基于CT图像3D特征的肺结节检测

doi:10.12068/j.issn.1005-3026.2018.02.007

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (2): 181-185.DOI: 10.12068/j.issn.1005-3026.2018.02.007

基于CT图像3D特征的肺结节检测

王彬，赵海，朱宏博，朴春赫

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2016-08-10 修回日期:2016-08-10 出版日期:2018-02-15 发布日期:2018-02-09
通讯作者: 王彬
作者简介:王彬(1988-)，男，辽宁沈阳人，东北大学博士研究生; 赵海(1959-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
中央高校基本科研业务费专项资金资助项目( N140405004，N161608001); 辽宁省科技厅重点实验室建设基金资助项目( LZ201015).

Pulmonary Nodules Detection Based on 3D Features from CT Images

WANG Bin， ZHAO Hai， ZHU Hong-bo， PAK Chun-hyok

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Received:2016-08-10 Revised:2016-08-10 Online:2018-02-15 Published:2018-02-09
Contact: WANG Bin
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了提高肺结节检测的性能，提出一种基于中心点连续性的肺结节检测算法.该算法使用基于简单线性迭代聚类超像素方法分割CT图像，并根据相似度合并超像素，进而得到肺部区域及疑似肺结节区域，降低了疑似肺结节的漏检率.根据各帧CT图像中疑似肺结节区域的中心点偏移程度评价其中心点连续性，最终判断出阳性肺结节.文中的实验数据来自于上海市胸科医院和LIDC数据库.实验结果表明，改进后算法的敏感度达到86.36%，假阳性率为1.76.

关键词: 肺结节, 肺结节检测, 肺结节分割, 超像素, SILC, 中心点连续性

Abstract: A detection method based on the center continuity is proposed to improve the performance of pulmonary nodules detection. CT images are segmented by using SLIC (simple linear iterative clustering) superpixel algorithm in the method. Superpixels are merged according to the similarity to extract pulmonary areas and suspected pulmonary nodule areas， which reduces the missing rate of suspected pulmonary nodules. Suspected pulmonary nodules are diagnosed as positive which keeping center continuous in 3D space. All of CT images in experiments are obtained from Shanghai chest hospital and LIDC database. The experimental results of the improved algorithm show that sensitivity is 86.36% and false positive is 1.76.

Key words: pulmonary nodule, pulmonary nodule detection, pulmonary nodule segmentation, superpixel, SLIC (simple linear iterative clustering), center continuity

中图分类号:

TP391.41

王彬，赵海，朱宏博，朴春赫. 基于CT图像3D特征的肺结节检测[J]. 东北大学学报:自然科学版, 2018, 39(2): 181-185.

WANG Bin， ZHAO Hai， ZHU Hong-bo， PAK Chun-hyok. Pulmonary Nodules Detection Based on 3D Features from CT Images[J]. Journal of Northeastern University Natural Science, 2018, 39(2): 181-185.

参考文献

[1]Brandman S，Ko J P.Pulmonary nodule detection，characterization，and management with multidetector computed tomography［J］.Journal of Thoracic Imaging，2011，26(2):90-105.
[2]Choi W J，Choi T S.Automated pulmonary nodule detection system in computed tomography images:a hierarchical block classification approach［J］. Entropy，2013，15(2):507-523.
[3]El-Baz A，Beache G M，Gimel′farb G，et al.Computer-aided diagnosis systems for lung cancer:challenges and methodologies［J/OL］.［2016-06-20］.https://www.researchgate.net/publication/235691825_Computer-Aided_Diagnosis_Systems_for_Lung_Cancer_Challenges_and_Methodologies.
[4]Alilou M，Kovalev V，Snezhko E，et al.A comprehensive framework for automatic detection of pulmonary nodules in lung CT images［J］.Image Analysis & Stereology，2014，33(1):13-27.
[5]Demir ，amurcu A Y.Computer-aided detection of lung nodules using outer surface features［J］.Biomedical Materials and Engineering，2015，26(sup1):1213-1222.
[6]Foncubierta-Rodríguez A，Müller H，Depeursinge A.Retrieval of high-dimensional visual data:current state，trends and challenges ahead［J］.Multimedia Tools and Applications，2014，69(2):539-567.
[7]Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state-of-the-art superpixel method［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(11):2274-2282.
[8]Krishnamurthy S，Narasimhan G，Rengasamy U.Three-dimensional lung nodule segmentation and shape variance analysis to detect lung cancer with reduced false positives［J］.Proceedings of the Institution of Mechanical Engineers，Part H:Journal of Engineering in Medicine，2016，230(1):58-70.
[9]Li X，Wang X，Dai Y，et al.Supervised recursive segmentation of volumetric CT images for 3D reconstruction of lung and vessel tree［J］.Computer Methods and Programs in Biomedicine，2015，122(3):316-329.
[10]Tan M，Deklerck R，Jansen B，et al.A novel computer-aided lung nodule detection system for CT images［J］.Medical Physics，2011，38(10):5630-5645.

[1]	罗家健，冯宝，陈相猛，顾正晖. 基于生成对抗网络的肺结节良恶性诊断算法[J]. 东北大学学报（自然科学版）, 2022, 43(1): 24-32.
[2]	赵海，杨婷婷，朱宏博，窦圣昶. 一种基于ARG的肺结节良恶性度判定方法[J]. 东北大学学报:自然科学版, 2018, 39(7): 942-948.
[3]	徐久强，洪丽萍，朱宏博，赵海. 一种用于肺结节恶性度分类的生成对抗网络[J]. 东北大学学报:自然科学版, 2018, 39(11): 1556-1561.
[4]	窦圣昶，赵海，朱宏博，王彬. 修正与融合的肺部分割算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1562-1566.
[5]	孟琭，陈妹雅. 多目标显著性区域提取算法[J]. 东北大学学报:自然科学版, 2018, 39(10): 1380-1384.
[6]	朴春赫，曹鹏，赵海，朱宏博. 基于CV模型与改进ME模型的肺癌检测算法[J]. 东北大学学报:自然科学版, 2017, 38(5): 639-644.
[7]	依玉峰;高立群;郭丽;. 一种基于改进随机游走的肺结节分割方法[J]. 东北大学学报(自然科学版), 2012, 33(3): 318-322.
[8]	裴晓敏;郭宏宇;戴建平;. 融合像素空间信息及加权模糊聚类的肺结节识别[J]. 东北大学学报(自然科学版), 2010, 31(9): 1250-1253.
[9]	栾国欣;魏颖;薛定宇;. 一种改进的边界法向量叠加疑似肺结节提取[J]. 东北大学学报(自然科学版), 2010, 31(8): 1078-1081.
[10]	刘阳;赵大哲;刘积仁;. 基于K-L变换和支持向量机的三维肺结节识别[J]. 东北大学学报(自然科学版), 2009, 30(9): 1249-1252.
[11]	贾同;孟琭;赵大哲;王旭;. 基于CT图像的自动肺实质分割方法[J]. 东北大学学报(自然科学版), 2008, 29(7): 965-967+975.

基于CT图像3D特征的肺结节检测

Pulmonary Nodules Detection Based on 3D Features from CT Images

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 11

编辑推荐

Metrics

本文评价