修正与融合的肺部分割算法

doi:10.12068/j.issn.1005-3026.2018.11.009

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (11): 1562-1566.DOI: 10.12068/j.issn.1005-3026.2018.11.009

修正与融合的肺部分割算法

窦圣昶，赵海，朱宏博，王彬

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2017-08-10 修回日期:2017-08-10 出版日期:2018-11-15 发布日期:2018-11-09
通讯作者: 窦圣昶
作者简介:窦圣昶(1988-)，男，山东泰安人，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.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
辽宁省科技厅软课题(2015401039); 辽宁省教育厅重点实验室基金资助项目(LZ2014015)

Modify and Integrate Lung Segmentation Algorithm

DOU Sheng-chang， ZHAO Hai， ZHU Hong-bo， WANG Bin

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

Received:2017-08-10 Revised:2017-08-10 Online:2018-11-15 Published:2018-11-09
Contact: DOU Sheng-chang
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了能在适当的计算复杂度下获得较好的分割效果，在总结现有方法优缺点的基础上提出了将简单方法进行修正与融合的肺部分割方法.首先使用聚类的方法将CT图像中的像素点分为亮与暗两类，获得灰度值不同的小区域，然后区分出初始肺部的大致区域，最后根据CT图像的具体特性，使用识别出的初始肺部区域边界附近像素点的梯度以及灰度信息对边界进行修正.使用上述综合方法对CT图像的处理结果表明，在计算复杂度不是太大的情况下能获得较好的分割效果.

关键词: CT图像, 肺结节, 融合, 聚类, 梯度

Abstract: In order to obtain better segmentation results under acceptable computational complexity， the advantages and disadvantages of the existing methods are summarized， and then the lung segmentation method which modifies and integrates the simple methods is proposed. Firstly， the clustering method is used to classify the pixels in CT images into two categories， and the small regions with different gray values are obtained. And then the initial region of the lung is identified. Finally， according to the specific characteristics of the CT image， the boundary is corrected by using the gradient and the gray information of the pixels near the initial lung boundary. The processing results of CT images using the above synthesis method show that the segmentation results can be better when the computational complexity is not too large.

Key words: CT images, pulmonary nodules, integrate, clustering, gradient

中图分类号:

TP391.4

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.

DOU Sheng-chang， ZHAO Hai， ZHU Hong-bo， WANG Bin. Modify and Integrate Lung Segmentation Algorithm[J]. Journal of Northeastern University Natural Science, 2018, 39(11): 1562-1566.

参考文献

[1]郭薇.面向多种医学图像的肺癌计算机辅助诊断关键技术研究［D］.沈阳:东北大学，2011.(Wei Guo.Study on the key techniques of computer-aided diagnosis for lung cancer in medical images［D］.Shengyang:Northeastern University.2011.)
[2]Jacobs C.Automatic detection and characterization of pulmonary nodules in thoracic CT scans［D］.Nijmegen:Radboud University Nijmegen，2015.
[3]Shen S，Bui A A T，Cong J，et al.An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy［J］.Computers in Biology and Medicine，2015，57:139-149.
[4]Armato S G，Sensakovic W F.Automated lung segmentation for thoracic CT:impact on computer-aided diagnosis1［J］.Academic Radiology，2004，11(9):1011-1021.
[5]Dai S，Lu K，Dong J，et al.A novel approach of lung segmentation on chest CT images using graph cuts［J］.Neurocomputing，2015，168:799-807.
[6]Dogˇanay E，Kara S，zelik H K，et al.A hybrid lung segmentation algorithm based on histogram-based fuzzy C-means clustering［J］.Computer Methods in Biomechanics and Biomedical Engineering:Imaging & Visualization，2017(sup):1-11.
[7]Senthilkumar T K，Ganesh E N，Umamaheswari R.Lung nodule volume growth analysis and visualization through auto-cluster k-means segmentation and centroid/shape variance based false nodule elimination［J］.Biomedical Research，2017，28(5):1-6.
[8]Harrison A P，Xu Z，George K，et al.Progressive and multi-path holistically nested neural networks for pathological lung segmentation from CT images［C］// International Conference on Medical Image Computing and Computer-Assisted Intervention.Quebec City:Springer，Cham，2017:621-629.
[9]Arbabshirani M R，Dallal A H，Agarwal C，et al.Accurate segmentation of lung fields on chest radiographs using deep convolutional networks［C］//SPIE Medical Imaging.International Society for Optics and Photonics.Qrlando，2017:1013305-1013305-6.
[10]Van Rikxoort E M，de Hoop B，Viergever M A，et al.Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection［J］.Medical Physics，2009，36(7):2934-2947.

[1]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[2]	耿蓉，张昭，牛天水，王宇飞. 基于改进蚁群算法的天基资源调度研究与仿真[J]. 东北大学学报（自然科学版）, 2023, 44(2): 168-176.
[3]	马淑华，尤海荣，唐亮，何平. 一种自适应的密度峰值聚类算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 761-768.
[4]	刘军，代福成，辛宁. 基于多目标优化的虚拟机部署策略[J]. 东北大学学报（自然科学版）, 2022, 43(5): 609-617.
[5]	李建华，朱泽阳，徐礼胜，孙国哲. 基于深度嵌入聚类的ICU患者生理数据缺失插补[J]. 东北大学学报（自然科学版）, 2022, 43(5): 639-645.
[6]	杨爱萍，王朝臣，王建，张腾飞. 基于自适应感知金字塔网络的图像去雨[J]. 东北大学学报（自然科学版）, 2022, 43(4): 470-479.
[7]	于泊明，张兰霞，杨硕，李爽. 组织-员工工作家庭边界融合度匹配对员工工作幸福感及工作繁荣的影响[J]. 东北大学学报（自然科学版）, 2022, 43(3): 448-456.
[8]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[9]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[10]	栾峰，杨帆，蔡睿智，杨晨. 基于双字典自适应学习算法的低采样率CT重建[J]. 东北大学学报（自然科学版）, 2022, 43(12): 1709-1716.
[11]	孟红记，刘沛谚，胡振伟. 基于注意力特征融合稠密网络的图像去雾算法[J]. 东北大学学报（自然科学版）, 2022, 43(12): 1717-1723.
[12]	连静，陈实，丁堃，李琳辉. 基于多尺度密集特征融合的生成式对抗除雾网络[J]. 东北大学学报（自然科学版）, 2022, 43(11): 1591-1598.
[13]	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.
[14]	王庆东，郭立新，张驰，张东祥. 不同椎间融合方法对腰椎动态特性的影响[J]. 东北大学学报（自然科学版）, 2022, 43(1): 76-82.
[15]	王姝，任玉，关展旭，王晶. 基于差异信息量的多源数据融合方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1246-1253.

修正与融合的肺部分割算法

Modify and Integrate Lung Segmentation Algorithm

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 15

编辑推荐

Metrics

本文评价