基于CV模型与改进ME模型的肺癌检测算法

doi:10.12068/j.issn.1005-3026.2017.05.007

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (5): 639-644.DOI: 10.12068/j.issn.1005-3026.2017.05.007

基于CV模型与改进ME模型的肺癌检测算法

朴春赫¹，曹鹏^1,2，赵海¹，朱宏博¹

(1. 东北大学信息科学与工程学院，辽宁沈阳110819; 2. 中国医科大学公共基础学院，辽宁沈阳110122)

收稿日期:2015-12-11 修回日期:2015-12-11 出版日期:2017-05-15 发布日期:2017-05-11
通讯作者: 朴春赫
作者简介:朴春赫(1976-)，男，朝鲜平壤人，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:
国家科技支撑计划项目(2012BAH82F04).

A Lung Cancer Detection Algorithm Based on CV Model and Improved ME Model

PAK Chun-hyok¹， CAO Peng^{1, 2}， ZHAO Hai¹， ZHU Hong-bo¹

1. School of Information Science & Engineering， Northeastern University， Shenyang 110819， China; 2. School of Public Foundation， China Medical University， Shenyang 110122， China.

Received:2015-12-11 Revised:2015-12-11 Online:2017-05-15 Published:2017-05-11
Contact: CAO Peng
About author:-
Supported by:
-

摘要/Abstract

摘要：

针对CT影像中恶性肺结节病灶难以自动检测的问题，提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性，首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割，因这两种分割方法收缩效果不同，故得到两种不同的结节区域，再计算这两种区域之间的面积差异得到该区域的模糊程度，最后计算得到模糊程度比较阈值，以此判断是否存在癌症.实验结果表明，该算法对于肺部CT影像中的癌症检测具有较高的准确率.

关键词: 图像分割, 水平集算法, CV模型, ME模型, 肺结节检测

Abstract:

According to solve the problem that it is difficult to automatically detect lung nodule lesions in CT images， a lung cancer detection algorithm was proposed based on Chan-Vese model (CV model) and improved mean square error model (ME model). As the degree of fuzziness of nodular boundary is the most important indicator of evaluating lung nodule in CT images study， two interactive image segmentation algorithms were employed in the proposed method based on CV model and improved ME model to process the CT image. Since the shrinkage of these two algorithms vary， two different nodular boundaries were got， and the degree of fuzziness of nodular according to the boundary difference was computed. Lastly， by comparing the degree of fuzziness of nodular， the threshold value to diagnose cancer was determined. The experimental evaluation demonstrates that compared with existing methods， the algorithm can detect lung cancer with higher accuracy in CT images.

Key words: image segmentation, level-set method, CV model, ME model, lung nodule detection

中图分类号:

TP391.4

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.

PAK Chun-hyok， CAO Peng,ZHAO Hai， ZHU Hong-bo. A Lung Cancer Detection Algorithm Based on CV Model and Improved ME Model[J]. Journal of Northeastern University:Natural Science, 2017, 38(5): 639-644.

参考文献

[1]翟志伟.基于CT图像的肺部肿瘤检测与诊断［D］.哈尔滨:哈尔滨工业大学， 2014.(Zhai Zhi-wei.Detection and diagnosis of lung nodules on CT images［D］.Harbin:Harbin Institute of Technology，2014.)
[2]崔颖，王小鹏，于挥.肺实质CT图像分割方法［J］.计算机工程与设计，2015，36(5):1274-1310.(Cui Ying，Wang Xiao-peng，Yu Hui.Segmentation method for CT image of lung parenchyma［J］. Computer Engineer and Design，2015，36(5):1274-1310.)
[3]Armato S G，Sensakovic W F.Automated lung segmentation for thoracic CT［J］.Acad Radiol，2004，11(9):1011-1021.
[4]Hu S，Hoffman E A，Reinhardt J M.Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images［J］.IEEE Transaction on Medical Imaging，2001，20(6):490-498.
[5]Awai K，Murao K，Ozawa A，et al.Pulmonary nodules at chest CT:effect of computer-aided diagnosis on radiologists’ detection performance［J］.Radiology，2004，230(2):347-352.
[6]Gurcan M N，Sahiner B，Petrick N，et al.Lung nodule detection on thoracic computed tomography images:preliminary evaluation of a computer-aided diagnosis system［J］.Medical Physics，2002，29(11):2552-2558.
[7]张周芳，黄洁惠，邵国良.双源CT双能量成像在肺癌病理类型鉴别中的应用价值［J］.肿瘤学杂志，2015，21(5):392-395.(Zhang Zhou-fang，Huang Jie-hui，Shao Guo-liang.Application value of dual-energy CT imaging in the differential diagnosis of pathological types of lung cancer［J］.Journal of Chinese Oncology，2015，21(5):392-395.)
[8]Osher S，Paragios N.Geometric level set methods in imaging， vision， and graphics［M］.Berlin:Springer， 2003.
[9]Chan T F，Vese L A.Active contours without edges［J］.IEEE Transactions on Image Processing， 2001， 10(2):266-277.
[10]Rousson M，Deriche R.A variational framework for active and adaptative segmentation of vector valued images［C］//Motion and Video Computing.New York:IEEE，2002:56-61.
[11]Xu C Y，Prince J L.Snakes，shapes and gradient vector flow［J］.IEEE Transactions on Image Processing，1998，7(3):359-369.
[12]Chuang C H，Lie W N.A downstream algorithm based on extended gradient vector flow field for object segmentation［J］.IEEE Transactions on Image Processing，2004，13(10):1379-1392.

[1]	魏颖，林子涵，齐林，李伯群. 基于空间自注意力机制和深度特征重建的脑MR图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 177-185.
[2]	张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.
[3]	佘黎煌，郭一蓉，张石. 基于方向分数和Frangi滤波器的视网膜血管分割算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 182-187.
[4]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[5]	马树军，方锐. 数字全息显微中的相位像差自动补偿算法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1591-1595.
[6]	卢绍文，李鹏琦，郑秀萍，郭章. 动态火焰图像分割及在电熔镁炉视频监控中的应用[J]. 东北大学学报:自然科学版, 2019, 40(2): 153-158.
[7]	陈红，于晓升，吴成东，孙鹏. 参数化水平集活动轮廓模型的快速图像分割算法[J]. 东北大学学报:自然科学版, 2019, 40(1): 6-10.
[8]	李宏，孙航，刘圣楠，潘诗农. 基于3D-CT图像的髋脱位定量智能诊断方法[J]. 东北大学学报:自然科学版, 2018, 39(2): 190-194.
[9]	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.
[10]	魏颖，张开，韩枫. 改进的基于ASFCM婴幼儿脑部MRI分割算法[J]. 东北大学学报:自然科学版, 2017, 38(8): 1079-1084.
[11]	于晓升，胡楠. 基于局部灰度聚类的高斯分布拟合模型[J]. 东北大学学报:自然科学版, 2017, 38(2): 185-189.
[12]	徐礼胜，郭增智，覃文军，王璐. 心脏核磁共振图像左心室底层组织分割方法[J]. 东北大学学报:自然科学版, 2017, 38(10): 1383-1387.
[13]	张耀楠，朱江源，徐钰，康雁. 基于影像数据的心室隔膜形态分析[J]. 东北大学学报:自然科学版, 2014, 35(8): 1112-1116.
[14]	吴春俐，张宪林，聂荣，丁山. 基于小波变换的改进DDGVF医学图像分割算法[J]. 东北大学学报:自然科学版, 2014, 35(6): 790-794.
[15]	张耀楠，陈传慎，康雁. 基于仿射传播聚类选择的多Atlas右心室精准分割[J]. 东北大学学报:自然科学版, 2014, 35(6): 795-799.

基于CV模型与改进ME模型的肺癌检测算法

A Lung Cancer Detection Algorithm Based on CV Model and Improved ME Model

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