一种基于ARG的肺结节良恶性度判定方法

doi:10.12068/j.issn.1005-3026.2018.07.007

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (7): 942-948.DOI: 10.12068/j.issn.1005-3026.2018.07.007

一种基于ARG的肺结节良恶性度判定方法

赵海，杨婷婷，朱宏博，窦圣昶

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2017-02-27 修回日期:2017-02-27 出版日期:2018-07-15 发布日期:2018-07-11
通讯作者: 赵海
作者简介: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:
辽宁省科学技术计划项目(2015401039)；辽宁省教育厅重点实验室基金资助项目(LZ2014015).国家自然科学基金资助项目(51171041).

Method of Measuring the Benign and Malignancy of Pulmonary Nodules Based on ARG

ZHAO Hai， YANG Ting-ting， ZHU Hong-bo， DOU Sheng-chang

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

Received:2017-02-27 Revised:2017-02-27 Online:2018-07-15 Published:2018-07-11
Contact: YANG Ting-ting
About author:-
Supported by:
-

摘要/Abstract

摘要： 基于CT影像的肺结节的良恶性识别是肺癌诊断的重要环节，针对这一问题，提出一种基于属性关系图(attributed relational graph， ARG)的肺结节良恶性度判定方法.该方法以肺结节CT图像块作为输入，利用ARG构建其特征结构，并从大量ARGs中挖掘与或图(and-or graph， AoG)作为肺结节类别识别模板，即肺结节良恶性度判定的依据.此外，为提高模板挖掘效率，该方法利用马尔可夫毯(Markov blanket， MB)发现算法去除图像中的冗余特征，降低ARG节点数量.实验结果表明，该方法对恶性肺结节的识别率达到90.12%，能够帮助正确、快速辨识与分析肺结节良恶性，具有一定的实用价值.

关键词: ARG, 与或图, 马尔可夫毯, 肺结节, 良恶性

Abstract: Identification of benign and malignant pulmonary nodules is an important task during the diagnosis of lung cancer. Aimed for solving this problem， a method of measuring the malignancy of pulmonary nodules based on the attributed relational graph (ARG) was proposed. Feature structures of input lung nodule CT image patches were constructed with ARGs and the nodule category template was built by mining and-or graph (AoG) from ARGs in the proposed method. Moreover， Markov blanket discovering algorithm was applied for discriminative features selection to reduce the node number of ARGs， so the computational complexity of the graph matching for AoG mining was greatly reduced. Experimental results show that the recognition rate of malignant pulmonary nodules is up to 90.12%， thus the proposed method can help identify the benign and malignant pulmonary nodules accurately and rapidly.

Key words: ARG (attributed relational graph), and-or graph, Markov blanket, pulmonary nodule, benign and malignant

中图分类号:

TP391

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.

ZHAO Hai， YANG Ting-ting， ZHU Hong-bo， DOU Sheng-chang. Method of Measuring the Benign and Malignancy of Pulmonary Nodules Based on ARG[J]. Journal of Northeastern University Natural Science, 2018, 39(7): 942-948.

参考文献

[1]Zhang F，Song Y，Cai W，et al.Lung nodule classification with multilevel patch-based context analysis［J］.IEEE Transactions on Biomedical Engineering，2014，61(4):1155-1166.
[2]Zinovev D，Feigenbaum J，Furst J，et al.Probabilistic lung nodule classification with belief decision trees［C］//International Conference of the IEEE Engineering in Medicine & Biology Society.Boston，2011:4493-4498.
[3]Chen H，Wu W，Xia H，et al.Classification of pulmonary nodules using neural network ensemble［C］//International Conference on Advances in Neural Networks.Berlin:Springer，2011:460-466.
[4]Kumar D，Wong A，Clausi D A.Lung nodule classification using deep features in CT images［C］//Conference on Computer and Robot Vision.Santiago:IEEE Computer Society，2015:133-138.
[5]Han F，Wang H，Zhang G，et al.Texture feature analysis for computer-aided diagnosis on pulmonary nodules［J］.Journal of Digital Imaging，2015，28(1):99-115.
[6]Shen W，Zhou M，Yang F，et al.Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification［J］.Pattern Recognition，2017，61(61):663-673.
[7]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.
[8]Kostis W J，Reeves A P，Yankelevitz D F，et al.Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images［J］.IEEE Transactions on Medical Imaging，2003，22(10):1259-1274.
[9]Aksoy S.Modeling of remote sensing image content using attributed relational graphs［C］//Joint Iapr International Conference on Structural，Syntactic，and Statistical Pattern Recognition.Berlin:Springer-Verlag，2006:475-483.
[10]Lu Y，Wu T，Zhu S C.Online object tracking，learning，and parsing with and-or graphs［C］//Computer Vision and Pattern Recognition.Columbus:IEEE，2014:3462-3469.
[11]Bengoetxea E，Bloch I.Inexact graph matching for model-based recognition:evaluation and comparison of optimization algorithms［J］.Pattern Recognition，2005，38(11):2099-2113.
[12]Zhang Q，Wu Y N，Zhu S C.Mining and-or graphs for graph matching and object discovery［C］//IEEE International Conference on Computer Vision.Santiago:IEEE Computer Society，2015:55-63.
[13]Zhang Y，Zhang Z，Liu K，et al.An improved IAMB algorithm for Markov blanket discovery［J］.Journal of Computers，2010，5(11):1755-1761.
[14]Tian G，Qiang J.Efficient Markov blanket discovery and its application［J］.IEEE Transactions on Cybernetics，2016，47(5):1169-1179.
[15]Singh S，Gupta A，Efros A A.Unsupervised discovery of mid-level discriminative patches［C］//Computer Vision.Berlin:Springer-Verlag，2012:73-86.

一种基于ARG的肺结节良恶性度判定方法

Method of Measuring the Benign and Malignancy of Pulmonary Nodules Based on ARG

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 13

编辑推荐

Metrics

本文评价

[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]	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.
[3]	赵建喆，吴辰铌，王兴伟，裴丽亚. 基于马尔可夫毯的贝叶斯网络结构学习算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 464-470.
[4]	孙航，李宏，刘思琪，张伟. 基于双侧TIC定量特征的乳腺肿瘤良恶性鉴别[J]. 东北大学学报:自然科学版, 2019, 40(4): 473-477.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.