论文部分内容阅读
近年来,随着新型数字化医疗成像设备的出现与普及,计算机应用技术的快速发展,计算机辅助诊断(Computer-aided Diagnosis, CAD)已经成为医学影像学、计算机科学中重要的研究领域。计算机辅助诊断是利用计算机对数字医学影像进行分析处理,从而获得对医生的临床诊断决策具有实际参考价值的辅助信息,减少放射科医生的工作量及单独阅片的疏漏。本文以CT(Computed tomography)图像与多投影相关图像中的肺癌病灶为研究对象,对CAD设计开发中的关键技术进行研究。通过对肺部图像数据库联盟(Lung Image Database Consortium, LIDC)提供的85组CT图像数据及美国杜克大学放射学系提供的59组多投影相关图像进行实验,与目前已有的结节检测算法相比,本文提出的方法取得更好的检测结果。本文工作主要包括：(1)基于有序均匀视点重构(Sequential uniform viewpoint reformation, SUVR)技术的CT图像肺结节检测算法当前已有的CAD算法只采用三维全局信息,忽略局部二维信息,产生过多的假阳性结节。据此,本文提出一种使用SUVR技术提取局部二维信息来检测结节的CAD算法。该技术首先生成均匀分布在候选结节表面上的有序视点,接着将三维空间的候选结节分解为由所有有代表性视点产生的二维再生平面中的一组二维候选结节。由于结节在绝大多数视点平面中会呈现类圆形,而血管等假阳性结节在许多视点平面中总会呈现线形,所以使用“有效”视点的平面可以很容易的区分结节与血管等假阳性结节。基于SUVR技术的结节检测算法由候选结节的初始检测、使用SUVR技术生成二维再生图像、二维再生图像中候选结节的分割、特征提取以及使用分段线性分类器除去假阳性结节五个模块组成。实验结果表明,基于SUVR技术的肺结节检测算法能显著提高CAD的检测性能。(2)利用局部和全局信息的高性能CT图像肺结节检测算法本文提出利用局部二维信息和全局三维信息的高性能CT图像肺结节检测算法,使用基于特征、检测方法及检测结果的五种算法来融合二维与三维信息。基于特征融合的分类检测方法(1种方法)是指分类时同时使用二维、三维特征。基于检测方法融合的分类检测方法(2种方法)是指先使用二维(三维)特征分类检测结节,在敏感性为85%时停止,再使用三维(二维)特征分类检测结节。基于检测结果融合的分类检测方法(2种方法)是指分别使用二维、三维信息来分类检测结节,对两种检测结果取交集或者并集。实验结果表明,五种算法的检测性能相近,都明显优于仅使用局部二维信息或者全局三维信息获得的结节检测性能。(3)结节分割性能与检测性能关系的研究首先,本文通过深入的理论分析获得结节分割性能与检测性能之间关系的两个假设结论：当检测性能达到一定条件时,使用不同的算法分割结节,分割性能与检测性能之间没有明显关系；使用同种算法,不同参数分割结节,分割性能与检测性能之间存在近似线性关系。接着,使用基于经验阈值的分割算法、基于OTSU阂值的分割算法、基于模糊C均值聚类的分割算法、基于高斯混合模型的分割算法、基于CV模型的分割算方法以及基于区域与边界信息的活动轮廓模型的分割算法来进行实验。实验结果验证两个假设结论的正确。这两个结论的提出对今后肺结节检测以及肺癌CAD的研究都有深远的指导意义。(4)基于多投影相关图像的肺结节检测算法本文提出基于多投影相关图像的传统CAD算法和融合CAD算法。传统CAD算法由候选结节的初始检测、基于动态规划的候选结节分割、特征提取及使用分段线性分类器除去假阳性结节四个模块组成。传统CAD算法将一组数据的多张投影图像独立对待,不考虑多张图像之间的相关信息。而新颖的融合CAD算法是在已有的传统CAD算法基础上,添加候选结节的配准及利用配准后候选结节间的相关信息去除假阳性结节两个模块。由于同一结节在多张图像中被检测到的机率高,而同一假阳性结节在多张投影图像中被检测到的机率低,所以通过除去在三张投影图像中被检测到少于两次的候选结节来实现减少假阳性结节的目的。实验结果表明,与传统的CAD算法相比,利用候选结节相关信息的融合CAD算法能够显著提高肺结节CAD的性能。