肺部CT 圖像病變區(qū)域檢測方法

韓光輝 劉峽壁 鄭光遠

肺部CT 圖像病變區(qū)域檢測方法

韓光輝1劉峽壁1鄭光遠1

肺部CT圖像病變區(qū)域檢測是肺病輔助診斷技術的重要研究內容,其通過自動分析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)域自動檢測方法所取得的進步,并引入一個通用框架表示和描述現(xiàn)有方法,對2012年以來肺部病變區(qū)域輔助檢測算法進行了系統(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,肺結節(jié),肺血管,淋巴結,計算機輔助檢測

肺部疾病是威脅人類健康的最嚴重疾病之一,具有疾病種類多、患者數(shù)量多、死亡率高的特點.根據(jù)世界衛(wèi)生組織的最新報告[1],肺癌是死亡率最高的癌癥,2015年導致了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.通常認為CT是肺部病變檢測的最精確成像模態(tài)[2].CT成像具有分辨率高、非侵入、無痛苦等特點,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,通常一次全肺掃描產生數(shù)百張圖像數(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)生面對大量圖像,很容易因工作疲勞而導致疾病漏診和誤診.另一方面,由于肺部疾病種類多且影像表現(xiàn)復雜,醫(yī)生往往只能根據(jù)自身經驗對病灶進行定性分析,具有較強的主觀性,常導致同一醫(yī)生在不同時期,或者不同醫(yī)生對同一影像判斷的一致性較差.

計算機輔助檢測(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早期肺病診斷的正確率.病變區(qū)域的檢測和分割是肺部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.

盡管國內外已有不少關于肺結節(jié)計算機自動檢測方法的研究綜述,但是本文關注范圍更寬,包含但不限于肺結節(jié).本文主要對肺部CT圖像中病變區(qū)域的自動檢測方法進行調查研究,這些病變區(qū)域類型包括肺結節(jié)[3],不屬于結節(jié)的多種肺部CT征象[4].同時本文還調查了可以輔助病變區(qū)域檢測和肺癌診斷的技術,如肺血管樹檢測、氣管樹檢測、肺部淋巴結檢測等.據(jù)我們所知,這是第一次較完整地對肺部CT圖像病變區(qū)域自動檢測方法的綜述性研究.

1 肺部病變區(qū)域檢測總體框架

目前對肺部病變區(qū)域的檢測主要有傳統(tǒng)的多步驟處理框架和新型的深度學習處理框架.

一般來說,傳統(tǒng)處理框架的CAD系統(tǒng)都具有圖像預處理、候選區(qū)域分割、假陽性去除三個基本步驟,后面步驟依賴于前一步驟,每一步驟的結果都會對最終結果產生較大影響.優(yōu)點是各個步驟都容易解釋,缺點是各個步驟的算法參數(shù)等細節(jié)依賴于研究者的經驗,手工構建具有辨別力的圖像特征十分重要也很有挑戰(zhàn)性.

基于深度學習的處理框架構成模式也未得到統(tǒng)一.一方面深度學習方法可以在傳統(tǒng)檢測框架的不同步驟介入以改進系統(tǒng)性能,例如可分別在候選區(qū)域分割前和分割后介入.前者用于檢測具有病變的切片(預處理步驟可選),但一般難以明確定位病變區(qū)域在切片內的位置;后者則作為假陽性去除步驟(分類).另一方面,深度學習方法也可以獨立完成候選區(qū)域分割、假陽性去除等功能,即完全基于深度學習的CAD系統(tǒng)架構,這種架構的輸入是CT圖像序列(預處理可選),輸出是最終的病變區(qū)域信息.基于深度學習的處理框架在圖像特征等方面的解釋上存在困難,對數(shù)據(jù)量的要求也較高,但是優(yōu)點十分明顯,可以進行端到端的監(jiān)督式訓練,自動抽取具有辨別力的圖像特征,在不同應用領域間做轉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,本文引入一個通用框架表示和描述現(xiàn)有的肺部病變區(qū)域檢測方法,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習方法.CT圖像序列輸入系統(tǒng)后,可先進行預處理以方便后續(xù)分析,包括為提高圖像質量進行圖像增強,為減少干擾區(qū)域進行肺實質分割、血管和淋巴結檢測等.深度學習方法可在預處理前后介入以檢測病變切片,接著進行候選區(qū)域分割和假陽性去除.深度學習方法可實現(xiàn)假陽性去除功能,也可同時實現(xiàn)候選區(qū)域檢測和假陽性去除功能.系統(tǒng)最后輸出病變區(qū)域信息.

2 預處理方法

2.1 圖像增強

1)圖像去噪

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

在CT成像過程中,難免會引入噪聲,一些研究方案采用濾波器首先對原始CT圖像進行圖像去噪.2012年,Choi等[5]對初始肺模板進行高斯平滑去除噪聲,Camarlinghi等[6]采用柱面濾波器(Cylinder fi lter)結合高斯函數(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行CT圖像噪聲濾除,其中高斯濾波器對肺部區(qū)域進行平滑處理,維納濾波器和中值濾波器在去除圖像噪聲的同時可以保持對象邊緣.

2)目標增強

由于肺結節(jié)等對象周圍常會存在其他干擾,一些低對比度的結節(jié)(例如GGO(Ground glass opacity))以及與血管和氣道粘連的結節(jié)等較難直接處理.一些研究者會在檢測研究對象前先進行簡單的目標增強處理.在肺結節(jié)檢測工作中,通常先進行結節(jié)增強濾波.Li等[10]在2003年,設計了一個選擇增強濾波器,可增強結節(jié)并抑制其他正常結構,效果如圖2所示,其中圖2(a)是3D CT原圖的最大灰度投影,箭頭處為一個腫瘤區(qū)域;圖2(b)是對應的結節(jié)增強圖像的最大灰度投影,其中結節(jié)得到增強,而血管則被抑制[10].劉陽[11]于2011年提出基于二維多角度、多尺度的圓點增強圖像識別方法,分別對橫斷面、冠狀面、矢狀面肺結節(jié)圖像進行增強.張永強等[12]于2012年設計了兩步的結節(jié)增強法,首先利用單層次模糊增強方法增強結節(jié)區(qū)域和背景之間的對比度,接著采用多層次模糊增強方法實現(xiàn)降噪并增強結節(jié)邊緣.并將圖像多層次模糊增強結果進行變換,與原圖的直方圖均衡化圖像相乘,以減弱多層次模糊增強產生的分層現(xiàn)象.Carvalho等[13]于2014年提出一種兩步的肺實質內部結構增強方法,第1步使用二次增強算法進行選擇性的對比度增強,第2步使用高斯濾波器和中值濾波器抑制對比度增強過程中增加的噪聲量.Iqbal等[14]于2014年提出使用反幾何擴散模型進行結節(jié)區(qū)域增強,可以擴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 結節(jié)增強濾波器Fig.2 The nodule enhancement fi lter

2.2 肺實質分割

胸部CT成像會包含很多肺實質以外的組織或物體,例如胸壁、掃描床等,為減少肺實質以外內容的干擾,肺實質分割成為減少計算時間和降低假陽性數(shù)量的重要步驟.胸膜粘連型結節(jié)、肺部血管、圖像噪聲或偽影(Artifacts)、個體解剖差異等因素使得肺實質分割變得十分復雜.肺實質分割多采用閾值技術和形態(tài)學技術,Zhou等[15]于2014年提出了一個基于迭代加權平均和自適應區(qū)域閾值的快速全自動的肺實質分割方案.Cascio等[2]、高婷等[7]、Santos等[16]采用閾值分割、二維/三維區(qū)域生長和形態(tài)學操作等綜合處理后得到肺實質掩膜.Elizabeth等[17]采用貪婪蛇形算法分割肺實質.Choi等[5]于2012年提出了一個全自動的三步肺實質分割方法,首先使用一個簡單固定閾值(?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)域增長算法抽取胸部和肺部區(qū)域,由圖像對角線的直方圖閾值確定閾值T1和T2(T1＜T2),在抽取胸部時使用閾值T1和T2,抽取肺部時使用閾值T2和直方圖上的最大值.在得到初始肺區(qū)域后,進一步使用滾球(Rolling ball)算法重構肺實質區(qū)域,主要是修補不完整的肺邊緣區(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分割醫(yī)療圖像背景和定位感興趣區(qū)域,在肺實質分割的測試中分割精確度為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記技術去除小對象,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連續(xù)的2D滾球濾波器(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、初始標記掩模、背景去除、連通成分標記、形態(tài)學操作、輪廓糾正等技術分割3D肺區(qū)域.

對于復雜病變的肺實質,常規(guī)的閾值技術和形態(tài)學技術往往分割不完全,導致檢測對象的丟失,這就需要采用更復雜的分割技術.Wang等[23]提出了基于紋理分析的精確肺實質分割方法,專門處理伴有嚴重間質性肺病的情形,平均重疊率達到了96.7%.圖3顯示了基于紋理分析的肺實質精確分割效果[23],可以看到該算法可以處理嚴重間質性肺病的CT圖像.

圖3 基于紋理分析的精確肺實質分割[23]Fig.3 Accurate segmentation of lung parenchyma based on texture analysis[23]

為解決因胸膜粘連型結節(jié)導致的肺實質分割不完全問題,Wei等[24]于2013年提出綜合利用最優(yōu)迭代閾值、三維連通成分標記、三維區(qū)域增長等多種方法進行肺實質的初始分割,并利用Bresenham算法進行肺實質修復,整個過程自動完成,無需人工干預.選取97例肺結節(jié)(普通型)和25例胸膜粘連型結節(jié)的CT圖像用于算法測試.其算法對胸膜粘連型結節(jié)的敏感度為100%,分割精確度為98.6%,肺實質分割的精確度為95.2%,每幅圖像平均分割時間為0.67秒.

同樣為解決因胸膜粘連型結節(jié)導致的肺實質分割不完全問題,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,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.其基本假設是:胸膜粘連型結節(jié)的彎曲半徑(Bending radius)比整個肺實質的彎曲半徑小得多.算法核心是決定待包含的肺輪廓上具有特定曲率值的點集,分為三個問題,即如何表示像素曲率、如何判斷點的凹度和如何確定待糾正的曲率閾值.文獻對25例門診病人CT圖像的實驗表明,該方法可以分割出被初始閾值方法漏掉的全部129個胸膜粘連型結節(jié),即再次囊括胸膜粘連型結節(jié)的比率為100%.Lai等[9]于2014年采用形態(tài)學閉操作和閾值化技術分割CT圖像中的正常肺實質,在肺葉裂紋、左右肺的細小接合點、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年提出了一個新的病理肺分割方法,分為兩個階段,第一階段使用模糊連通性圖像分割算法抽取初始的肺實質區(qū)域,同時在不明確畫出肺輪廓的情況下使用胸腔信息估計肺體積.這個初步的肺體積估計方法可以對胸腔和基于模糊連通性測量的肺體積的體積差異進行比較.較大的體積差異表示病理的存在,這將自動調用第二階段方法以對初始分割的肺部區(qū)域進行精化.第二階段使用基于紋理的特征來檢測前一階段易丟失的異常圖像模式,例如實變、磨玻璃影、間質增厚、樹芽征、蜂窩征、結節(jié)、微結節(jié)等.精化階段使用一個新的近鄰解剖信息導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圖像上的肺分割實驗表明,該方法獲得了大于95%的平均重疊率.

2.3 肺部脈管檢測

因為肺部脈管(血管和氣管)亮度與肺結節(jié)相似,甚至不少結節(jié)會在空間上靠近或粘著在脈管上,常干擾肺結節(jié)的自動檢測.另一方面,肺部血管分布變化和多種疾病都有關系,例如肺部高血壓病人的肺血管呈膨脹狀態(tài)[26].因此肺部脈管檢測也是肺部CAD的重要部分,但是肺部血管細小,對比度差,邊界模糊,給自動分割帶來挑戰(zhàn).

基于增強濾波器的方法針對感興趣目標的形態(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構,可以將濾波器與圖像進行卷積操作以提取目標.在提取血管邊緣時,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構的圖像進行卷積,濾波器會在尺度相近的血管位置處產生一個較大的輸出,同時還可在一定程度上平滑噪聲.Gabor濾波器也能較好地增強肺部血管,提取肺部血管的方向特性,再結合閾值法,能夠較好地提取出肺部血管.Cheng等[27]于2014年提出一個抽取血管中心線的自動方法,其使用一系列線檢測濾波器進行小血管增強,然后使用細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別醫(yī)學圖像中的血管,Koller[28]于1995年提出了增強感興趣區(qū)的思路,之后Lorenz等[29]和Frangi等[30]分別于1997年和1999年對血管增強方法進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]將血管增強算法引入肺癌CAD中,增強方法在肺癌CAD中的應用逐漸增多.

肺血管整體呈樹狀結構,拓撲結構復雜,從肺主動脈往下分為多級,直徑變化較大.針對這些特點,可采用幾何形變模型[32]對肺血管進行精確分割.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,定位血管內外同質區(qū)域;然后,通過目標邊緣能量的計算使曲面沿著圖像梯度方向的二階導數(shù)進行演化,以使其精確收斂到目標邊緣;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)域生長法進行血管分割,首先從血管內的一個或多個種子點開始,按照設計的生長準則,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)合并準則把種子點鄰域內的相似像素/體素歸并到該種子點的生長區(qū)域內.2013年,Park等[26]在簡單分割肺實質后,選擇初始閾值和自適應區(qū)域增長的方法抽取血管區(qū)域作為3D點集(點云),然后采用Hessian矩陣進行張量分析去除肺裂體素點,接著采用類似于3D掃描點云數(shù)據(jù)的樹結構重建算法對血管的3D點集進行血管樹重建.

基于跟蹤的血管分割算法建立在血管具有連續(xù)結構特征的基礎上,一般先使用一個局部算子作用在血管的某個初始點上,然后由算法自動跟蹤血管的中心線、方向和半徑等參數(shù).Zhou等[36]在其檢測肺栓塞的工作中,根據(jù)肺血管的方向、骨架等幾何特性跟蹤并重構血管樹.Kawata等[37]于2013年引入了一種隨機網(wǎng)絡和粒子濾波器,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用.¨Ozkan等[20]在完成肺實質分割后,接著檢測出縱隔膜區(qū)域,然后利用閾值法、2D和3D連通成分標記法、解剖結構參考點定位等多種技術,最終完成肺部血管的分割.Kitamura等[38]于2016年提出一種對胸部CT血管造影圖像中的血管進行全自動分割的方法,首先從訓練數(shù)據(jù)中學習到特定的地標檢測器(Landmark detectors)檢測肺動脈主干和左心房,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)最小化方法分離動脈和靜脈區(qū)域.

2.4 肺部淋巴結檢測

淋巴結的病理變化是檢測惡性腫瘤(肺癌、直腸癌、乳腺癌、肝癌、宮頸癌等)和判斷腫瘤轉移的一個重要依據(jù).淋巴結有高的臨床相關性和例行關注需求[39],然而淋巴結的分割非常具有挑戰(zhàn)性,因為它通常和肌肉、血管或者其他類似的組織一起出現(xiàn),雜亂且對比度低;淋巴結的尺寸變化很大,正常的淋巴結一般不超過2cm,而病理性增大的淋巴結(例如因癌癥或感染而增大的淋巴結)卻可以達到5cm以上;通常增大的淋巴結會粘連在一起并形成聚簇,檢測聚簇內的淋巴結十分困難,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.

基于形狀結構分析的方法在肺部淋巴結檢測中得到應用.Dornheim等[40]在2009年提出了用3D平穩(wěn)質點彈簧模型分割正常和病理淋巴結的算法,從包含潛在淋巴結節(jié)的整個數(shù)據(jù)集開始,最終定位到真正含有淋巴結的數(shù)據(jù)中.Steger等[41]在2011年提出了一種基于動態(tài)規(guī)劃的方法分割CT圖像中的淋巴結,即先找到圍繞種子點的閉合路徑,進而最小化由梯度、強度和形狀先驗確定的能量函數(shù),用動態(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,并引入半自動方法進行精調.

判別學習方法也是有效的淋巴結分割方法.Feulner等[39]于2013年采用判別學習和空間先驗進行胸部CT圖像中淋巴結的檢測與分割,可以大幅降低假陽性數(shù)量.這些先驗知識包括:在肺部的縱隔膜中,淋巴結常出現(xiàn)在脂肪組織中,因此可以排除其他組織空間;淋巴結并不是均勻分布在脂肪組織中,而是更易出現(xiàn)在主動脈弓(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自動識別和分割方法,其首先使用含有兩個步驟的圖像配準方法以定位淋巴結,即基于身體部位檢測的粗配準步驟和基于雙模板匹配算法的精細配準步驟;然后采用灰度和邊緣信息進行精細化處理;最后采用蛇模型對初始輪廓曲線進行演化并獲得分割結果.在對76個淋巴結樣本的實驗中,該算法獲得了100%的檢測成功率和95%的正確臨床評估率,并且具有平均2.58秒的高效計算性能.

一些研究者綜合采用多種方法檢測肺部淋巴結.張艷玲等[44]在2013年將基于最大類間方差與數(shù)學形態(tài)學的分割方法用于淋巴結的分割,最大類間方差法用于對原圖進行二值化增強處理,而數(shù)學形態(tài)學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)的目標區(qū)域與其他組織相連的問題,以更好地提取淋巴結組織.Yu等[45]于2015年提出了一種帶邊緣約束的基于區(qū)域的蛇模型算法進行胸部CT圖像中淋巴結的分割,利用自調節(jié)機制同時集成邊緣和區(qū)域信息,在基線和隨訪圖像的淋巴結分割實驗中,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

圖像預處理后,需將異常目標分離出來,作為候選對象輸入到后續(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,但一般會產生較多的假陽性區(qū)域.

根據(jù)使用的技術,候選區(qū)域分割可分為閾值方法、數(shù)學形態(tài)學方法、聚類方法、分類方法、概率方法、形態(tài)結構法、區(qū)域增長法、跟蹤法、混合方法.根據(jù)有沒有使用鄰近圖層間關系,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構細節(jié),導致大量假陽性的產生;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),其假陽性數(shù)量明顯少于二維方法,產生假陽性的原因主要在于一些脈管交叉處會和結節(jié)相混淆.具體采用二維還是三維方法,依賴于當前的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/體素點類別歸屬,從而完成結節(jié)候選區(qū)的提取.

閾值法適用于目標與背景灰度對比度較大的情況,在肺結節(jié)提取中.可以容易地將結節(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節(jié)相似,應用閾值法容易產生由肺血管和肺氣管組成的假陽性結果.閾值選擇過高,會導致灰度值較低的肺結節(jié)漏檢.多灰度級閾值法通過設定多個閾值分割灰度級相似的連通區(qū)域,然后去掉其中的假陽性區(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算最優(yōu)閾值作為基閾值T,然后獲得7個閾值化圖像和對應的分割圖像(采用的7個閾值依次為: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ROI圖像中.接下來進行基于規(guī)則的剪枝處理,即基于ROI計算的5個特征(直徑、面積、體積、延伸率、圓度)設計的4個剪枝規(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年針對小尺寸結節(jié)、低/高對比度結節(jié)、血管粘連型結節(jié)、胸膜粘連型結節(jié)、毗鄰隔膜/肺壁型結節(jié)提出了使用多步閾值法和形狀索引閾值進行潛在結節(jié)檢測.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習算法進行分類,以實現(xiàn)GGO征象的檢測任務.

3.2 數(shù)學形態(tài)學

基于形態(tài)學的分割算法利用集合論的概念和運算方法,根據(jù)圖像的拓撲結構進行變換,度量并提取對應形狀.該方法中,膨脹和腐蝕對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構元素的區(qū)域,斷開狹窄區(qū)域和消除細小突出物;閉操作可消除輪廓線中的間斷部分,也可消除小孔洞.該方法中結構元的選取很重要,不同的結構元可完成不同的圖像分析,獲得不同的結構.

很多研究者利用形態(tài)學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)分割實性肺結節(jié),算法對其他腫瘤類型也有作用(例如與血管或其他細長型結構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,仍可使用閾值法預先獲得體素超集,例如采用3D區(qū)域增長并將種子點定位在ROI的中心.區(qū)域增長結果除了包含完整病變區(qū),還會額外包含部分粘連的脈管系統(tǒng).形態(tài)學開操作可以去除血管,但困難在于確定最佳的腐蝕強度.因為腫瘤(結節(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選擇腐蝕強度.2014年,高婷等[7]利用Canny算子進行邊緣檢測,并在連通區(qū)域連接、分支去除和填充空洞等形態(tài)學處理后,采用半徑為層厚的球形結構元進行開運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體素的球狀結構元進行形態(tài)學腐蝕操作(可減少部分容積效應(Partial volume eあects,PVE)的影響).然后進行連通成分分析把所有體素聚合為候選結節(jié),并去除體積小于34mm3的對象.接著使用同樣直徑結構元的形態(tài)學膨脹操作去除因腐蝕造成的收縮,然后計算所有候選的體積和質心,并合并質心距離小于5mm的候選結節(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K均值聚類方法形成結節(jié)簇和背景簇,然后分別計算像素特征向量與結節(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.該方法聚類目標明確,可自適應獲得聚類閾值,但是檢測結果依賴于特征向量的組成,且很難兼顧敏感性和假陽性率,無法處理粘連成分較多的結節(jié),例如膜粘連型結節(jié)(胸膜、心臟、隔膜等).2014年,Netto等[18]采用生長型神經氣算法(Growing neural gas,GNG)和3D距離變換—區(qū)域增長算法進行候選肺結節(jié)的分割,GNG是自組織映射算法(Self-organizing maps)和神經氣(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)計特征形成聚類).魏穎等[51]于2016年提出結合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,可以較好地將結節(jié)從血管上分割出來.該方法首先進行肺實質分割和多尺度Hessian矩陣圓形增強濾波,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應的核函數(shù)乘積形式,最后采用自適應計算帶寬的方法確定每個待分割疑似病灶區(qū)域的帶寬,并進行均值漂移聚類.

模糊聚類是一種基于模糊數(shù)學的灰度圖像分割方法,是聚類算法中非常重要的一個分支,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質圖像分為空氣簇和組織器官簇,對組織器官簇中的圖像數(shù)據(jù)計算灰度加權距離等后續(xù)處理.經典模糊聚類算法僅考慮每個像素的灰度值分別與各聚類中心的距離,沒有考慮鄰域內像素之間的影響,也未利用圖像的空間信息,針對這一問題,李翠芳等[56]于2013年提出一種改進的利用血管及類別結構信息加權的適用于亞實性(Sub-solid)肺結節(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),再從VOI內進行IWKFCM 聚類,最后對聚類結果進行三維連通域標記及形態(tài)學處理得到最終結節(jié)的分割結果.Badura等[57]于2014年提出利用模糊連通性和進化計算進行3D肺結節(jié)分割.使用者需為每個結節(jié)選擇兩個種子點(分別表示背景和結節(jié)),然后采用含有軟計算階段的模糊連通性方法成倍增加種子點數(shù)量,使得分析過程更魯棒.

3.4 分類方法

分類是在已知訓練集樣本類別標簽的條件下,通過學習已知的輸入輸出關系而建立起樣本輸入與類別輸出之間的映射關系.其重要內容是用先驗樣本訓練分類器以獲得最佳模型參數(shù),進而采用訓練的模型對新樣本進行類別預測.

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

集成學習方法生成許多分類器并聚合它們的結果,例如隨機森林在Bagging集成方法中添加了一個額外的隨機層,它的每棵樹都生成一個分類決策并輸出一個分類結果,這些結果被集成為最終結果.Kouzani等[59]于2008年基于隨機森林設計了一個集成分類算法來識別二維CT圖像中的肺結節(jié),并比較了集成分類算法、支持向量機(Support vector machine,SVM)分類器和決策樹分類器得到的結果,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)絡模型(Bayesian network model based,BNMB)的ROI自動分割方法.BNMB實質是個概率圖模型,首先從過分割圖像構建一個概率圖,表示超像素區(qū)域和邊緣分割之間的關系,然后利用基于概率模型的迭代過程識別出一些區(qū)域并進行合并.該方法每張圖分割時間為20～40s,并達到了97.4%的分割準確率.為充分利用CT圖像的解剖結構信息和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)同分割中也得到應用.Song等[61]于2013年提出一種概率方法對PET-CT混合模態(tài)圖像進行協(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場的最小化問題,并使用基于圖割的算法進行最優(yōu)化求解.實驗結果表明協(xié)同分割方法比在任何一種模態(tài)圖像上單獨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場模型進行肺腫瘤自動分割,設計了一個新的聯(lián)合后驗概率模型以有效融合PET和CT圖像信息.

3.6 形態(tài)結構法

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

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

變形模型也經常用于候選區(qū)域分割,Cascio等[2]于2012年提出使用穩(wěn)定的三維質點彈簧模型(Mass-spring models,MSMs)和樣條曲線重建方法進行肺部候選結節(jié)分割,可以同時處理孤立性結節(jié)和胸膜粘連型結節(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點(彈簧建模質點間的連通性)以描述目標形狀.穩(wěn)定的MSMs在彈簧靜息長度和方向方面擴展了傳統(tǒng)MSMs,無論何時彈簧偏離了靜息方向,都會出現(xiàn)一個扭矩試圖恢復靜息方向.從醫(yī)學圖像的角度看,穩(wěn)定質點彈簧模型的一個重要優(yōu)勢是可以適應生物結構隨時間的變化.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)算法檢測候選結節(jié),并使用隨機游走算法分割候選結節(jié)邊緣.主動輪廓模型常用于醫(yī)學圖像分割[65?67],Li等[68]于2015年提出一個基于監(jiān)督式半自動3D肺組織分割方法的肺與血管模型,不同于現(xiàn)有文獻中常用的“由粗到細”方法,該模型基于幾何主動輪廓的遞歸策略從3D CT數(shù)據(jù)中抽取肺組織.因為肺組織在相鄰切片中變化很小,模型讓前一切片分割結果監(jiān)督當前切片的分割過程,基于這種監(jiān)督機制,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節(jié)的分割等問題.

對特定的研究對象進行形狀結構分析,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體窗進行組織結構分析的肺結節(jié)檢測方法.該方案先采用一種結合區(qū)域生長和改進波陣面法的三維分割方法進行肺實質分割,接著進行結節(jié)檢測:首先計算肺實質區(qū)域內體素的Hessian矩陣特征值并構造結構系數(shù),對相鄰體素區(qū)域的灰度分布進行初步分析;然后利用結構系數(shù)構建三維自適應體窗,分析目標組織對象的局部灰度分布和結構特征;最后利用判別函數(shù)檢測結節(jié),去除血管和血管交叉等干擾對象.Santos等[16]于2014年提出利用高斯混合模型(Gaussian mixture model,GMM)分離肺實質的內部結構對象,然后利用Hessian矩陣特征值檢測類球狀結構作為候選結節(jié).Yong等[70]采用2D-Otsu算法分割肺部區(qū)域邊緣,然后以20像素為間隔對肺邊緣進行重采樣,接著計算肺邊緣點的傾斜角,一般情況下正常區(qū)域的傾斜角變化相當平穩(wěn),而病理區(qū)域的傾斜角變化具有更復雜的模式,通過檢測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,接下來通過對真實肺形狀進行預測可以分割出胸膜粘連的腫瘤.

3.7 區(qū)域增長法

經典的區(qū)域增長算法在候選區(qū)域分割中得到較多應用,王秋萍等[71]于2014年探討了利用空洞檢測算法自動化檢測肺結節(jié)內空泡和空洞的可行性,首先采用最大方差閾值和區(qū)域生長方法自動化分割肺實質并提取肺結節(jié),然后對肺結節(jié)進行基于閾值分析和區(qū)域生長的空泡與空洞檢測.實驗發(fā)現(xiàn)利用空洞檢測算法提取肺結節(jié)內空洞和空泡征象穩(wěn)定、快捷、可行.Elizabeth等[17]于2012年采用區(qū)域生長算法抽取候選結節(jié)區(qū)域(ROI).2016年,Krishnamurthy等[72]采用區(qū)域增長方法和形態(tài)學操作分割候選肺結節(jié),又采用了邊緣橋接和填充技術處理胸膜粘連型結節(jié),最后采用3D幾何中心偏移分析技術排除血管區(qū)域.Song等[73]于2016年提出新的滑梯方法(Toboggan method)進行種子點檢測(可同時用于實性結節(jié)、GGO結節(jié)和空洞結節(jié)),然后采用帶距離約束和增長度約束的區(qū)域增長算法進行肺部病變區(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,主要是利用目標在時空維度上的連續(xù)性,對目標在時間或空間上的變化進行合理估計以達到檢測目的.在視頻分析領域主要是時間維度上的跟蹤,而在醫(yī)學圖像領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算法正確跟蹤肺部脈管、肺葉等組織結構.該方法包含了一個恢復過程,存儲歷史信息的數(shù)據(jù)棧,能夠反向追蹤到歷史信息中的前一狀態(tài),當檢測到失敗狀態(tài)時,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腫瘤自動分割技術,采用運動估計中的完全搜索塊匹配算法,獲得下一相位圖中與初始目標塊最相似的目標塊,計算出它們之間的運動位移,并以此類推得到所有相位的目標塊以及對應的運動位移.

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象[47,76?85],本文稱為混合方法.Carvalho等[13]于2014年提出使用質量閾值(Quality threshold,QT)算法和區(qū)域增長算法分割候選結節(jié),即使用體素的灰度相似性生成聚簇,然后使用區(qū)域增長法消除候選結節(jié)中的不連續(xù)部分.Lassen等[82]于2015年提出快速、半自動的半實性結節(jié)分割方法,用戶需要畫出結節(jié)的最大直徑,然后執(zhí)行基于結節(jié)區(qū)域和周圍軟組織的灰度分析和基于閾值的區(qū)域增長算法,接著結合使用連通成分分析和凸包計算方法去除胸壁,最后采用形態(tài)學操作去除結節(jié)所附著的血管結構.Lu等[83]于2015年提出一種混合方法檢測CT圖像中的各種類型肺結節(jié),包括形態(tài)學操作、基于Hessian矩陣的點增強算法、模糊連通性分割、局部灰度最大算法、測地距離圖、回歸樹分類等,這些方法被組織成具有多個節(jié)點的樹結構,每個節(jié)點處理一種肺結節(jié)類型.2015年,Qiang等[84]在PET/CT混合成像模態(tài)的基礎上,提出一種基于PET/CT的孤立型肺結節(jié)分割方法.在經過PET和CT圖像的配準之后,分別在PET和CT圖像中完成結節(jié)檢測和分割.因為使用的是融合模態(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,進一步映射到CT圖像的對應位置,再使用區(qū)域增長方法完成肺結節(jié)提取.2016年,Gon?calves等[85]提出多個基于Hessian矩陣的肺結節(jié)分割策略,即中心線自適應規(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結果的聯(lián)合充分利用各自優(yōu)點.

4 假陽性去除方法

對象候選區(qū)提取階段要保證算法檢測的敏感性,即盡量保證真正的研究對象被提取出來,而不考慮伴隨產生的假陽性數(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)中的假陽性結果主要由肺血管或氣管的交叉點引起,為更高效地去除假陽性就需充分考慮這些區(qū)域與研究對象的差異.對于假陽性去除的分類問題,一般采用特征—分類器方法,即從提取到的候選區(qū)域計算能夠辨別目標區(qū)域和干擾區(qū)域特性的圖像特征,并進行特征選擇,用最具代表性、區(qū)分性強的特征訓練分類模型,最后對候選區(qū)進行分類.

4.1 遺傳算法

Choi等[5]在提取候選結節(jié)后,進一步進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、圓度)、3D幾何特征(體積、緊致性、邊界框各維長度、三個主軸長度、延伸率)、基于2D灰度的統(tǒng)計特征(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個最大特征值)、基于3D灰度的統(tǒng)計特征(最小值、均值、方差、偏度、峰度、分割區(qū)域外的均值),其中2D特征選擇從候選結節(jié)的中間圖層抽取,最終共構成了33個特征維度.算法準確率達到89.6%,敏感度為94.1%.

4.2 聚類方法

2015年,孫娟等[86]考慮到肺結節(jié)和非肺結節(jié)數(shù)量的不均衡性,結合肺部ROI數(shù)據(jù)的特征,提出全權模糊聚類算法(Fuzzy C-means algorithm based on plurality of weight,PWFCM)檢測肺結節(jié).其根據(jù)肺結節(jié)臨床病例特征,分別為每個實例的重要屬性和每個樣本賦予權值,并引入隸屬度約束改進收斂性,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的血管、氣管,第二次聚類尋找陽性結節(jié).2016年,邱實等[87]為降低二維CT圖像序列中因血管橫截面與肺結節(jié)成像特征類似所造成的假陽性,提出以格式塔心理學為基礎去除血管干擾區(qū)域.在得到大量結節(jié)候選區(qū)后,根據(jù)格式塔連續(xù)性、整合性原則,對軸位CT圖像序列建立各項同性數(shù)據(jù)體,濾除大量血管ROI,最后精確提取結節(jié)ROI,利用FCM進行聚類獲得結節(jié)區(qū)域.

4.3 統(tǒng)計模式識別

Elizabeth等[17]于2012年對分割出的候選結節(jié)抽取形狀和紋理特征,訓練徑向基函數(shù)神經網(wǎng)絡去除假陽性.Ta?sci等[88]于2015年計算了候選結節(jié)的40個特征(含新設計的5個形狀特征和2個形狀紋理特征),然后使用獨立于分類器選擇的濾波方法進行特征選擇,接著用10個不同分類器進行候選結節(jié)分類實驗,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)值達到了0.9679.Guo等[46]于2016年提出的GGO征象檢測算法采用基于貝葉斯風險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)域識別出真陽性區(qū)域,算法達到了100%敏感度和33.13%特異度.

李陽等[79]于2013年指出傳統(tǒng)的SVM結節(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)計其各項特征值形成若干個特征向量(一維)作為分類器輸入,這種方法在圖像二維輸入模式轉換為一維向量輸入模式時,每個圖像空間冗余矩陣沒有得到有效利用,會丟失一些有關局域及空間關系的信息.針對上述問題,李陽等[79]利用處理二維輸入模式問題的MatLSSVM(Least squares SVM based on matrix patterns)識別肺結節(jié)[89],直接把ROI輸入SVM分類器,而不再計算各ROI的特征值,從而減少了信息丟失,實驗敏感度為100%,特異度達到95%.Carvalho等[90]于2016年提出僅使用形狀度量的結節(jié)/非結節(jié)分類方法,其采用形狀圖、比例測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 算法進行分類,達到了平均95.33%的準確率.

研究者通常在分割出候選結節(jié)后,抽取候選結節(jié)的2D或3D形狀特征(球形不均衡性、球形密度、球形度、加權徑向距離、伸長率、Boyce-clark徑向形狀指數(shù)等)、紋理統(tǒng)計特征(對比度、能量、熵、同質性和動量)、空間上下文特征等,然后基于某種特征選擇算法進行特征選擇,最后使用SVM 模型(或經過優(yōu)化的SVM 模型)進行候選結節(jié)分類[13,18,22,77,91].上述幾個文獻的實驗敏感度分別達到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)域的相對位置關系作為傳統(tǒng)形狀、紋理特征之外的一種新的隱變量參與到SVM 的訓練過程中,還引入并設計了含隱變量三維矩陣模式的SVM 分類器,實驗達到97.05%的真陽性率和9.21%的假陽性率.

4.4 基于語義網(wǎng)絡的方法

Brown等[93]于2003年借鑒來源于語義模式識別領域的語義網(wǎng)絡模型,提出了一種語義網(wǎng)絡模型來描述解剖結構和病理結構,例如肺實質、肺血管、肺結節(jié)等.該結構模型由節(jié)點和連接節(jié)點的邊組成,其中每個節(jié)點包含一個解剖結構名稱和一組特征集,連接兩個節(jié)點的邊代表兩個節(jié)點的解剖學關系.為表示解剖變化,模型為數(shù)值特征參數(shù)分配相應的模糊集,然后輸出一個隸屬度以區(qū)分結節(jié)和血管,進而實現(xiàn)了通過模型語義網(wǎng)絡來完成肺結節(jié)分類.通過在77個肺結節(jié)數(shù)據(jù)上的實驗,敏感度達到100%(直徑＞3mm)和70%(直徑≤3mm),而放射科醫(yī)生在獨立閱片時,對應的敏感度僅有91%和51%.

4.5 混合方法

由于分類器在設計和訓練過程中針對性較強,采用單一分類器去除假陽性的方案在分類器性能達到一定程度便很難改進,因此常采用多個分類器去除假陽性,本文稱之為混合分類器.Camarlinghi等[6]組合了三個CAD算法自動識別肺結節(jié):CAMCADe(基于分割血管樹和結節(jié)候選的Channelerant-model以及神經網(wǎng)絡分類器),RGVPCADe(一個檢測結節(jié)候選的區(qū)域增長體積穩(wěn)定算法和減少假陽性的神經網(wǎng)絡算法),VBNACADe(兩個分別基于3D點增強算法和胸膜曲面法線交叉算法的專有過程,識別內部的和胸膜粘連的結節(jié),一個基于體素的神經網(wǎng)絡方法減少假陽性).實驗的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]在分割候選結節(jié)后,抽取了候選結節(jié)的灰度、形狀、紋理和上下文特征(候選結節(jié)關于肺邊界、氣管樹、血管等的位置),然后使用兩個分類模式,多種分類方法進行了分類性能評估,以選擇出最優(yōu)配置.Santos[16]等抽取Shannon熵、Tsallis Q熵等紋理特征,訓練SVM 分類器進一步削減假陽性對象.Wang等[94]于2015年提出基于球形形狀約束的Chan-Vese(CV)模型進行典型形狀特征分析,并結合計算附著于候選結節(jié)的血管分支數(shù)量降低假陽性數(shù)量.

5 深度學習方法

深度學習方法已在圖像、語音、文本等領域獲得較大成功,近幾年在醫(yī)學圖像分析領域也得到應用[95].目前在醫(yī)學CAD領域嘗試的深度學習方法事實上已經不屬于傳統(tǒng)的技術路線,即圖像預處理—候選區(qū)域分割—假陽性去除,深度學習方法在CAD中的介入時機主要有兩個:1)在預處理(可選步驟)前后將CT scan的每幅圖像直接送入深度學習網(wǎng)絡,這類方案的目的是可以是自動確定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),也可以是同時替代候選區(qū)域分割和假陽性去除功能;2)在進行候選病變區(qū)域分割后進行深度學習,目的是對輸入的數(shù)據(jù)進行分類,以去除假陽性.目前這兩類方案均體現(xiàn)出較優(yōu)異的性能.

深度學習技術在肺部病變區(qū)域檢測中的應用主要是卷積神經網(wǎng)絡(Convolutional neural network,CNN),目前主要有4種技術策略[96].策略1:從零開始(CNN from scratch),即使用手頭的醫(yī)學圖像數(shù)據(jù)對CNN模型從頭開始訓練;策略2:拿來主義(Oあ-the shelf CNN),即無需使用醫(yī)學領域數(shù)據(jù)再次訓練CNN模型,而是將在其他領域訓練好的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充信息;策略3:監(jiān)督—無監(jiān)督融合訓練策略,即在自然圖像或醫(yī)療圖像上進行無監(jiān)督預訓練,然后在醫(yī)療目標圖像上進行監(jiān)督式模型精調;策略4:領域精調(Fine-tuning),也被稱為遷移學習,即在自然圖像數(shù)據(jù)集上對CNN模型進行監(jiān)督式預訓練,然后在醫(yī)學圖像數(shù)據(jù)集上進行監(jiān)督式模型精調.

由于CNN龐大的參數(shù)空間和醫(yī)學領域數(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直接把其他領域訓練好的CNN模型作為特征抽取器使用,由于不同領域數(shù)據(jù)的巨大差異,CNN特征未必能很好表示目標領域的數(shù)據(jù),但對已有手工特征的綜合使用一定程度上彌補了上述缺陷;策略3實際上是在缺少足夠的已標注數(shù)據(jù)情況下的妥協(xié)方法;策略4的領域精調則在具有充足數(shù)據(jù)的領域對CNN模型進行充分的預訓練,然后在目標領域的適量數(shù)據(jù)上對預訓練的模型進行調優(yōu)訓練,這具有遷移學習的特性,并且也取得了很好的性能.事實上,根據(jù)Tajbakhsh等在2016年的研究[97],領域精調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,并且對訓練集規(guī)模更具魯棒性,同時該研究還表明根據(jù)可用數(shù)據(jù)量的大小進行逐層精調是達到最佳性能的可行實踐策略,但無論淺層調優(yōu)(Shallow tuning)還是深層調優(yōu)(Deep tuning)都是具體應用的最佳選擇.

5.1 從零開始

2016年,Dou等[98]在肺結節(jié)檢測工作中,采用多層上下文三維卷積神經網(wǎng)絡(3D convolutional neural networks,3D CNN)進行假陽性去除.相對于2D CNN,3D CNN能夠使用3D樣本數(shù)據(jù)訓練得到對應的層次網(wǎng)絡結構,并通過該層次結構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,其進一步提出了一個簡單有效的策略來編碼多層上下文信息,以應對結節(jié)類型的多樣性帶來的挑戰(zhàn).由于采用從頭開始訓練的策略,該方案為緩解數(shù)據(jù)量不足和數(shù)據(jù)不平衡問題,采用了平移和旋轉的數(shù)據(jù)擴增策略,最終獲得65萬訓練樣本.該方法的評估使用了大規(guī)模基準測試集,即ISBI 2016主辦的LUNA16競賽發(fā)布的數(shù)據(jù)集(篩選自LIDC數(shù)據(jù)庫的888個病例CT圖像).競賽中的假陽性去除項目,要求參與者給出候選位置集合,并給每個候選指定一個肺結節(jié)概率.上述方法在假陽性率為8FPs/scan配置下,可以達到92.2%的敏感度;而在7個預定義的假陽性率配置下,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(Stacked denoising auto-encoder,SDAE)的深度學習架構對乳腺超聲圖像中的候選病變區(qū)域和胸部CT圖像中的候選結節(jié)區(qū)域進行分類.方案采用SINGLE和ALL兩種切片選擇策略,前者共有1400個訓練/測試ROI樣本,每個樣本表示一個不同結節(jié),后者在訓練/測試中包括了每個結節(jié)的所有成員切片(共計10133張切片).實驗結果表明基于SDAE深度架構的CADx算法顯著超越了兩個傳統(tǒng)的最佳算法.該工作雖然使用LIDC數(shù)據(jù)集中的醫(yī)生標注結節(jié)作為訓練用ROI區(qū)域,但很明顯如果前期結合候選結節(jié)檢測步驟,該方法可以用于假陽性去除工作中.Setio等[100]于2016年采用多視角卷積網(wǎng)絡檢測肺結節(jié),從訓練數(shù)據(jù)中學習具有區(qū)別能力的特征.方案使用了三個特別為實性結節(jié)、半實性結節(jié)和大結節(jié)設計的候選結節(jié)檢測器,對于每一個候選,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)絡的輸入,最后采用專用的融合方法整合網(wǎng)絡輸出以獲得最終分類結果.為避免過擬合,方案采用了數(shù)據(jù)擴增(Augmentation)和丟棄(Dropout)技術.實驗在LIDC-IDRI數(shù)據(jù)集上進行訓練和測試,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%.另外還在獨立數(shù)據(jù)集ANODE09和DLCST上進行了方案評估,整體結果表明多視角卷積網(wǎng)絡十分適合CAD系統(tǒng)的假陽性去除任務.

5.2 拿來主義

計算機視覺領域的研究表明CNN特征可以是通用的,能夠用在訓練網(wǎng)絡模型的特定領域之外.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域的目標檢測模型OverFeat作為CNN特征抽取器,來獲取CT圖像中的結節(jié)特征.他們采用LIDC數(shù)據(jù)集中865組CT圖像和結節(jié)檢測系統(tǒng)獲得候選結節(jié),抽取候選結節(jié)的矢狀面、冠狀面和軸向面的2D圖塊(Patches),接著抽取OverFeat網(wǎng)絡倒數(shù)第二層的4096維特征,最后采用SVM分類器進行結節(jié)類別分類.實驗表明,CNN特征和SVM分類方案并沒有達到專用檢測系統(tǒng)的性能水平,但是如果把兩者結合起來(達到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分類器進行組合分類實驗,在最佳操作點附近(靠近坐標(0,1)的位置),兩類特征的性能是可比的.實驗表明從自然圖像等完全不同的數(shù)據(jù)域中學習出的視覺核(Visual kernels,即指CNN特征抽取器)依然能夠為解決醫(yī)療圖像域的問題提供有用信息.

5.3 半監(jiān)督訓練

盡管各種醫(yī)療成像設備不斷地產生醫(yī)學圖像數(shù)據(jù),但是獲取充足的標注數(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)督預訓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行后續(xù)分類,通過對CNN模型的無監(jiān)督預訓練引入無標注數(shù)據(jù)可用的圖像類別信息可以實現(xiàn)領域自適配.實驗表明與隨機初始化模型參數(shù)相比,這種在不同圖像類別上進行無監(jiān)督預訓練的方式提升了分類準確率,并且預訓練的圖像域和精調的圖像域越接近,分類性能提升越明顯.

5.4 領域精調

Shin等[96]于2016年探討了使用深度卷積神經網(wǎng)絡(Deep convolution neural networks)進行計算機輔助檢測的三個主要問題,即:探索和評估了寬度(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網(wǎng)絡(CNN);描述了不同數(shù)據(jù)規(guī)模和空間圖像上下文對神經網(wǎng)絡性能的影響;討論了對于從ImageNet數(shù)據(jù)集預先訓練好的CNN模型,什么時候遷移學習是有價值的,以及為什么有價值.該工作還驗證了遷移學習的有效性,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,并進一步適配到了CAD領域.該方案在兩個CAD問題上進行了實驗分析,即胸腹淋巴結檢測(Thoraco-abdominal lymph node detection)和間質性肺病(Interstitial lung disease,ILD)分類.在縱膈淋巴結檢測上,該方案在3 FPs/patient配置點上,獲得了86%的敏感度,超過了之前的最好結果.

6 算法評測

比較已出版文獻中的不同檢測方法的性能并不容易,瓶頸在于構成不同檢測方案的參數(shù)不同,這些參數(shù)包括:性能評測準則、實驗所使用的數(shù)據(jù)集、目標病變類型的特性等.

6.1 評測指標

在醫(yī)學圖像分析領域,每個指標都會關注檢測算法性能的某個方面.對已發(fā)表文獻的調查表明,一些指標經常被使用,在一定程度上促進了檢測算法的性能比較.文獻統(tǒng)計研究還表明,盡管某些指標被大量采用,但是單位卻沒有統(tǒng)一.由于相關信息的缺失導致無法在不同單位之間進行換算,雖然使用了同一個指標,還是無法進行性能比較.例如假陽性率、假陽性數(shù),其中假陽性數(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為單位進行閱片,我們推薦采用FPs/scan作為性能指標.表1介紹了幾個常用評價指標的簡要描述和使用場景,推薦在肺部病變區(qū)域檢測中使用.

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CT圖像數(shù)據(jù)集,例如肺結節(jié)數(shù)據(jù)集Lung TIME、目前規(guī)模最大的LIDC-IDRI肺結節(jié)數(shù)據(jù)集、肺結節(jié)檢測算法評估數(shù)據(jù)集ANODE09、肺部常見征象數(shù)據(jù)集LISS等.其中ANODE 09評估數(shù)據(jù)集官方已推薦使用LIDC-IDRI數(shù)據(jù)集做算法評估,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,所以推薦在肺結節(jié)檢測方面采用LIDC-IDRI數(shù)據(jù)集,在肺部常見征象檢測方面采用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CT序列圖像,7371個被醫(yī)生標注為結節(jié)的病變區(qū)域,2669個被至少一個醫(yī)生標記為大于3mm的結節(jié)并被標出結節(jié)輪廓.雖然結節(jié)標注文件含有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節(jié)的分析,包含的征象類型也都是屬于結節(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)賽使用了該結節(jié)數(shù)據(jù)庫.

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,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個和層厚較小的3D病例19個,并包含了專業(yè)放射科醫(yī)生標注的征象區(qū)域及其征象類別等關鍵信息.

6.3 現(xiàn)有檢測方法性能分析

為促進已出版的肺部病變區(qū)域檢測系統(tǒng)的性能比較,本文制作了一張性能匯總表格,見表2.對每個參與比較的系統(tǒng),如果原始論文中有相應闡述,我們會給出如下信息:作者、出版年份、使用的數(shù)據(jù)集、檢測性能結果;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;關于檢測性能結果,本文列出敏感度、特異度、假陽性(默認單位FP/scan,也使用百分比)、Az(ROC曲線下面積)、DSC(Dice similarity coeきcient)、響應時間等.具有如下特點:

表1 檢測算法評價指標Table 1 The evaluation index of detection method

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

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

1)關于檢測任務.有18個工作的敏感度指標超過了90%,其中4個達到100%;對于特異度指標有7個超過了90%;假陽性指標的單位較復雜,在敏感度大于95%的情況下,各種假陽性單位的最小值分別為8.8%,2.45/scan,0.38/patient;Az指標超過0.95的有5個.如果同時考慮敏感度和特異度,則僅有4個工作同時超過了90%,即李陽等[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)計模式識別法、形態(tài)學法和深度學習法.其中深度學習方案一般采用大型公開數(shù)據(jù)集,由于訓練、評估得較充分,雖然在具體指標數(shù)值不是最高的,但應該具有較好的性能穩(wěn)定性,例如考慮Az指標的話,5個工作超過了0.95,其中三個采用的是深度學習方案.Cheng等[99]2016年發(fā)表于Nature-Scienti fi c Reports上的文章,對基于深度學習的計算機輔助診斷方法用于輔助良惡性結節(jié)/損傷的鑒別診斷進行了綜合性研究,實驗用數(shù)據(jù)包括合作醫(yī)院的520個乳腺損傷病例和來自LIDC-IDRI大規(guī)模公開數(shù)據(jù)集的1400個肺部結節(jié)數(shù)據(jù),文章報告了90.8±5.3%的敏感度和98.1±2.2%的特異度.作者指出深度學習方法避免了由不準確的圖像處理結果(例如邊緣分割)帶來的潛在錯誤和魯棒性欠佳的特征集引起的分類偏差.同時認為深度學習技術可能改變CAD系統(tǒng)的設計范式(Design paradigm),而不再需要明確設計和選擇面向問題的特征.

2)關于分割任務.DSC指標超過85%的有4個工作,其中3個屬于形態(tài)結構分析方法,1個屬于跟蹤方法,可見形態(tài)分析法在分割類任務中較為流行,性能也較好.

需要注意的是,本文僅關注了文獻中出現(xiàn)頻率最高的常用指標,有一些工作雖然也取得了優(yōu)異性能,但因為使用了其他指標,不方便進行對比分析.例如Chen等[43]檢測淋巴結的工作,獲得了100%的檢測成功率和95%的正確臨床評估率,并且具有平均2.58秒的高效計算性能.

7 目前存在的問題與未來發(fā)展趨勢

7.1 應注意的若干問題

CAD研究已經取得一些進展,但一些關于肺部病變區(qū)域檢測的問題需要注意.

1)真陽性判斷準則.確定檢測出的區(qū)域是否為真正的目標區(qū)域,對實驗結果的評估具有一定影響.例如可以在系統(tǒng)輸出的結節(jié)中心到金標準(Ground truth)結節(jié)中心的距離小于金標準結節(jié)的半徑時,認為輸出結節(jié)為真陽性;也可以計算系統(tǒng)輸出結節(jié)區(qū)域和金標準結節(jié)區(qū)域的重疊率并指定閾值作為判斷準則.

2)性能比較.由于多數(shù)文獻使用敏感度、特異度、假陽性數(shù)/scan作為性能指標,本文推薦采用這些指標以方便對比.另一方面,應盡可能采用公開的醫(yī)學圖像數(shù)據(jù)集,并說明具體使用了哪些病例數(shù)據(jù),或者說明選擇實驗所用病例的方法.

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

4)基準數(shù)據(jù)集.目前肺部CT研究領域最大的公開數(shù)據(jù)庫LIDC-IDRI擁有1018個病例數(shù)據(jù),即便這樣離完全訓練深度學習網(wǎng)絡還存在較大差距,所以目前的深度學習方法在醫(yī)學領域內多采用參數(shù)遷移的調優(yōu)路徑.開發(fā)更大規(guī)模的肺部CT標注圖像集,或者在新建數(shù)據(jù)集時采用與LIDC-IDRI相同的數(shù)據(jù)標注協(xié)議,以方便綜合利用多個數(shù)據(jù)集,對于肺部CAD領域的進一步發(fā)展十分迫切,尤其是對深度學習方法的研究.

7.2 主要發(fā)展趨勢

傳統(tǒng)的CAD技術路徑一般都有圖像數(shù)據(jù)預處理、候選區(qū)域分割、假陽性去除等步驟,會依次涉及圖像增強、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)點是能較充分考慮某種病變類型的特點,但缺點也是明顯的:1)魯棒性不高,例如往往針對某種結節(jié)類型的算法設計,一旦遇到另一種結節(jié)類型,其性能會急劇下降,甚至在新的數(shù)據(jù)集上表現(xiàn)出較差性能;2)每個步驟的性能都對下一步處理產生影響,但是又只能進行逐步驟訓練,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,需要進行從預處理開始的全新的設計和算法訓練測試.

目前醫(yī)學圖像病變區(qū)域檢測技術發(fā)展呈現(xiàn)如下趨勢:

1)深度學習技術的應用.近年來深度學習的興起主要得益于ImageNet等大型標注數(shù)據(jù)集的發(fā)展和高性能計算等硬件資源的發(fā)展,已表現(xiàn)出極好的擴展性,在ImageNet等大型數(shù)據(jù)集上訓練好的模型,在醫(yī)學圖像中僅進行并不復雜的調優(yōu)訓練后即可表現(xiàn)出優(yōu)異性能,應該對該技術進行嘗試性研究.

2)系統(tǒng)結構簡化.在肝臟的病變區(qū)域檢測中,Christ等[110]設計出融合多個CNN模型的深度學習系統(tǒng),一次性實現(xiàn)了圖像預處理(含肝臟區(qū)域分割)、感興趣區(qū)域分割、假陽性去除等功能,從而簡化了CAD系統(tǒng)結構,這對肺部CT圖像病變區(qū)域檢測的CAD系統(tǒng)研究具有參考價值.

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)是一種時間遞歸神經網(wǎng)絡,之前主要應用在語言識別、語言模型、機器翻譯、圖像字幕等領域.Lipton等[111]充分展示了遞歸網(wǎng)絡在處理和分析時序醫(yī)學數(shù)據(jù)上的潛力.Hofmanninger等[112]于2015年提出和評估了一種語義概述(Semantic pro fi les)算法,基于圖像卷和放射報告里描述放射征象的術語集進行弱監(jiān)督訓練.該算法可以捕獲對應于臨床相關術語的視覺信息,而且允許將臨床術語反向映射到圖像數(shù)據(jù)里的相應區(qū)域.從CAD系統(tǒng)的應用角度看,可以嘗試與醫(yī)療機構緊密合作,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,王遠軍,聶生東,孫希文.檢測肺結節(jié)的3維自適應模板匹配.中國圖象圖形學報,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.基于肺部高分辨率CT影像的肺結節(jié)識別方法研究[博士學位論文],東北大學,中國,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,夏順仁,陳興燦,郝欣.基于CT 圖像的肺結節(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.儀器儀表學報,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.計算機科學,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)學的淋巴結圖像分割.計算機科學,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.結合多尺度圓形濾波與MS聚類的疑似結節(jié)分割.儀器儀表學報,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,王遠軍,孫希文,鄭斌.改進的模糊聚類亞實質肺結節(jié)3維分割.中國圖形學報,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,王遠軍,魯雯.一種基于三維特征的肺結節(jié)概率分割算法.生物醫(yī)學工程學雜志,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.一種基于模糊主動輪廓的魯棒局部分割方法.自動化學報,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)的活動輪廓模型的肺結節(jié)分割.自動化學報,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,董恩清.窄帶主動輪廓模型及在醫(yī)學和紋理圖像局部分割中的應用.自動化學報,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,吳志強,曹蕾.基于自適應體窗結構分析的肺結節(jié)檢測方法.南方醫(yī)科大學學報,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,強永乾,于楠,鄧蕾,郭佑民.空洞檢測算法自動化檢測肺結節(jié)內空泡和空洞的可行性.中國醫(yī)學影像技術,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.基于星形先驗和圖割的肺部四維計算機斷層掃描腫瘤自動分割.生物醫(yī)學工程學雜志,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在肺結節(jié)ROI自動檢測中的應用研究.計算機工程與應用,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,史東承,王珂,王燕,魏艷芳.基于圖像模式的肺結節(jié)識別.吉林大學學報(工學版),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,田學東.聚類分析在肺結節(jié)識別中的應用.計算機應用,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,汶德勝,馮筠,崔瑩.一種新策略的肺結節(jié)檢測算法.電子學報,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算法設計及在胸CT圖像病灶檢測中的應用.模式識別與人工智能,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網(wǎng)絡.自動化學報,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

國家自然科學基金(60973059,81171407),教育部新世紀優(yōu)秀人才支持計劃(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)

本文責任編委張道強

Recommended by Associate Editor ZHANG Dao-Qiang

1.北京理工大學計算機學院智能信息技術北京市重點實驗室北京100 081

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

1在醫(yī)學影像領域,CAD系統(tǒng)可分為計算機輔助檢測(Computeraided detection,CADe)和計算機輔助診斷(Computer-aided diagnosis,CADx)兩種,本文主要關注CADe問題,在不引起混淆的情況下,本文使用CAD表示計算機輔助檢測.

韓光輝,劉峽壁,鄭光遠.肺部CT圖像病變區(qū)域檢測方法.自動化學報,2017,43(12):2071?2090

DOI10.16383/j.aas.2017.c160850

韓光輝 北京理工大學計算機學院博士研究生.主要研究方向為醫(yī)學圖像分析,機器學習.

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 北京理工大學計算機學院副教授.主要研究方向為機器學習,醫(yī)學圖像分析,多媒體檢索,計算機視覺.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 北京理工大學計算機學院博士研究生.主要研究方向為機器學習,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.)