綜合采用多種方法分割候選對(duì)象[47,76?85],本文稱為混合方法.Carvalho等[13]于2014年提出使用質(zhì)量閾值(Quality threshold,QT)算法和區(qū)域增長(zhǎng)算法分割候選結(jié)節(jié),即使用體素的灰度相似性生成聚簇,然后使用區(qū)域增長(zhǎng)法消除候選結(jié)節(jié)中的不連續(xù)部分.Lassen等[82]于2015年提出快速、半自動(dòng)的半實(shí)性結(jié)節(jié)分割方法,用戶需要畫出結(jié)節(jié)的最大直徑,然后執(zhí)行基于結(jié)節(jié)區(qū)域和周圍軟組織的灰度分析和基于閾值的區(qū)域增長(zhǎng)算法,接著結(jié)合使用連通成分分析和凸包計(jì)算方法去除胸壁,最后采用形態(tài)學(xué)操作去除結(jié)節(jié)所附著的血管結(jié)構(gòu).Lu等[83]于2015年提出一種混合方法檢測(cè)CT圖像中的各種類型肺結(jié)節(jié),包括形態(tài)學(xué)操作、基于Hessian矩陣的點(diǎn)增強(qiáng)算法、模糊連通性分割、局部灰度最大算法、測(cè)地距離圖、回歸樹分類等,這些方法被組織成具有多個(gè)節(jié)點(diǎn)的樹結(jié)構(gòu),每個(gè)節(jié)點(diǎn)處理一種肺結(jié)節(jié)類型.2015年,Qiang等[84]在PET/CT混合成像模態(tài)的基礎(chǔ)上,提出一種基于PET/CT的孤立型肺結(jié)節(jié)分割方法.在經(jīng)過PET和CT圖像的配準(zhǔn)之后,分別在PET和CT圖像中完成結(jié)節(jié)檢測(cè)和分割.因?yàn)槭褂玫氖侨诤夏B(tài)圖像,所以可以充分利用PET圖像中的高代謝區(qū)域作為種子點(diǎn),進(jìn)一步映射到CT圖像的對(duì)應(yīng)位置,再使用區(qū)域增長(zhǎng)方法完成肺結(jié)節(jié)提取.2016年,Gon?calves等[85]提出多個(gè)基于Hessian矩陣的肺結(jié)節(jié)分割策略,即中心線自適應(yīng)規(guī)則方法、形狀索引法(Shape index,SI)和彎曲度法(Curvedness,CV)以及通過各策略檢測(cè)結(jié)果的聯(lián)合充分利用各自優(yōu)點(diǎn).

4 假陽(yáng)性去除方法

對(duì)象候選區(qū)提取階段要保證算法檢測(cè)的敏感性,即盡量保證真正的研究對(duì)象被提取出來,而不考慮伴隨產(chǎn)生的假陽(yáng)性數(shù)量.因此接下來需要引入分類算法區(qū)分出真正的對(duì)象區(qū)域,僅將這些區(qū)域呈現(xiàn)給放射科醫(yī)生.肺部CAD系統(tǒng)中的假陽(yáng)性結(jié)果主要由肺血管或氣管的交叉點(diǎn)引起,為更高效地去除假陽(yáng)性就需充分考慮這些區(qū)域與研究對(duì)象的差異.對(duì)于假陽(yáng)性去除的分類問題,一般采用特征—分類器方法,即從提取到的候選區(qū)域計(jì)算能夠辨別目標(biāo)區(qū)域和干擾區(qū)域特性的圖像特征,并進(jìn)行特征選擇,用最具代表性、區(qū)分性強(qiáng)的特征訓(xùn)練分類模型,最后對(duì)候選區(qū)進(jìn)行分類.

4.1 遺傳算法

Choi等[5]在提取候選結(jié)節(jié)后,進(jìn)一步進(jìn)行特征選擇和基于遺傳規(guī)劃(Genetic programmingbased)的分類,方案選擇了4種類型特征:2D幾何特征(面積、直徑、周長(zhǎng)、圓度)、3D幾何特征(體積、緊致性、邊界框各維長(zhǎng)度、三個(gè)主軸長(zhǎng)度、延伸率)、基于2D灰度的統(tǒng)計(jì)特征(最小值、均值、方差、偏度、峰度、分割區(qū)域外的均值、中間圖層像素灰度的8個(gè)最大特征值)、基于3D灰度的統(tǒng)計(jì)特征(最小值、均值、方差、偏度、峰度、分割區(qū)域外的均值),其中2D特征選擇從候選結(jié)節(jié)的中間圖層抽取,最終共構(gòu)成了33個(gè)特征維度.算法準(zhǔn)確率達(dá)到89.6%,敏感度為94.1%.

4.2 聚類方法

2015年,孫娟等[86]考慮到肺結(jié)節(jié)和非肺結(jié)節(jié)數(shù)量的不均衡性,結(jié)合肺部ROI數(shù)據(jù)的特征,提出全權(quán)模糊聚類算法(Fuzzy C-means algorithm based on plurality of weight,PWFCM)檢測(cè)肺結(jié)節(jié).其根據(jù)肺結(jié)節(jié)臨床病例特征,分別為每個(gè)實(shí)例的重要屬性和每個(gè)樣本賦予權(quán)值,并引入隸屬度約束改進(jìn)收斂性,并使用二次聚類策略降低數(shù)據(jù)不平衡性.第一次聚類用以去除面積較大的ROI,例如面積較大且扁長(zhǎng)的血管、氣管,第二次聚類尋找陽(yáng)性結(jié)節(jié).2016年,邱實(shí)等[87]為降低二維CT圖像序列中因血管橫截面與肺結(jié)節(jié)成像特征類似所造成的假陽(yáng)性,提出以格式塔心理學(xué)為基礎(chǔ)去除血管干擾區(qū)域.在得到大量結(jié)節(jié)候選區(qū)后,根據(jù)格式塔連續(xù)性、整合性原則,對(duì)軸位CT圖像序列建立各項(xiàng)同性數(shù)據(jù)體,濾除大量血管ROI,最后精確提取結(jié)節(jié)ROI,利用FCM進(jìn)行聚類獲得結(jié)節(jié)區(qū)域.

4.3 統(tǒng)計(jì)模式識(shí)別

Elizabeth等[17]于2012年對(duì)分割出的候選結(jié)節(jié)抽取形狀和紋理特征,訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)去除假陽(yáng)性.Ta?sci等[88]于2015年計(jì)算了候選結(jié)節(jié)的40個(gè)特征(含新設(shè)計(jì)的5個(gè)形狀特征和2個(gè)形狀紋理特征),然后使用獨(dú)立于分類器選擇的濾波方法進(jìn)行特征選擇,接著用10個(gè)不同分類器進(jìn)行候選結(jié)節(jié)分類實(shí)驗(yàn),從中挑選出性能最佳的分類器,即廣義線性回歸模型,該方法的AUC(Area-under-thecurve)值達(dá)到了0.9679.Guo等[46]于2016年提出的GGO征象檢測(cè)算法采用基于貝葉斯風(fēng)險(xiǎn)最小化和邊緣最大化的貝葉斯建模過程從大量候選GGO區(qū)域識(shí)別出真陽(yáng)性區(qū)域,算法達(dá)到了100%敏感度和33.13%特異度.

李陽(yáng)等[79]于2013年指出傳統(tǒng)的SVM結(jié)節(jié)分類方法都是以特征向量作為輸入模式,在提取ROI后再統(tǒng)計(jì)其各項(xiàng)特征值形成若干個(gè)特征向量(一維)作為分類器輸入,這種方法在圖像二維輸入模式轉(zhuǎn)換為一維向量輸入模式時(shí),每個(gè)圖像空間冗余矩陣沒有得到有效利用,會(huì)丟失一些有關(guān)局域及空間關(guān)系的信息.針對(duì)上述問題,李陽(yáng)等[79]利用處理二維輸入模式問題的MatLSSVM(Least squares SVM based on matrix patterns)識(shí)別肺結(jié)節(jié)[89],直接把ROI輸入SVM分類器,而不再計(jì)算各ROI的特征值,從而減少了信息丟失,實(shí)驗(yàn)敏感度為100%,特異度達(dá)到95%.Carvalho等[90]于2016年提出僅使用形狀度量的結(jié)節(jié)/非結(jié)節(jié)分類方法,其采用形狀圖、比例測(cè)量和基于圓柱面分析等來分析感興趣體的形狀,然后使用SVM 算法進(jìn)行分類,達(dá)到了平均95.33%的準(zhǔn)確率.

研究者通常在分割出候選結(jié)節(jié)后,抽取候選結(jié)節(jié)的2D或3D形狀特征(球形不均衡性、球形密度、球形度、加權(quán)徑向距離、伸長(zhǎng)率、Boyce-clark徑向形狀指數(shù)等)、紋理統(tǒng)計(jì)特征(對(duì)比度、能量、熵、同質(zhì)性和動(dòng)量)、空間上下文特征等,然后基于某種特征選擇算法進(jìn)行特征選擇,最后使用SVM 模型(或經(jīng)過優(yōu)化的SVM 模型)進(jìn)行候選結(jié)節(jié)分類[13,18,22,77,91].上述幾個(gè)文獻(xiàn)的實(shí)驗(yàn)敏感度分別達(dá)到85.91%,86%,95.31%,98.3%,98.03%,特異度分別為97.70%,91%,99.73%,-%,-%.王青竹等[92]于2013年提出把候選區(qū)域與整體肺部區(qū)域的相對(duì)位置關(guān)系作為傳統(tǒng)形狀、紋理特征之外的一種新的隱變量參與到SVM 的訓(xùn)練過程中,還引入并設(shè)計(jì)了含隱變量三維矩陣模式的SVM 分類器,實(shí)驗(yàn)達(dá)到97.05%的真陽(yáng)性率和9.21%的假陽(yáng)性率.

4.4 基于語(yǔ)義網(wǎng)絡(luò)的方法

Brown等[93]于2003年借鑒來源于語(yǔ)義模式識(shí)別領(lǐng)域的語(yǔ)義網(wǎng)絡(luò)模型,提出了一種語(yǔ)義網(wǎng)絡(luò)模型來描述解剖結(jié)構(gòu)和病理結(jié)構(gòu),例如肺實(shí)質(zhì)、肺血管、肺結(jié)節(jié)等.該結(jié)構(gòu)模型由節(jié)點(diǎn)和連接節(jié)點(diǎn)的邊組成,其中每個(gè)節(jié)點(diǎn)包含一個(gè)解剖結(jié)構(gòu)名稱和一組特征集,連接兩個(gè)節(jié)點(diǎn)的邊代表兩個(gè)節(jié)點(diǎn)的解剖學(xué)關(guān)系.為表示解剖變化,模型為數(shù)值特征參數(shù)分配相應(yīng)的模糊集,然后輸出一個(gè)隸屬度以區(qū)分結(jié)節(jié)和血管,進(jìn)而實(shí)現(xiàn)了通過模型語(yǔ)義網(wǎng)絡(luò)來完成肺結(jié)節(jié)分類.通過在77個(gè)肺結(jié)節(jié)數(shù)據(jù)上的實(shí)驗(yàn),敏感度達(dá)到100%(直徑＞3mm)和70%(直徑≤3mm),而放射科醫(yī)生在獨(dú)立閱片時(shí),對(duì)應(yīng)的敏感度僅有91%和51%.

4.5 混合方法

由于分類器在設(shè)計(jì)和訓(xùn)練過程中針對(duì)性較強(qiáng),采用單一分類器去除假陽(yáng)性的方案在分類器性能達(dá)到一定程度便很難改進(jìn),因此常采用多個(gè)分類器去除假陽(yáng)性,本文稱之為混合分類器.Camarlinghi等[6]組合了三個(gè)CAD算法自動(dòng)識(shí)別肺結(jié)節(jié):CAMCADe(基于分割血管樹和結(jié)節(jié)候選的Channelerant-model以及神經(jīng)網(wǎng)絡(luò)分類器),RGVPCADe(一個(gè)檢測(cè)結(jié)節(jié)候選的區(qū)域增長(zhǎng)體積穩(wěn)定算法和減少假陽(yáng)性的神經(jīng)網(wǎng)絡(luò)算法),VBNACADe(兩個(gè)分別基于3D點(diǎn)增強(qiáng)算法和胸膜曲面法線交叉算法的專有過程,識(shí)別內(nèi)部的和胸膜粘連的結(jié)節(jié),一個(gè)基于體素的神經(jīng)網(wǎng)絡(luò)方法減少假陽(yáng)性).實(shí)驗(yàn)的FROC(Freeresponse receiver operating characteristic)曲線表明不同方法的組合可以勝過任何一種方法.Jacobs等[48]在分割候選結(jié)節(jié)后,抽取了候選結(jié)節(jié)的灰度、形狀、紋理和上下文特征(候選結(jié)節(jié)關(guān)于肺邊界、氣管樹、血管等的位置),然后使用兩個(gè)分類模式,多種分類方法進(jìn)行了分類性能評(píng)估,以選擇出最優(yōu)配置.Santos[16]等抽取Shannon熵、Tsallis Q熵等紋理特征,訓(xùn)練SVM 分類器進(jìn)一步削減假陽(yáng)性對(duì)象.Wang等[94]于2015年提出基于球形形狀約束的Chan-Vese(CV)模型進(jìn)行典型形狀特征分析,并結(jié)合計(jì)算附著于候選結(jié)節(jié)的血管分支數(shù)量降低假陽(yáng)性數(shù)量.

5 深度學(xué)習(xí)方法

深度學(xué)習(xí)方法已在圖像、語(yǔ)音、文本等領(lǐng)域獲得較大成功,近幾年在醫(yī)學(xué)圖像分析領(lǐng)域也得到應(yīng)用[95].目前在醫(yī)學(xué)CAD領(lǐng)域嘗試的深度學(xué)習(xí)方法事實(shí)上已經(jīng)不屬于傳統(tǒng)的技術(shù)路線,即圖像預(yù)處理—候選區(qū)域分割—假陽(yáng)性去除,深度學(xué)習(xí)方法在CAD中的介入時(shí)機(jī)主要有兩個(gè):1)在預(yù)處理(可選步驟)前后將CT scan的每幅圖像直接送入深度學(xué)習(xí)網(wǎng)絡(luò),這類方案的目的是可以是自動(dòng)確定CT scan中哪些切片有病變區(qū)域(一般不用定位病變區(qū)域位置),也可以是同時(shí)替代候選區(qū)域分割和假陽(yáng)性去除功能;2)在進(jìn)行候選病變區(qū)域分割后進(jìn)行深度學(xué)習(xí),目的是對(duì)輸入的數(shù)據(jù)進(jìn)行分類,以去除假陽(yáng)性.目前這兩類方案均體現(xiàn)出較優(yōu)異的性能.

深度學(xué)習(xí)技術(shù)在肺部病變區(qū)域檢測(cè)中的應(yīng)用主要是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN),目前主要有4種技術(shù)策略[96].策略1:從零開始(CNN from scratch),即使用手頭的醫(yī)學(xué)圖像數(shù)據(jù)對(duì)CNN模型從頭開始訓(xùn)練;策略2:拿來主義(Oあ-the shelf CNN),即無需使用醫(yī)學(xué)領(lǐng)域數(shù)據(jù)再次訓(xùn)練CNN模型,而是將在其他領(lǐng)域訓(xùn)練好的CNN模型作為特征抽取器,把CNN特征作為現(xiàn)有的手工圖像特征的補(bǔ)充信息;策略3:監(jiān)督—無監(jiān)督融合訓(xùn)練策略,即在自然圖像或醫(yī)療圖像上進(jìn)行無監(jiān)督預(yù)訓(xùn)練,然后在醫(yī)療目標(biāo)圖像上進(jìn)行監(jiān)督式模型精調(diào);策略4:領(lǐng)域精調(diào)(Fine-tuning),也被稱為遷移學(xué)習(xí),即在自然圖像數(shù)據(jù)集上對(duì)CNN模型進(jìn)行監(jiān)督式預(yù)訓(xùn)練,然后在醫(yī)學(xué)圖像數(shù)據(jù)集上進(jìn)行監(jiān)督式模型精調(diào).

由于CNN龐大的參數(shù)空間和醫(yī)學(xué)領(lǐng)域數(shù)據(jù)的缺乏,從零開始的策略1容易陷入過擬合;拿來主義的策略2直接把其他領(lǐng)域訓(xùn)練好的CNN模型作為特征抽取器使用,由于不同領(lǐng)域數(shù)據(jù)的巨大差異,CNN特征未必能很好表示目標(biāo)領(lǐng)域的數(shù)據(jù),但對(duì)已有手工特征的綜合使用一定程度上彌補(bǔ)了上述缺陷;策略3實(shí)際上是在缺少足夠的已標(biāo)注數(shù)據(jù)情況下的妥協(xié)方法;策略4的領(lǐng)域精調(diào)則在具有充足數(shù)據(jù)的領(lǐng)域?qū)NN模型進(jìn)行充分的預(yù)訓(xùn)練,然后在目標(biāo)領(lǐng)域的適量數(shù)據(jù)上對(duì)預(yù)訓(xùn)練的模型進(jìn)行調(diào)優(yōu)訓(xùn)練,這具有遷移學(xué)習(xí)的特性,并且也取得了很好的性能.事實(shí)上,根據(jù)Tajbakhsh等在2016年的研究[97],領(lǐng)域精調(diào)方案的性能能夠超越或持平(最壞情況)從零開始的方案性能,并且對(duì)訓(xùn)練集規(guī)模更具魯棒性,同時(shí)該研究還表明根據(jù)可用數(shù)據(jù)量的大小進(jìn)行逐層精調(diào)是達(dá)到最佳性能的可行實(shí)踐策略,但無論淺層調(diào)優(yōu)(Shallow tuning)還是深層調(diào)優(yōu)(Deep tuning)都是具體應(yīng)用的最佳選擇.

5.1 從零開始

2016年,Dou等[98]在肺結(jié)節(jié)檢測(cè)工作中,采用多層上下文三維卷積神經(jīng)網(wǎng)絡(luò)(3D convolutional neural networks,3D CNN)進(jìn)行假陽(yáng)性去除.相對(duì)于2D CNN,3D CNN能夠使用3D樣本數(shù)據(jù)訓(xùn)練得到對(duì)應(yīng)的層次網(wǎng)絡(luò)結(jié)構(gòu),并通過該層次結(jié)構(gòu)編碼豐富的空間信息和抽取更具區(qū)分能力的特征.更重要的是,其進(jìn)一步提出了一個(gè)簡(jiǎn)單有效的策略來編碼多層上下文信息,以應(yīng)對(duì)結(jié)節(jié)類型的多樣性帶來的挑戰(zhàn).由于采用從頭開始訓(xùn)練的策略,該方案為緩解數(shù)據(jù)量不足和數(shù)據(jù)不平衡問題,采用了平移和旋轉(zhuǎn)的數(shù)據(jù)擴(kuò)增策略,最終獲得65萬訓(xùn)練樣本.該方法的評(píng)估使用了大規(guī)?；鶞?zhǔn)測(cè)試集,即ISBI 2016主辦的LUNA16競(jìng)賽發(fā)布的數(shù)據(jù)集(篩選自LIDC數(shù)據(jù)庫(kù)的888個(gè)病例CT圖像).競(jìng)賽中的假陽(yáng)性去除項(xiàng)目,要求參與者給出候選位置集合,并給每個(gè)候選指定一個(gè)肺結(jié)節(jié)概率.上述方法在假陽(yáng)性率為8FPs/scan配置下,可以達(dá)到92.2%的敏感度;而在7個(gè)預(yù)定義的假陽(yáng)性率配置下,1/8,1/4,1/2,1,2,4,8,平均敏感度為82.7%.Cheng等[99]于2016年采用基于堆疊去噪自編碼技術(shù)(Stacked denoising auto-encoder,SDAE)的深度學(xué)習(xí)架構(gòu)對(duì)乳腺超聲圖像中的候選病變區(qū)域和胸部CT圖像中的候選結(jié)節(jié)區(qū)域進(jìn)行分類.方案采用SINGLE和ALL兩種切片選擇策略,前者共有1400個(gè)訓(xùn)練/測(cè)試ROI樣本,每個(gè)樣本表示一個(gè)不同結(jié)節(jié),后者在訓(xùn)練/測(cè)試中包括了每個(gè)結(jié)節(jié)的所有成員切片(共計(jì)10133張切片).實(shí)驗(yàn)結(jié)果表明基于SDAE深度架構(gòu)的CADx算法顯著超越了兩個(gè)傳統(tǒng)的最佳算法.該工作雖然使用LIDC數(shù)據(jù)集中的醫(yī)生標(biāo)注結(jié)節(jié)作為訓(xùn)練用ROI區(qū)域,但很明顯如果前期結(jié)合候選結(jié)節(jié)檢測(cè)步驟,該方法可以用于假陽(yáng)性去除工作中.Setio等[100]于2016年采用多視角卷積網(wǎng)絡(luò)檢測(cè)肺結(jié)節(jié),從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)具有區(qū)別能力的特征.方案使用了三個(gè)特別為實(shí)性結(jié)節(jié)、半實(shí)性結(jié)節(jié)和大結(jié)節(jié)設(shè)計(jì)的候選結(jié)節(jié)檢測(cè)器,對(duì)于每一個(gè)候選,從不同方向的面數(shù)據(jù)(矢狀面、冠狀面和橫斷面)中抽取2D圖塊作為2D卷積網(wǎng)絡(luò)的輸入,最后采用專用的融合方法整合網(wǎng)絡(luò)輸出以獲得最終分類結(jié)果.為避免過擬合,方案采用了數(shù)據(jù)擴(kuò)增(Augmentation)和丟棄(Dropout)技術(shù).實(shí)驗(yàn)在LIDC-IDRI數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試,在1FPs/scan的情況下敏感度為85.4%, 4FPs/scan的情況下敏感度為90.1%.另外還在獨(dú)立數(shù)據(jù)集ANODE09和DLCST上進(jìn)行了方案評(píng)估,整體結(jié)果表明多視角卷積網(wǎng)絡(luò)十分適合CAD系統(tǒng)的假陽(yáng)性去除任務(wù).

5.2 拿來主義

計(jì)算機(jī)視覺領(lǐng)域的研究表明CNN特征可以是通用的,能夠用在訓(xùn)練網(wǎng)絡(luò)模型的特定領(lǐng)域之外.Ginneken等[101]和Ciompi等[102]在2015年的工作都采用了拿來主義的策略.Ginneken的工作將自然圖像領(lǐng)域的目標(biāo)檢測(cè)模型OverFeat作為CNN特征抽取器,來獲取CT圖像中的結(jié)節(jié)特征.他們采用LIDC數(shù)據(jù)集中865組CT圖像和結(jié)節(jié)檢測(cè)系統(tǒng)獲得候選結(jié)節(jié),抽取候選結(jié)節(jié)的矢狀面、冠狀面和軸向面的2D圖塊(Patches),接著抽取OverFeat網(wǎng)絡(luò)倒數(shù)第二層的4096維特征,最后采用SVM分類器進(jìn)行結(jié)節(jié)類別分類.實(shí)驗(yàn)表明,CNN特征和SVM分類方案并沒有達(dá)到專用檢測(cè)系統(tǒng)的性能水平,但是如果把兩者結(jié)合起來(達(dá)到71% 的平均敏感度),可以超越任何單一方法的性能.Ciompi的工作對(duì)CNN特征(OverFeat features)和Bag of frequencies(BoF)描述符做了性能比較,2D視角的CNN特征、BoF特征分別用于SVM分類器進(jìn)行組合分類實(shí)驗(yàn),在最佳操作點(diǎn)附近(靠近坐標(biāo)(0,1)的位置),兩類特征的性能是可比的.實(shí)驗(yàn)表明從自然圖像等完全不同的數(shù)據(jù)域中學(xué)習(xí)出的視覺核(Visual kernels,即指CNN特征抽取器)依然能夠?yàn)榻鉀Q醫(yī)療圖像域的問題提供有用信息.

5.3 半監(jiān)督訓(xùn)練

盡管各種醫(yī)療成像設(shè)備不斷地產(chǎn)生醫(yī)學(xué)圖像數(shù)據(jù),但是獲取充足的標(biāo)注數(shù)據(jù)以表示病變的自然變化卻是十分困難的.Schlegl等[103]于2014年提出利用跨圖像域的無監(jiān)督預(yù)訓(xùn)練方法提升肺部組織分類.該工作在高分辨率CT數(shù)據(jù)上,使用CNN捕獲肺組織的空間外觀模式并進(jìn)行后續(xù)分類,通過對(duì)CNN模型的無監(jiān)督預(yù)訓(xùn)練引入無標(biāo)注數(shù)據(jù)可用的圖像類別信息可以實(shí)現(xiàn)領(lǐng)域自適配.實(shí)驗(yàn)表明與隨機(jī)初始化模型參數(shù)相比,這種在不同圖像類別上進(jìn)行無監(jiān)督預(yù)訓(xùn)練的方式提升了分類準(zhǔn)確率,并且預(yù)訓(xùn)練的圖像域和精調(diào)的圖像域越接近,分類性能提升越明顯.

5.4 領(lǐng)域精調(diào)

Shin等[96]于2016年探討了使用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep convolution neural networks)進(jìn)行計(jì)算機(jī)輔助檢測(cè)的三個(gè)主要問題,即:探索和評(píng)估了寬度(參數(shù)范圍從5000到1.6億)和深度(多種層次深度)不盡相同的多種卷積神經(jīng)網(wǎng)絡(luò)(CNN);描述了不同數(shù)據(jù)規(guī)模和空間圖像上下文對(duì)神經(jīng)網(wǎng)絡(luò)性能的影響;討論了對(duì)于從ImageNet數(shù)據(jù)集預(yù)先訓(xùn)練好的CNN模型,什么時(shí)候遷移學(xué)習(xí)是有價(jià)值的,以及為什么有價(jià)值.該工作還驗(yàn)證了遷移學(xué)習(xí)的有效性,即繼承了來自大規(guī)模ImageNet數(shù)據(jù)集的豐富的層次圖像特征,并進(jìn)一步適配到了CAD領(lǐng)域.該方案在兩個(gè)CAD問題上進(jìn)行了實(shí)驗(yàn)分析,即胸腹淋巴結(jié)檢測(cè)(Thoraco-abdominal lymph node detection)和間質(zhì)性肺病(Interstitial lung disease,ILD)分類.在縱膈淋巴結(jié)檢測(cè)上,該方案在3 FPs/patient配置點(diǎn)上,獲得了86%的敏感度,超過了之前的最好結(jié)果.

6 算法評(píng)測(cè)

比較已出版文獻(xiàn)中的不同檢測(cè)方法的性能并不容易,瓶頸在于構(gòu)成不同檢測(cè)方案的參數(shù)不同,這些參數(shù)包括:性能評(píng)測(cè)準(zhǔn)則、實(shí)驗(yàn)所使用的數(shù)據(jù)集、目標(biāo)病變類型的特性等.

6.1 評(píng)測(cè)指標(biāo)

在醫(yī)學(xué)圖像分析領(lǐng)域,每個(gè)指標(biāo)都會(huì)關(guān)注檢測(cè)算法性能的某個(gè)方面.對(duì)已發(fā)表文獻(xiàn)的調(diào)查表明,一些指標(biāo)經(jīng)常被使用,在一定程度上促進(jìn)了檢測(cè)算法的性能比較.文獻(xiàn)統(tǒng)計(jì)研究還表明,盡管某些指標(biāo)被大量采用,但是單位卻沒有統(tǒng)一.由于相關(guān)信息的缺失導(dǎo)致無法在不同單位之間進(jìn)行換算,雖然使用了同一個(gè)指標(biāo),還是無法進(jìn)行性能比較.例如假陽(yáng)性率、假陽(yáng)性數(shù),其中假陽(yáng)性數(shù)又分為FPs/slice,FPs/scan,FPs/patient,由于不同scan的slice數(shù)目不同,這些單位間幾乎不能相互換算,給性能比較帶來困難.考慮到放射科醫(yī)生一般以scan為單位進(jìn)行閱片,我們推薦采用FPs/scan作為性能指標(biāo).表1介紹了幾個(gè)常用評(píng)價(jià)指標(biāo)的簡(jiǎn)要描述和使用場(chǎng)景,推薦在肺部病變區(qū)域檢測(cè)中使用.

6.2 肺部CT圖像集

以往研究工作多采用自有數(shù)據(jù)集,為客觀比較不同算法的性能造成了障礙.一些研究組織發(fā)布了公開可用的醫(yī)學(xué)CT圖像數(shù)據(jù)集,例如肺結(jié)節(jié)數(shù)據(jù)集Lung TIME、目前規(guī)模最大的LIDC-IDRI肺結(jié)節(jié)數(shù)據(jù)集、肺結(jié)節(jié)檢測(cè)算法評(píng)估數(shù)據(jù)集ANODE09、肺部常見征象數(shù)據(jù)集LISS等.其中ANODE 09評(píng)估數(shù)據(jù)集官方已推薦使用LIDC-IDRI數(shù)據(jù)集做算法評(píng)估,Lung TIME數(shù)據(jù)集在數(shù)據(jù)規(guī)模和被采用量上也比較小,所以推薦在肺結(jié)節(jié)檢測(cè)方面采用LIDC-IDRI數(shù)據(jù)集,在肺部常見征象檢測(cè)方面采用LISS數(shù)據(jù)集.

1)LIDC-IDRI數(shù)據(jù)集[104].該數(shù)據(jù)集包括1018個(gè)CT序列圖像,7371個(gè)被醫(yī)生標(biāo)注為結(jié)節(jié)的病變區(qū)域,2669個(gè)被至少一個(gè)醫(yī)生標(biāo)記為大于3mm的結(jié)節(jié)并被標(biāo)出結(jié)節(jié)輪廓.雖然結(jié)節(jié)標(biāo)注文件含有4種類別的CT征象程度數(shù)據(jù),例如毛刺征(Spiculation)、分葉征(Lobulation)、毛玻璃影(Ground glass opacity,GGO)、鈣化征(Calci fi cation),但是該數(shù)據(jù)集主要定位于肺部結(jié)節(jié)的分析,包含的征象類型也都是屬于結(jié)節(jié)的一部分屬性,并沒有包含像支氣管粘液栓、阻塞性肺炎等常見肺部CT征象.Lung Nodule Analysis 2016挑戰(zhàn)賽使用了該結(jié)節(jié)數(shù)據(jù)庫(kù).

2)LISS數(shù)據(jù)集[4].該數(shù)據(jù)集主要定位于肺部CT征象的檢測(cè),包含了9類常見CT征象,即:毛玻璃影、毛刺征、分葉征、鈣化、空洞空泡(Cavity and vacuolus)、胸膜牽拉(Pleural dragging)、支氣管通氣征(Air bronchogram)、支氣管粘液栓(Bronchial mucus plugs)、阻塞性肺炎(Obstructive pneumonia).數(shù)據(jù)分為層厚較大的2D病例252個(gè)和層厚較小的3D病例19個(gè),并包含了專業(yè)放射科醫(yī)生標(biāo)注的征象區(qū)域及其征象類別等關(guān)鍵信息.

6.3 現(xiàn)有檢測(cè)方法性能分析

為促進(jìn)已出版的肺部病變區(qū)域檢測(cè)系統(tǒng)的性能比較,本文制作了一張性能匯總表格,見表2.對(duì)每個(gè)參與比較的系統(tǒng),如果原始論文中有相應(yīng)闡述,我們會(huì)給出如下信息:作者、出版年份、使用的數(shù)據(jù)集、檢測(cè)性能結(jié)果;具體到所使用的數(shù)據(jù)集,還給出了掃描次數(shù)(Scans)、圖層數(shù)(Slices)、圖層厚度(Slice thickness,ST)、病變區(qū)域數(shù)量(Lesion regions,LR)、病變區(qū)域類型(Type)、大小(Size)等;關(guān)于檢測(cè)性能結(jié)果,本文列出敏感度、特異度、假陽(yáng)性(默認(rèn)單位FP/scan,也使用百分比)、Az(ROC曲線下面積)、DSC(Dice similarity coeきcient)、響應(yīng)時(shí)間等.具有如下特點(diǎn):

表1 檢測(cè)算法評(píng)價(jià)指標(biāo)Table 1 The evaluation index of detection method

表2 肺部病變區(qū)域檢測(cè)方法的性能比較Table 2 The performance comparison of detection methods for lung lesion region

表2 肺部病變區(qū)域檢測(cè)方法的性能比較(續(xù))Table 2 The performance comparison of detection methods for lung lesion region(continued)

1)關(guān)于檢測(cè)任務(wù).有18個(gè)工作的敏感度指標(biāo)超過了90%,其中4個(gè)達(dá)到100%;對(duì)于特異度指標(biāo)有7個(gè)超過了90%;假陽(yáng)性指標(biāo)的單位較復(fù)雜,在敏感度大于95%的情況下,各種假陽(yáng)性單位的最小值分別為8.8%,2.45/scan,0.38/patient;Az指標(biāo)超過0.95的有5個(gè).如果同時(shí)考慮敏感度和特異度,則僅有4個(gè)工作同時(shí)超過了90%,即李陽(yáng)等[79]2013年的工作,Sheeraz等[22]2016年的工作,Manikandan等[49]2016年的工作,Cheng等[99]2016年的工作,分別采用了統(tǒng)計(jì)模式識(shí)別法、形態(tài)學(xué)法和深度學(xué)習(xí)法.其中深度學(xué)習(xí)方案一般采用大型公開數(shù)據(jù)集,由于訓(xùn)練、評(píng)估得較充分,雖然在具體指標(biāo)數(shù)值不是最高的,但應(yīng)該具有較好的性能穩(wěn)定性,例如考慮Az指標(biāo)的話,5個(gè)工作超過了0.95,其中三個(gè)采用的是深度學(xué)習(xí)方案.Cheng等[99]2016年發(fā)表于Nature-Scienti fi c Reports上的文章,對(duì)基于深度學(xué)習(xí)的計(jì)算機(jī)輔助診斷方法用于輔助良惡性結(jié)節(jié)/損傷的鑒別診斷進(jìn)行了綜合性研究,實(shí)驗(yàn)用數(shù)據(jù)包括合作醫(yī)院的520個(gè)乳腺損傷病例和來自LIDC-IDRI大規(guī)模公開數(shù)據(jù)集的1400個(gè)肺部結(jié)節(jié)數(shù)據(jù),文章報(bào)告了90.8±5.3%的敏感度和98.1±2.2%的特異度.作者指出深度學(xué)習(xí)方法避免了由不準(zhǔn)確的圖像處理結(jié)果(例如邊緣分割)帶來的潛在錯(cuò)誤和魯棒性欠佳的特征集引起的分類偏差.同時(shí)認(rèn)為深度學(xué)習(xí)技術(shù)可能改變CAD系統(tǒng)的設(shè)計(jì)范式(Design paradigm),而不再需要明確設(shè)計(jì)和選擇面向問題的特征.

2)關(guān)于分割任務(wù).DSC指標(biāo)超過85%的有4個(gè)工作,其中3個(gè)屬于形態(tài)結(jié)構(gòu)分析方法,1個(gè)屬于跟蹤方法,可見形態(tài)分析法在分割類任務(wù)中較為流行,性能也較好.

需要注意的是,本文僅關(guān)注了文獻(xiàn)中出現(xiàn)頻率最高的常用指標(biāo),有一些工作雖然也取得了優(yōu)異性能,但因?yàn)槭褂昧似渌笜?biāo),不方便進(jìn)行對(duì)比分析.例如Chen等[43]檢測(cè)淋巴結(jié)的工作,獲得了100%的檢測(cè)成功率和95%的正確臨床評(píng)估率,并且具有平均2.58秒的高效計(jì)算性能.

7 目前存在的問題與未來發(fā)展趨勢(shì)

7.1 應(yīng)注意的若干問題

CAD研究已經(jīng)取得一些進(jìn)展,但一些關(guān)于肺部病變區(qū)域檢測(cè)的問題需要注意.

1)真陽(yáng)性判斷準(zhǔn)則.確定檢測(cè)出的區(qū)域是否為真正的目標(biāo)區(qū)域,對(duì)實(shí)驗(yàn)結(jié)果的評(píng)估具有一定影響.例如可以在系統(tǒng)輸出的結(jié)節(jié)中心到金標(biāo)準(zhǔn)(Ground truth)結(jié)節(jié)中心的距離小于金標(biāo)準(zhǔn)結(jié)節(jié)的半徑時(shí),認(rèn)為輸出結(jié)節(jié)為真陽(yáng)性;也可以計(jì)算系統(tǒng)輸出結(jié)節(jié)區(qū)域和金標(biāo)準(zhǔn)結(jié)節(jié)區(qū)域的重疊率并指定閾值作為判斷準(zhǔn)則.

2)性能比較.由于多數(shù)文獻(xiàn)使用敏感度、特異度、假陽(yáng)性數(shù)/scan作為性能指標(biāo),本文推薦采用這些指標(biāo)以方便對(duì)比.另一方面,應(yīng)盡可能采用公開的醫(yī)學(xué)圖像數(shù)據(jù)集,并說明具體使用了哪些病例數(shù)據(jù),或者說明選擇實(shí)驗(yàn)所用病例的方法.

3)檢測(cè)流程.目前在醫(yī)學(xué)CAD領(lǐng)域,不同文獻(xiàn)使用預(yù)處理、候選區(qū)域檢測(cè)、候選區(qū)域分割、假陽(yáng)性去除等各不相同的步驟及這些步驟的不同組合.例如分類技術(shù)既可以用于候選區(qū)域提取,也可用于假陽(yáng)性去除.建議采用如下檢測(cè)流程:圖像預(yù)處理,候選區(qū)域分割,假陽(yáng)性去除.

4)基準(zhǔn)數(shù)據(jù)集.目前肺部CT研究領(lǐng)域最大的公開數(shù)據(jù)庫(kù)LIDC-IDRI擁有1018個(gè)病例數(shù)據(jù),即便這樣離完全訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)還存在較大差距,所以目前的深度學(xué)習(xí)方法在醫(yī)學(xué)領(lǐng)域內(nèi)多采用參數(shù)遷移的調(diào)優(yōu)路徑.開發(fā)更大規(guī)模的肺部CT標(biāo)注圖像集,或者在新建數(shù)據(jù)集時(shí)采用與LIDC-IDRI相同的數(shù)據(jù)標(biāo)注協(xié)議,以方便綜合利用多個(gè)數(shù)據(jù)集,對(duì)于肺部CAD領(lǐng)域的進(jìn)一步發(fā)展十分迫切,尤其是對(duì)深度學(xué)習(xí)方法的研究.

7.2 主要發(fā)展趨勢(shì)

傳統(tǒng)的CAD技術(shù)路徑一般都有圖像數(shù)據(jù)預(yù)處理、候選區(qū)域分割、假陽(yáng)性去除等步驟,會(huì)依次涉及圖像增強(qiáng)、圖像去噪、圖像分割、特征提取、特征選擇、模式分類等,不同的CAD方案一般是在這些步驟中采用了不同的算法選擇與組合,但整體模型是固定的.這類方案的優(yōu)點(diǎn)是能較充分考慮某種病變類型的特點(diǎn),但缺點(diǎn)也是明顯的:1)魯棒性不高,例如往往針對(duì)某種結(jié)節(jié)類型的算法設(shè)計(jì),一旦遇到另一種結(jié)節(jié)類型,其性能會(huì)急劇下降,甚至在新的數(shù)據(jù)集上表現(xiàn)出較差性能;2)每個(gè)步驟的性能都對(duì)下一步處理產(chǎn)生影響,但是又只能進(jìn)行逐步驟訓(xùn)練,要使系統(tǒng)整體性能最優(yōu)比較困難;3)為了能夠處理稍微變化的病變類型,需要進(jìn)行從預(yù)處理開始的全新的設(shè)計(jì)和算法訓(xùn)練測(cè)試.

目前醫(yī)學(xué)圖像病變區(qū)域檢測(cè)技術(shù)發(fā)展呈現(xiàn)如下趨勢(shì):

1)深度學(xué)習(xí)技術(shù)的應(yīng)用.近年來深度學(xué)習(xí)的興起主要得益于ImageNet等大型標(biāo)注數(shù)據(jù)集的發(fā)展和高性能計(jì)算等硬件資源的發(fā)展,已表現(xiàn)出極好的擴(kuò)展性,在ImageNet等大型數(shù)據(jù)集上訓(xùn)練好的模型,在醫(yī)學(xué)圖像中僅進(jìn)行并不復(fù)雜的調(diào)優(yōu)訓(xùn)練后即可表現(xiàn)出優(yōu)異性能,應(yīng)該對(duì)該技術(shù)進(jìn)行嘗試性研究.

2)系統(tǒng)結(jié)構(gòu)簡(jiǎn)化.在肝臟的病變區(qū)域檢測(cè)中,Christ等[110]設(shè)計(jì)出融合多個(gè)CNN模型的深度學(xué)習(xí)系統(tǒng),一次性實(shí)現(xiàn)了圖像預(yù)處理(含肝臟區(qū)域分割)、感興趣區(qū)域分割、假陽(yáng)性去除等功能,從而簡(jiǎn)化了CAD系統(tǒng)結(jié)構(gòu),這對(duì)肺部CT圖像病變區(qū)域檢測(cè)的CAD系統(tǒng)研究具有參考價(jià)值.

3)利用非圖像醫(yī)療數(shù)據(jù)提升基于圖像的CAD系統(tǒng)性能.LSTM(Long short-term memory)是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò),之前主要應(yīng)用在語(yǔ)言識(shí)別、語(yǔ)言模型、機(jī)器翻譯、圖像字幕等領(lǐng)域.Lipton等[111]充分展示了遞歸網(wǎng)絡(luò)在處理和分析時(shí)序醫(yī)學(xué)數(shù)據(jù)上的潛力.Hofmanninger等[112]于2015年提出和評(píng)估了一種語(yǔ)義概述(Semantic pro fi les)算法,基于圖像卷和放射報(bào)告里描述放射征象的術(shù)語(yǔ)集進(jìn)行弱監(jiān)督訓(xùn)練.該算法可以捕獲對(duì)應(yīng)于臨床相關(guān)術(shù)語(yǔ)的視覺信息,而且允許將臨床術(shù)語(yǔ)反向映射到圖像數(shù)據(jù)里的相應(yīng)區(qū)域.從CAD系統(tǒng)的應(yīng)用角度看,可以嘗試與醫(yī)療機(jī)構(gòu)緊密合作,把CAD系統(tǒng)與電子醫(yī)療記錄(Electronic health records,EHR)和PACS(Picture archiving and communication system)系統(tǒng)互聯(lián)互通,充分利用當(dāng)前病例的非圖像信息,以提高基于醫(yī)療圖像的CAD系統(tǒng)的整體性能.

1 World Health Organization.Cancer:fact sheet[Online],available:http://www.who.int/mediacentre/factsheets/fs 297/en/,May 1,2017

2 Cascio D,Magro R,Fauci F,Iacomi M,Raso G.Automatic detection of lung nodules in CT datasets based on stable 3D mass-spring models.Computers in Biology and Medicine,2012,42(11):1098?1109

3 Saito H,Oshima M,Kiuchi R,Watanabe K,Kitagawa K,Masuda S.Relationship between pleural indentation on computed tomography scans and pleural invasion in small peripheral lung cancer of 2cm in size or less.Kyobu Geka,2009,62(9):767?770

4 Han G H,Liu X B,Han F F,Santika I,Zhao Y F,Zhao X M,Zhou C W.The LISS—a public database of common imaging signs of lung diseases for computeraided detection and diagnosis research and medical education.IEEE Transactions on Biomedical Engineering,2015,62(2):648?656

5 Choi W J,Choi T S.Genetic programming-based feature transform and classi fi cation for the automatic detection of pulmonary nodules on computed tomography images.Information Sciences,2012,212:57?78

6 Camarlinghi N,Gori I,Retico A,Bellotti R,Bosco P,Cerello P,Gargano G,Lopez T E,Megna R,Peccarisi M,Fantacci M E.Combination of computer-aided detection algorithms for automatic lung nodule identi fi cation.International Journal of Computer Assisted Radiology and Surgery,2012,7(3):455?464

7 Gao Ting,Gong Jing,Wang Yuan-Jun,Nie Sheng-Dong,Sun Xi-Wen.Three dimensional adaptive template matching algorithm for lung nodule detection.Journal of Image and Graphics,2014,19(9):1384?1391(高婷,龔敬,王遠(yuǎn)軍,聶生東,孫希文.檢測(cè)肺結(jié)節(jié)的3維自適應(yīng)模板匹配.中國(guó)圖象圖形學(xué)報(bào),2014,19(9):1384?1391)

8 Hu S C,Bi K S,Ge Q X,Li M C,Xie X,Xiang X.Curvature-based correction algorithm for automatic lung segmentation on chest CT images.Journal of Biological Systems,2014,22(1):1?28

9 Lai J,Wei Q.Automatic lung fi elds segmentation in CT scans using morphological operation and anatomical information.Bio-medical Materials and Engineering,2014,24(1):335?340

10 Li Q,Sone S,Doi K.Selective enhancement fi lters for nodules,vessels,and airway walls in two-and threedimensional CT scans.Medical Physics,2003,30(8):2040?2051

11 Liu Yang.Lung Nodule Recognition Methods Based on Pulmonary High-Resolution CT Images[Ph.D.dissertation],Northeastern University,China,2010.(劉陽(yáng).基于肺部高分辨率CT影像的肺結(jié)節(jié)識(shí)別方法研究[博士學(xué)位論文],東北大學(xué),中國(guó),2010.)

12 Zhang Yong-Qiang,Xia Shun-Ren,Chen Xing-Can,Hao Xin.Study on segmentation algorithm of pulmonary nodule based on CT images.Chinese Medical Equipment Journal,2012,33(11):19?22(張永強(qiáng),夏順仁,陳興燦,郝欣.基于CT 圖像的肺結(jié)節(jié)分割算法研究.醫(yī)療衛(wèi)生裝備,2012,33(11):19?22)

13 de Carvalho Filho A O,de Sampaio W B,Silva A C,de Paiva A C,Nunes R A,Gattass M.Automatic detection of solitary lung nodules using quality threshold clustering,genetic algorithm and diversity index.Arti fi cial Intelligence in Medicine,2014,60(3):165?177

14 Iqbal S,Iqbal K,Arif F,Shaukat A,Khanum A.Potential lung nodules identi fi cation for characterization by variable multistep threshold and shape indices from CT images.Computational and Mathematical Methods in Medicine,2014,Article ID 241647,DOI:10.1155/2014/241647

15 Zhou S J,Cheng Y Z,Tamura S.Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images.Biomedical Signal Processing and Control,2014,13:62?70

16 Santos A M,de Carvalho Filho A O,Silva A C,de Paiva A C,Nunes R A,Gattass M.Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models,Tsallis entropy and SVM.Engineering Applications of Arti fi cial Intelligence,2014,36:27?39

17 Elizabeth D S,Retmin Raj C S,Nehemiah H K,Kannan A.Computer-aided diagnosis of lung cancer based on analysis of the signi fi cant slice of chest computed tomography image.IET Image Processing,2012,6(6):697?705

18 Netto S M B,Silva A C,Nunes R A,Gattass M.Automatic segmentation of lung nodules with growing neural gas and support vector machine.Computers in Biology and Medicine,2012,42(11):1110?1121

19 Khan Z F,Kannan A.Intelligent segmentation of medical images using fuzzy bitplane thresholding.Measurement Science Review,2014,14(2):94?101

20O¨zkan H,Osman O,Sahin S,Boz A F.A novel method for pulmonary embolism detection in CTA images.Computer Methods and Programs in Biomedicine,2014,113(3):757?766

21 Messay T,Hardie R C,Tuinstra T R.Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the lung image database consortium and image database resource initiative dataset.Medical Image Analysis,2015,22(1):48?62

22 Akram S,Javed M Y,Akram M U,Qamar U,Hassan A.Pulmonary nodules detection and classi fi cation using hybrid features from computerized tomographic images.Journal of Medical Imaging and Health Informatics,2016,6(1):252?259

23 Wang J H,Li F,Li Q.Automated segmentation of lungs with severe interstitial lung disease in CT.Medical Physics,2009,36(10):4592?4599

24 Wei Y,Shen G,Li J J.A fully automatic method for lung parenchyma segmentation and repairing.Journal of Digital Imaging,2013,26(3):483?495

25 Mansoor A,Bagci U,Xu Z,Foster B,Olivier K N,ElinoあJ M,Suあredini A F,Udupa J K,Mollura D J.A generic approach to pathological lung segmentation.IEEE Transactions on Medical Imaging,2014,33(12):2293?2310

26 Park S,Lee S M,Kim N,Seo J B,Shin H.Automatic reconstruction of the arterial and venous trees on volumetric chest CT.Medical Physics,2013,40(7):071906-1?071906-13

27 Cheng Y Z,Hu X,Wang Y D,Wang J K,Tamura S.Automatic centerline detection of small three-dimensional vessel structures.Journal of Electronic Imaging,2014,23(1):013007,DOI:10.1117/1.JEI.23.1.013007

28 Koller T M,Gerig G,Szekely G,Dettwiler D.Multiscale detection of curvilinear structures in 2-D and 3-D image data.In:Proceedings of the 5th International Conference on Computer Vision.Cambridge,USA:IEEE,1995.864?869

29 Lorenz C,Carlsen I-C,Buzug T M,Fassnacht C,Weese J.Multi-scale line segmentation with automatic estimation of width,contrast and tangential direction in 2D and 3D medical images.In:Proceedings of the 1st Joint Conference on Computer Vision,Virtual Reality and Robotics in Medicine and Medical Robotics and Computer-Assisted Surgery.Grenoble,France:Springer,1997.233?242

30 Frangi A F,Niessen W J,Hoogeveen R M,Van Walsum T,Viergever M A.Model-based quantitation of 3-D magnetic resonance angiographic images.IEEE Transactions on Medical Imaging,1999,18(10):946?956

31 Sato Y,Westin C-F,Bhalerao A,Nakajima S,Shiraga N,Tamura S,Kikinis R.Tissue classi fi cation based on 3D local intensity structures for volume rendering.IEEE Transactions on Visualization and Computer Graphics,2000,6(2):160?180

32 Malladi R,Sethian J A,Vemuri B C.Shape modeling with front propagation:a level set approach.IEEE Transactions on Pattern Analysis and Machine Intelligence,1995,17(2):158?175

33 Jia Tong,Wei Ying,Wu Cheng-Dong.3D lung vessel image segmentation scheme based on geometric active contour model.Chinese Journal of Scienti fi c Instrument,2010,31(10):2296?2301(賈同,魏穎,吳成東.基于幾何形變模型的三維肺血管圖像分割方法.儀器儀表學(xué)報(bào),2010,31(10):2296?2301)

34 Boskamp T,Rinck D,Link F,Kmmerlen B,Stamm G,Mildenberger P.New vessel analysis tool for morphometric quanti fi cation and visualization of vessels in CT and MR imaging data sets.Radiographics,2004,24(1):287?297

35 Chen Gang,Lv Xuan,Wang Zhi-Cheng,Chen Yu-Fei.Vessel skeletonization method for lung CT images.Computer Science,40(5):274?278(陳剛,呂煊,王志成,陳宇飛.肺CT 圖像的血管骨架化方法.計(jì)算機(jī)科學(xué),2013,40(5):274?278)

36 Zhou C,Hadjiiski L M,Sahiner B,Chan H P,Patel S,Cascade P N,Kazerooni E A,Wei J.Computerized detection of pulmonary embolism in 3D computed tomographic(CT)images:vessel tracking and segmentation techniques.In:Proceedings of the 2003 Medical Imaging.San Diego,USA:SPIE,2003.1613?1620

37 Kawata Y,Niki N,Umetani K,Nakano Y,Ohamatsu H,Moriyama N,Itoh H.Stochastic tracking of small pulmonary vessels in human lung alveolar walls using synchrotron radiation micro CT images.In:Proceedings of the 2013 Medical Imaging:Biomedical Applications in Molecular,Structural,and Functional Imaging.Lake Buena Vista,USA:SPIE,2013.

38 Kitamura Y Z Y,Ito W,Ishikawa H.Data-dependent higher-order clique selection for Artery-Vein segmentation by energy minimization.International Journal of Computer Vision,2016,117(2):142?158

39 Feulner J,Kevin Zhou S,Hammon M,Hornegger J,Comaniciu D.Lymph node detection and segmentation in chest CT data using discriminative learning and a spatial prior.Medical Image Analysis,2013,17(2):254?270

40 Dornheim L,Dornheim J,R¨ossling I.Complete fully automatic model-based segmentation of normal and pathological lymph nodes in CT data.International Journal of Computer Assisted Radiology and Surgery,2010,5(6):565?581

41 Steger S,Ebert D,Erdt M.Lymph node segmentation in CT slices using dynamic programming.In:Proceedings of the 2011 IEEE International Symposium on Biomedical Imaging:From Nano to Macro.Chicago,USA:IEEE,2011.1990?1993

42 Wang Y,Beichel R.Graph-based segmentation of lymph nodes in CT data.In:Proceedings of the 6th International Conference on Advances in Visua Computing.Las Vegas,USA:Springer,2010.312?321

43 Chen Q,Quan F,Xu J J,Rubin D L.Snake modelbased lymphoma segmentation for sequential CT images.Computer Methods and Programs in Biomedicine,2013,111(2):366?375

44 Zhang Yan-Ling,He Xin-Chi,Li Li.Lymph node image segmentation algorithm based on maximal variance between-class and morphology.Computer Science,2013,40(8):296?299(張艷玲,何鑫馳,李立.基于最大類間方差與形態(tài)學(xué)的淋巴結(jié)圖像分割.計(jì)算機(jī)科學(xué),2013,40(8):296?299)

45 Yu P C,Poh C L.Region-based snake with edge constraint for segmentation of lymph nodes on CT images.Computers in Biology and Medicine,2015,60:86?91

46 Guo K,Liu X B,Soomro N Q,Liu Y.A novel 2D groundglass opacity detection method through local-to-global multilevel thresholding for segmentation and minimum bayes risk learning for classi fi cation.Journal of Medical Imaging and Health Informatics,2016,6(5):1193?1201

47 Moltz J H,Bornemann L,Kuhnigk J M,Dicken V,Peitgen E,Meier S,Bolte H,Fabel M,Bauknecht H-C,Hittinger M,KieSSling A,Pusken M,Peitgen H O.Advanced segmentation techniques for lung nodules,liver metastases,and enlarged lymph nodes in CT scans.IEEE Journal of Selected Topics in Signal Processing,2009,3(1):122?134

48 Jacobs C,Van Rikxoort E M,Twellmann T,Scholten E T,De Jong P A,Kuhnigk J M,Oudkerk M,de Koning H J,Prokop M,Schaefer-Prokop C,van Ginneken B.Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images.Medical Image Analysis,2014,18(2):374?384

49 Manikandan T,Bharathi N.Lung cancer detection using fuzzy auto-seed cluster means morphological segmentation and SVM classi fi er.Journal of Medical Systems,2016,40(7):1?9

50 Ge Z,Sahiner B,Chan H P,Hadjiiski L M,Cascade P N,Bogot N,Kazerooni E A,Wei J,Zhou C.Computer-aided detection of lung nodules:false positive reduction using a 3D gradient fi eld method and 3D ellipsoid fi tting.Medical Physics,2005,32(8):2443?2454

51 Wei Ying,Xu Lu,Li Xiang,Li Rui.Segmentation of suspected nodules by multi-scale circular fi ltering combined with MS clustering.Chinese Journal of Scienti fi c Instrument,2016,37(1):192?199(魏穎,徐陸,李翔,李銳.結(jié)合多尺度圓形濾波與MS聚類的疑似結(jié)節(jié)分割.儀器儀表學(xué)報(bào),2016,37(1):192?199)

52 Kanazawa K,Kawata Y,Niki N,Satoh H,Ohmatsu H,Kakinuma R,Kaneko M,Moriyama N,Eguchi K.Computer-aided diagnosis for pulmonary nodules based on helical CT images.Computerized Medical Imaging and Graphics,1998,22(2):157?167

53 Kubo M,Kubota K,Yamada N,Kawata Y,Niki N,Eguchi K,Ohmatsu H,Kakinuma R,Kaneko M,Kusumoto M,Mori K,Nishiyama H,Moriyama N.CAD system for lung cancer based on low-dose single-slice CT image.In:Proceedings of the 2002 Medical Imaging.San Diego,USA:SPIE,2002.1262?1269

54 Yamada N,Kubo M,Kawata Y,Niki N,Eguchi K,Omatsu H,Kakinuma R,Kaneko M,Kusumoto M,Nishiyama H.ROI extraction of chest CT images using adaptive opening fi lter.In:Proceedings of the 2003 Medical Imaging.San Diego,USA:SPIE,2003.869?876

55 Antonelli M,Frosini G,Lazzerini B,Marcelloni F.A CAD system for lung nodule detection based on an anatomical model and a fuzzy neural network.In:Proceedings of the 2006 Annual Meeting of the North American Fuzzy Information Processing Society.Montreal,Canada:IEEE,2006.448?453

56 Li Cui-Fang,Nie Sheng-Dong,Wang Yuan-Jun,Sun Xi-Wen,Zheng Bin.Segmentation of sub-solid pulmonary nodules based on improved fuzzy C-means clustering.Journal of Image and Graphics,2013,18(8):1019?1030(李翠芳,聶生東,王遠(yuǎn)軍,孫希文,鄭斌.改進(jìn)的模糊聚類亞實(shí)質(zhì)肺結(jié)節(jié)3維分割.中國(guó)圖形學(xué)報(bào),2013,18(8):1019?1030

57 Badura P,Pietka E.Soft computing approach to 3D lung nodule segmentation in CT.Computers in Biology and Medicine,2014,53:230?243

58 Song Jia,Nie Sheng-Dong,Wang Yuan-Jun,Lu Wen.A probability segmentation algorithm for lung nodules based on three-dimensional features.Journal of Biomedical Engineering,2014,31(4):771?776(宋佳,聶生東,王遠(yuǎn)軍,魯雯.一種基于三維特征的肺結(jié)節(jié)概率分割算法.生物醫(yī)學(xué)工程學(xué)雜志,2014,31(4):771?776)

59 Kouzani A Z,Lee S L A,Hu E J.Lung nodules detection by ensemble classi fi cation.In:Proceedings of the 2008 IEEE International Conference on Systems,Man,and Cybernetics.Singapore:IEEE,2008.324?329

60 Bharath A C,Kumar D.An improved bayesian network model based image segmentation in detection of lung cancer.In:Proceedings of the 2014 International Conference on Recent Trends in Information Technology(ICRTIT).Chennai,India:IEEE,2014.1?7

61 Song Q,Bai J J,Han D F,Bhatia S,Sun W Q,Rockey W,Bayouth J E,Buatti J M,Wu X D.Optimal cosegmentation of tumor in PET-CT images with context information.IEEE Transactions on Medical Imaging,2013,32(9):1685?1697

62 Guo Y,Feng Y M,Sun J,Zhang N,Lin W,Sa Y,Wang P.Automatic lung tumor segmentation on PET/CT images using fuzzy Markov random fi eld model.Computational and Mathematical Methods in Medicine,2014,401201,DOI:10.1155/2014/40120

63 Farag A A,El-Baz A,Gimel’farb G G,Falk R,Hushek S G.Automatic detection and recognition of lung abnormalities in helical CT images using deformable templates.In:Proceedings of the 2004 International Conference on Medical Image Computing and Computer-Assisted Intervention.Saint-Malo,France:Springer,2004.856?864

64 Guo L,Zhang Y T,Zhang Z W,Li D Y,Li Y.An improved random walk segmentation on the lung nodules.International Journal of Biomathematics,2013,6(6):1350043,DOI:10.1142/S1793524513500435

65 Sun Wen-Yan,Dong En-Qing,Cao Zhu-Lou,Zheng Qiang.A robust local segmentation method based on fuzzyenergy based active contour.Acta Automatica Sinica,2017,43(4):611?621(孫文燕,董恩清,曹祝樓,鄭強(qiáng).一種基于模糊主動(dòng)輪廓的魯棒局部分割方法.自動(dòng)化學(xué)報(bào),2017,43(4):611?621)

66 Chen Kan,Li Bin,Tian Lian-Fang.A segmentation algorithm of pulmonary nodules using active contour model based on fuzzy speed function.Acta Automatica Sinica,2013,39(8):1257?1264(陳侃,李彬,田聯(lián)房.基于模糊速度函數(shù)的活動(dòng)輪廓模型的肺結(jié)節(jié)分割.自動(dòng)化學(xué)報(bào),2013,39(8):1257?1264)

67 Zheng Qiang,Dong En-Qing.Narrow band active contour model for local segmentation of medical and texture images.Acta Automatica Sinica,2013,39(1):21?30(鄭強(qiáng),董恩清.窄帶主動(dòng)輪廓模型及在醫(yī)學(xué)和紋理圖像局部分割中的應(yīng)用.自動(dòng)化學(xué)報(bào),2013,39(1):21?30)

68 Li X P,Wang X,Dai Y X,Zhang P B.Supervised recursive segmentation of volumetric CT images for 3D reconstruction of lung and vessel tree.Computer Methods and Programs in Biomedicine,2015,122(3):316?329

69 Wang Kai,Zhang Yu,Liu Zhe-Xing,Lin Bing-Quan,Wu Zhi-Qiang,Cao Lei.Structural analysis based on adaptive window for pulmonary nodule detection.Journal of Southern Medical University,2014,34(6):759?769(王凱,張煜,劉哲星,林炳權(quán),吳志強(qiáng),曹蕾.基于自適應(yīng)體窗結(jié)構(gòu)分析的肺結(jié)節(jié)檢測(cè)方法.南方醫(yī)科大學(xué)學(xué)報(bào),2014,34(6):759?765)

70 Yong J R,Qi S,Van Triest H J,Kang Y,Qian W.Automatic segmentation of juxta-pleural tumors from CT images based on morphological feature analysis.Bio-Medical Materials and Engineering,2014,24(6):3137?3144

71 Wang Qiu-Ping,Feng Jun,Qiang Yong-Qian,Yu Nan,Deng Lei,Guo You-Min.Feasibility of automatic detection of cavity and vacuole in pulmonary nodules using cavity detection algorithm.Chinese Journal of Medical Imaging Technology,2014,30(9):1309?1313(王秋萍,馮筠,強(qiáng)永乾,于楠,鄧?yán)?郭佑民.空洞檢測(cè)算法自動(dòng)化檢測(cè)肺結(jié)節(jié)內(nèi)空泡和空洞的可行性.中國(guó)醫(yī)學(xué)影像技術(shù),2014,30(9):1309?1313)

72 Krishnamurthy S,Narasimhan G,Rengasamy U.Threedimensional lung nodule segmentation and shape variance analysis to detect lung cancer with reduced false positives.Proceedings of the Institution of Mechanical Engineers,Part H:Journal of Engineering in Medicine,2016,230(1):58?70

73 Song J D,Yang C Y,Fan L,Wang K,Yang F,Liu S Y,Tian J.Lung lesion extraction using a toboggan based growing automatic segmentation approach.IEEE Transactions on Medical Imaging,2016,35(1):337?353

74 Iwao Y,Gotoh T,Kagei S,Iwasawa T,De Sales Guerra Tsuzuki M.Integrated lung fi eld segmentation of injured region with anatomical structure analysis by failurerecovery algorithm from chest CT images.Biomedical Signal Processing and Control,2014,12:28?38

75 Shen Zheng-Wen,Gao Yuan-Yuan,Zhang Yu.Automatic segmentation of four dimensional computed tomography of lung tumor based on star shape prior and graph cuts.Journal of Biomedical Engineering,2016,33(2):295?302(申正文,高圓圓,張煜.基于星形先驗(yàn)和圖割的肺部四維計(jì)算機(jī)斷層掃描腫瘤自動(dòng)分割.生物醫(yī)學(xué)工程學(xué)雜志,2016,33(2):295?302)

76 Fan Li-Nan,Li Dao-Jing,Sun Shen-Shen,Chang Chao-Hai.Applied research on automatic detection of lung nodules ROI based on Top-hat and Gabor fi lter.Computer Engineering and Applications,2012,48(4):190?192(范立南,李道靜,孫申申,常朝海.Top-hat和Gabor fi lter在肺結(jié)節(jié)ROI自動(dòng)檢測(cè)中的應(yīng)用研究.計(jì)算機(jī)工程與應(yīng)用,2012,48(4):190?192)

77 Setio A A,Jacobs C,Gelderblom J,Van Ginneken B.Automatic detection of large pulmonary solid nodules in thoracic CT images.Medical physics,2015,42(10):5642?5653

78 Cao L,Wang K,Xing Q Q,Lin B Q,Zhang Y.Auto detection of lung ground-glass opacity nodules based on highpass fi lter and Gaussian mixture model.Journal of Medical Imaging and Health Informatics,2016,6(2):320?327

79 Li Yang,Shi Dong-Cheng,Wang Ke,Wang Yan,Wei Yan-Fang.Lung nodule recognition based on image pattern.Journal of Jilin University(Engineering and TechnologyEdition),2013,43(S1):463?467(李陽(yáng),史東承,王珂,王燕,魏艷芳.基于圖像模式的肺結(jié)節(jié)識(shí)別.吉林大學(xué)學(xué)報(bào)(工學(xué)版),2013,43(S1):463?467)

80 Tan Y Q,Schwartz L H,Zhao B S.Segmentation of lung lesions on CT scans using watershed,active contours,and Markov random fi eld.Medical Physics,2013,40(4):043502,DOI:10.1118/1.4793409

81 Alilou M,Kovalev V,Snezhko E,Taimouri V.A comprehensive framework for automatic detection of pulmonary nodules in lung CT images.Image Analysis and Stereology,2014,33(1):13?27

82 Lassen B C,Jacobs C,Kuhnigk J M,van Ginneken B,van Rikxoort E M.Robust semi-automatic segmentation of pulmonary subsolid nodules in chest computed tomography scans.Physics in Medicine and Biology,2015,60(3):Article ID 1307,DOI:10.1088/0031-9155/60/3/1307

83 Lu L,Tan Y Q,Schwartz L H,Zhao B S.Hybrid detection of lung nodules on CT scan images.Medical Physics,2015,42(9):5042?5054

84 Qiang Y,Zhang X H,Ji G H,Zhao J J.Automated lung nodule segmentation using an active contour model based on PET/CT images.Journal of Computational and Theoretical Nanoscience,2015,12(8):1972?1976

85 Gon?calves L,Novo J,Campilho A.Hessian based approaches for 3D lung nodule segmentation.Expert Systems with Applications,2016,61:1?15

86 Sun Juan,Wang Bing,Yang Ying,Tian Xue-Dong.Research on cluster analysis in pulmonary nodule recognition.Journal of Computer Applications,2014,34(7):2050?2053(孫娟,王兵,楊穎,田學(xué)東.聚類分析在肺結(jié)節(jié)識(shí)別中的應(yīng)用.計(jì)算機(jī)應(yīng)用,2014,34(7):2050?2053)

87 Qiu Shi,Wen De-Sheng,Feng Jun,Cui Ying.A new strategy of lung nodules detection algorithm.Acta Electronica Sinica,2016,44(6):1413?1419(邱實(shí),汶德勝,馮筠,崔瑩.一種新策略的肺結(jié)節(jié)檢測(cè)算法.電子學(xué)報(bào),2016,44(6):1413?1419)

88 Ta?sci E,U?gur A U.Shape and texture based novel features for automated juxtapleural nodule detection in lung CTs.Journal of Medical Systems,2015,39(5):1?13

89 Wang Z,Chen S C.New least squares support vector machines based on matrix patterns.Neural Processing Letters,2007,26(1):41?56

90 de Carvalho Filho A O,Silva A C,de Paiva A C,Nunes R A,Gattass M.3D shape analysis to reduce false positives for lung nodule detection systems.Medical and Biological Engineering and Computing.Berlin:Springer-Verlag,2016.1?15

91 Demir¨O,Yilmaz C?A.Computer-aided detection of lung nodules using outer surface features.Bio-Medical Materials and Engineering,2015,26(S1):S1213?S1222

92 Wang Qing-Zhu,Kang Wen-Wei,Wang Bin.Design of 3D latent-SVM and application to detection of lesions in chest CT.Pattern Recognition and Arti fi cial Intelligence,2013,26(5):460?466(王青竹,康文煒,王斌.三維隱SVM算法設(shè)計(jì)及在胸CT圖像病灶檢測(cè)中的應(yīng)用.模式識(shí)別與人工智能,2013,26(5):460?466)

93 Brown M S,Goldin J G,Suh R D,McNitt Gray M F,Sayre J W,Aberle D R.Lung micronodules:automated method for detection at thin-section CT-initial experience.Radiology,2003,226(1):256?262

94 Wang B,Tian X D,Wang Q,Yang Y,Xie H Z,Zhang S Y,Gu L X.Pulmonary nodule detection in CT images based on shape constraint CV model.Medical Physics,2015,42(3):1241?1254

95 Chang Liang,Deng Xiao-Ming,Zhou Ming-Quan,Wu Zhong-Ke,Yuan Ye,Yang Shuo,Wang Hong-An.Convolutional neural networks in image understanding.Acta Automatica Sinica,2016,42(9):1300?1312(常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.圖像理解中的卷積神經(jīng)網(wǎng)絡(luò).自動(dòng)化學(xué)報(bào),2016,42(9):1300?1312)

96 Shin H C,Roth H R,Gao M C,Lu L,Xu Z Y,Nogues I,Summers R M.Deep convolutional neural networks for computer-aided detection:CNN architectures,dataset characteristics and transfer learning.IEEE Transactions on Medical Imaging,2016,35(5):1285?1298

97 Tajbakhsh N,Shin J Y,Gurudu S R,Hurst R T,Kendall C B,Gotway M B,Liang J M.Convolutional neural networks for medical image analysis:full training or fi ne tuning?IEEE Transactions on Medical Imaging,2016,35(5):1299?1312

98 Dou Q,Chen H,Yu L Q,Qin J,Heng P A.Multi-level contextual 3D CNNs for false positive reduction in pulmonary nodule detection.IEEE Transactions on Biomedical Engineering,2016,64(7):1558?1567

99 Cheng J Z,Ni D,Chou Y H,Qin J,Tiu C M,Chang Y C,Huang S,Shen D G,Chen C M.Computer-aided diagnosis with deep learning architecture:applications to breast lesions in US images and pulmonary nodules in CT scans.Scienti fi c Reports,2016,6:Article No.24454

100 Setio A A A,Ciompi F,Litjens G,Gerke P,Jacobs C,Van Riel S J,Wille M M W,Naqibullah M,Sanchez C I,van Ginneken B.Pulmonary nodule detection in CT images:false positive reduction using multi-view convolutional networks.IEEE Transactions on Medical Imaging,2016,35(5):1160?1169

101 Van Ginneken B,Setio A A,Jacobs C,Ciompi F.Oあ-theshelf convolutional neural network features for pulmonary nodule detection in computed tomography scans.In:Proceedings of the 12th IEEE International Symposium on Biomedical Imaging(ISBI).New York,USA:IEEE,2015.286?289

102 Ciompi F,De Hoop B,Van Riel S J,Chung K,Scholten E T,Oudkerk M,de Jong P A,Prokop M,van Ginneken B.Automatic classi fi cation of pulmonary Peri-Fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box.Medical Image Analysis,2015,26(1):195?202

103 Schlegl T,Ofner J,Langs G.Unsupervised pre-training across image domains improves lung tissue classi fi cation.In:Proceedings of the 2014 International MICCAI Workshop on Medical Computer Vision.Cambridge,USA:Springer,2014.82?93

104 Armato S G I I I,Mclennan G,Bidaut L,McNitt-Gray M F,Meyer C R,Reeves A P,Zhao B S,Aberle D R,Henschke C I,Hoあman E A,Kazerooni E A,MacMahon H,van Beek Ed.The lung image database consortium(LIDC)and image database resource initiative(IDRI):a completed reference database of lung nodules on CT scans.Medical Physics,2011,38(2):915?931

105 Huttenlocher D P,Klanderman G A,Rucklidge W J.Comparing images using the Hausdorあdistance.IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,15(9):850?863

106 Chalana V,Linker D T,Haynor D R,Kim Y M.A multiple active contour model for cardiac boundary detection on echocardiographic sequences.IEEE Transactions on Medical Imaging,1996,15(3):290?298

107 Depeursinge A,Vargas A,Platon A,Geissbuhler A,Poletti P A,Mu¨ller H.Building a reference multimedia database for interstitial lung diseases.Computerized Medical Imaging and Graphics,2012,36(3):227?238

108 SeあA,Lu L,Cherry K M,Roth H R,Liu J M,Wang S J,Hoあman J,Turkbey E B,Summers R M.2D view aggregation for lymph node detection using a shallow hierarchy of linear classi fi ers.Medical Image Computing and Computer-Assisted Intervention2014,17(Pt1):544?552

109 Liu X B,Ma L,Song L,Zhao Y F,Zhao X M,Zhou C W.Recognizing common CT imaging signs of lung diseases through a new feature selection method based on fi sher criterion and genetic optimization.IEEE Journal of Biomedical and Health Informatics,2015,19(2):635?647

110 Christ P F,Elshaer M E A,Ettlinger F,Tatavarty S,Bickel M,Bilic P,Remp fl er M,Armbruster M,Hofmann F,D′Anastasi M,Sommer W H,Ahmadi S A,Menze B H.Automatic liver and lesion segmentation in CT using cascaded fully convolutional neural networks and 3D conditional random fi elds.In: Proceedings of the 2016 International Conference on Medical Image Computing and Computer-Assisted Intervention.Athens,Greece:Springer,2016.415?423

111 Lipton Z C,Kale D C,Elkan C,Wetzell R.Learning to diagnose with LSTM recurrent neural networks.arXiv:1511.03677,2015.

112 Hofmanninger J,Langs G.Mapping visual features to semantic pro fi les for retrieval in medical imaging.In:Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston,USA:IEEE,2015.457?465

Automated Detection of Lesion Regions in Lung Computed Tomography Images:A Review

HAN Guang-Hui1LIU Xia-Bi1ZHENG Guang-Yuan1

Automatic detection of lesion regions in lung CT images is an important research topic in computer aided diagnosis of lung diseases.The system can automatically analyze CT images,output the locations and sizes of lesion regions to help radiologists make decisions,and promote early detection and therapy of lung diseases.In this paper we review the achieved progress of automatic detection methods of lesion regions in lung CT image,and introduce a generic structure for expressing and describing existing detection methods.Furthermore,we provide a systematic analysis and comprehensive performance summary of the latest detection algorithms from 2012.Finally,we point out the challenges ahead,and discuss the future direction of computer aided detection of lung lesions.

Lung CT,lung nodule,lung vessel,lymph node,computer aided detection

Han Guang-Hui,Liu Xia-Bi,Zheng Guang-Yuan.Automated detection of lesion regions in lung computed tomography images:a review.Acta Automatica Sinica,2017,43(12):2071?2090

2016-12-29 錄用日期2017-06-12

December 29,2016;accepted June 12,2017

國(guó)家自然科學(xué)基金(60973059,81171407),教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃(NCET-10-0044)資助

Supported by National Natural Science Foundation of China(60973059,81171407)and Program for New Century Excellent Talents in University of China(NCET-10-0044)

本文責(zé)任編委張道強(qiáng)

Recommended by Associate Editor ZHANG Dao-Qiang

1.北京理工大學(xué)計(jì)算機(jī)學(xué)院智能信息技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室北京100 081

1. Beijing Laboratory of Intelligent Information,School of Computer Science,Beijing Institute of Technology,Beijing 100 081

1在醫(yī)學(xué)影像領(lǐng)域,CAD系統(tǒng)可分為計(jì)算機(jī)輔助檢測(cè)(Computeraided detection,CADe)和計(jì)算機(jī)輔助診斷(Computer-aided diagnosis,CADx)兩種,本文主要關(guān)注CADe問題,在不引起混淆的情況下,本文使用CAD表示計(jì)算機(jī)輔助檢測(cè).

韓光輝,劉峽壁,鄭光遠(yuǎn).肺部CT圖像病變區(qū)域檢測(cè)方法.自動(dòng)化學(xué)報(bào),2017,43(12):2071?2090

DOI10.16383/j.aas.2017.c160850

韓光輝 北京理工大學(xué)計(jì)算機(jī)學(xué)院博士研究生.主要研究方向?yàn)獒t(yī)學(xué)圖像分析,機(jī)器學(xué)習(xí).

E-mail:hanguanghui@bit.edu.cn

(HAN Guang-Hui Ph.D.candidate at the School of Computer Science,Beijing Institute of Technology.His research interest covers medical image analysis and machine learning.)

劉峽壁 北京理工大學(xué)計(jì)算機(jī)學(xué)院副教授.主要研究方向?yàn)闄C(jī)器學(xué)習(xí),醫(yī)學(xué)圖像分析,多媒體檢索,計(jì)算機(jī)視覺.本文通信作者.E-mail:liuxiabi@bit.edu.cn

(LIU Xia-Bi Associate professor at the School of Computer Science,Beijing Institute of Technology. His research interest covers machine learning,medical image analysis,multimedia retrieval,and computer vision.Corresponding author of this paper.)

鄭光遠(yuǎn) 北京理工大學(xué)計(jì)算機(jī)學(xué)院博士研究生.主要研究方向?yàn)闄C(jī)器學(xué)習(xí),圖像處理.

E-mail:zhengguangyuan@bit.edu.cn

(ZHENG Guang-YuanPh.D.candidate at the School of Computer Science,Beijing Institute of Technology.His research interest covers machine learning and image processing.)