邱　實(shí),汶德勝,馮　筠,崔　瑩

(1.中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所,陜西西安 710119;2.中國(guó)科學(xué)院大學(xué),北京 100049;3.西北大學(xué)信息科學(xué)與技術(shù)學(xué)院,陜西西安 710127;4.武警工程大學(xué)裝備工程學(xué)院,陜西西安 710086)

?

一種新策略的肺結(jié)節(jié)檢測(cè)算法

邱實(shí)1,2,汶德勝1,馮筠3,崔瑩4

(1.中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所,陜西西安 710119;2.中國(guó)科學(xué)院大學(xué),北京 100049;3.西北大學(xué)信息科學(xué)與技術(shù)學(xué)院,陜西西安 710127;4.武警工程大學(xué)裝備工程學(xué)院,陜西西安 710086)

針對(duì)計(jì)算機(jī)在肺部CT肺結(jié)節(jié)輔助檢測(cè)過(guò)程中,二維CT圖像序列血管橫截面與肺結(jié)節(jié)成像特征類似,導(dǎo)致無(wú)法有效檢測(cè)的問(wèn)題,提出新策略的肺結(jié)節(jié)檢測(cè)算法.以格式塔心理學(xué)為基礎(chǔ),以去除血管的新策略間接的對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè).實(shí)驗(yàn)結(jié)果表明,本算法可有效降低血管對(duì)肺結(jié)節(jié)檢測(cè)的影響,從而提高肺結(jié)節(jié)的檢測(cè)精度.

格式塔原理;血管;肺結(jié)節(jié)

1　引言

肺結(jié)節(jié)是肺癌的早期形態(tài),隨著時(shí)間的推移部分肺結(jié)節(jié)發(fā)生惡性病變(血管粘連、體積變大等)轉(zhuǎn)化為肺癌,嚴(yán)重威脅著人類的健康.對(duì)其早發(fā)現(xiàn)早治療會(huì)大幅度降低發(fā)展為肺癌的可能性.所以肺結(jié)節(jié)的準(zhǔn)確診斷是非常重要.目前觀察肺部主要是通過(guò)計(jì)算機(jī)斷層掃描產(chǎn)生數(shù)以百計(jì)的高分辨率圖像CT圖像序列,而肺結(jié)節(jié)僅占極少圖片的極小區(qū)域,如果僅憑醫(yī)生肉眼識(shí)別肺結(jié)節(jié),工作量大并且容易漏診誤診.所以通過(guò)借助于計(jì)算機(jī)對(duì)肺結(jié)節(jié)輔助檢測(cè)是當(dāng)前研究的熱點(diǎn).又因?yàn)榉谓Y(jié)節(jié)是類似球型的區(qū)域(一般直徑1～15mm),在肺部二維CT圖像中呈現(xiàn)局部高亮、高密度的類圓形型區(qū)域,與血管橫斷面成像特征相似.無(wú)法有效區(qū)分,所以準(zhǔn)確提取肺結(jié)節(jié)也是當(dāng)前研究的難點(diǎn).

目前,肺結(jié)節(jié)檢測(cè)算法主要思路集中在從肺結(jié)節(jié)的角度進(jìn)行分割、特征提取.Nie S和劉慧等[1,2]利用二維模糊聚類的方法根據(jù)灰度差異,提取感興趣區(qū)域(ROI,Region Of Interest),根據(jù)肺結(jié)節(jié)特征進(jìn)行判斷,確定肺結(jié)節(jié)區(qū)域.Chen N[3]根據(jù)肺結(jié)節(jié)在二維CT上是類圓形的形態(tài)特征,建立二維模型對(duì)結(jié)節(jié)區(qū)域進(jìn)行提取.以上算法僅從二維的角度,利用結(jié)節(jié)特征進(jìn)行分析,無(wú)法抑制血管對(duì)其檢測(cè)的干擾,導(dǎo)致假陽(yáng)高.El-Baz A[4]等根據(jù)肺結(jié)節(jié)在三維類球型特征,選取種子點(diǎn)三維生長(zhǎng).可以區(qū)分血管和肺結(jié)節(jié)的區(qū)域,假陽(yáng)相比二維檢測(cè)大幅度降低,但僅能檢測(cè)出孤立的肺結(jié)節(jié),對(duì)血管粘連型肺結(jié)節(jié)無(wú)法檢測(cè).綜上所述,血管是肺結(jié)節(jié)檢測(cè)的主要干擾,單從肺結(jié)節(jié)特征角度無(wú)法有效區(qū)分血管和結(jié)節(jié).而血管具有貫穿性、連續(xù)性等特征可以用于區(qū)分.所以本文從血管角度進(jìn)行分析和去除血管,實(shí)現(xiàn)肺結(jié)節(jié)更好的檢測(cè).

2　本文算法

2.1格式塔原理

格式塔心理學(xué)派研究表明:人們看到物體是眼、腦共同作用的結(jié)果,不是單獨(dú)看待每一個(gè)個(gè)體,而是將其整體考慮,眼睛通過(guò)人腦將各個(gè)單位按照某種關(guān)系整合、簡(jiǎn)化,使之變?yōu)橹X(jué)上易于處理的整體.

根據(jù)格式塔原理,首先對(duì)肺部CT圖像序列去噪、提取肺實(shí)質(zhì)等預(yù)處理,將肺部與背景區(qū)分開(kāi),圖像序列初步簡(jiǎn)化;然后通過(guò)優(yōu)化的高斯雙模型對(duì)圖像分割,得到ROI(包含肺結(jié)節(jié)、血管等),圖像序列再次簡(jiǎn)化;再根據(jù)格式塔連續(xù)性、整合性原則,對(duì)軸位CT圖像序列建立各向同性數(shù)據(jù)體,濾除大量血管ROI;最后精確提取結(jié)節(jié)ROI,根據(jù)分類性,利用結(jié)節(jié)特征判別得到結(jié)節(jié)區(qū)域并標(biāo)注.

2.2優(yōu)化的高斯雙模型

目前肺結(jié)節(jié)檢測(cè)的主流算法大部分需對(duì)圖像序列進(jìn)行分割提取ROI.主要有Reeves A P[5]通過(guò)經(jīng)驗(yàn)設(shè)定固定閾值進(jìn)行分割.OTSU法[6]通過(guò)統(tǒng)像素點(diǎn)分布關(guān)系進(jìn)行分割.McIntosh C[7]以肺部空間形態(tài)進(jìn)行分割.Ray Liu[8]等人提出高斯混合模型算法,用多個(gè)高斯模型的加權(quán)求和來(lái)模擬實(shí)際情況,能在一定程度上對(duì)噪聲進(jìn)行抑制.

根據(jù)文獻(xiàn)[9],肺部CT主要包含椒鹽噪聲,中值濾波可很好的去除.通過(guò)試驗(yàn)肺部CT圖像灰度分布數(shù)據(jù)統(tǒng)計(jì)(如圖2),從空間角度肺部大部分為氣體組織,小部分為血管和肺結(jié)節(jié)組成.從灰度角度氣體組織和血管、肺結(jié)節(jié)存在著差異,分布曲線類似兩個(gè)高斯曲線疊加(如圖3).綜合考慮肺部空間特征和CT圖像特征,本文采用高斯雙模型算法來(lái)擬合高斯曲線,以兩個(gè)高斯模型交匯處為分割閾值實(shí)現(xiàn)分割.高斯混合模型分布函數(shù)如下:

(1)

(2)

其中M是高斯混合模型的混合數(shù),pi是混合系數(shù),x是灰度值,p(x|λ)是高斯混合密度,λ完整參數(shù)集,bi(x)是單個(gè)高斯密度分布函數(shù).μi和σi是高斯密度分布函數(shù)的參數(shù).

期望最大化(Expectation Maximization,EM)算法可確定參數(shù)pi、μi和σi.該算法由Dempster,Laird和Rubin提出,用于不完全數(shù)據(jù)集進(jìn)行最大似然估計(jì)的算法.此算法需對(duì)圖像每個(gè)像素點(diǎn)進(jìn)行迭代運(yùn)算,運(yùn)算量大、效率低.

根據(jù)肺部CT值分布在有限的灰度級(jí)范圍,并且區(qū)域與區(qū)域之間有著一定的差異,在此基礎(chǔ)上,我們對(duì)其求解過(guò)程進(jìn)行優(yōu)化.以肺部CT灰度級(jí)為單位進(jìn)行統(tǒng)計(jì),公式優(yōu)化如下:

(3)

(4)

(5)

(6)

其中灰度級(jí)總數(shù)G,N為圖像處理的像素總數(shù),m為迭代的次數(shù),h(x)為像素值為x時(shí)對(duì)應(yīng)像素點(diǎn)的數(shù)量.

由于采用CT灰度級(jí)代替灰度值統(tǒng)計(jì),導(dǎo)致分割閾值與最優(yōu)的分割閾值存在一定的差異,對(duì)于灰度相似的交界點(diǎn)上分割效果有些影響,但速度上已有了很大提高.

2.3血管特征提取

通過(guò)優(yōu)化的高斯雙模型分割得到大量ROI(血管、結(jié)節(jié)等)區(qū)域.在ROI中許多血管橫斷面與結(jié)節(jié)斷面的形態(tài)和灰度值及其相似,無(wú)法從二維圖像對(duì)血管和結(jié)節(jié)區(qū)分,而且依據(jù)肺結(jié)節(jié)特征對(duì)于血管粘連的肺結(jié)節(jié)檢測(cè)難度大.根據(jù)格式塔整合原理:血管具有連續(xù)性、貫穿性、圓柱型結(jié)構(gòu)等特點(diǎn),可從血管角度對(duì)血管進(jìn)行整合間接解決此問(wèn)題.

在CT圖像序列中,需增強(qiáng)血管區(qū)域,抑制其他區(qū)域.目前最有效最常見(jiàn)的算法均是基于Hessian矩陣的.其特征值的濾波器可突出強(qiáng)化血管連續(xù)性、圓柱型結(jié)構(gòu).Hessian矩陣由圖像f(x)中體素P點(diǎn)的二階偏導(dǎo)組成.矩陣公式如下:

(7)

由于肺部具有各向同性,即從任意方向觀察體素包含的性質(zhì)是相同的.而CT斷層掃描層間距和圖像分辨率不一致,要對(duì)其進(jìn)行內(nèi)插修正才能反映肺部真實(shí)情況.在此,綜合周邊像素值和計(jì)算量的影響,采用線性插值對(duì)像素值修正(如圖6)公式如下,其中G為插值點(diǎn)坐標(biāo),IZ、Px分別為軸位圖像層厚和像素間距,其二者不相等時(shí),按照如下算法差值,相等時(shí),不插值.

(8)

以修正后的像素值為基準(zhǔn)構(gòu)建Hessian矩陣,其構(gòu)建過(guò)程參考文獻(xiàn)[12],計(jì)算3個(gè)特征值λ1,λ2,λ3(滿足|λ1|≤|λ2|≤|λ3|)和特征向量ν1,ν2,ν3,代表不同方向運(yùn)動(dòng)趨勢(shì),如圖7所示.對(duì)于血管這樣的管狀結(jié)構(gòu),在CT圖像中呈現(xiàn)高亮區(qū)域,沿血管方向局部灰度變化不大,而剖面方向變化劇烈,則滿足|λ3|≈|λ2|>>|λ1|≈0.

以Hessian矩陣為基礎(chǔ),衍生出Lorenz[10]、Sato[11]和Frangi[12]構(gòu)造的經(jīng)典濾波器結(jié)構(gòu).后續(xù)Jinzhu Yang等[13～15]在以上三種濾波器基礎(chǔ)上針對(duì)不同類型的血管從速度和性能上進(jìn)行優(yōu)化,都起到了較好的效果.本文對(duì)比三種經(jīng)典濾波器,最終選擇Frangi濾波器,充分利用Hessian矩陣三個(gè)特征值抑制噪聲,在不影響肺結(jié)節(jié)檢測(cè)的基礎(chǔ)上對(duì)肺部血管增強(qiáng).Frangi濾波器是在Hessian基礎(chǔ)上引入比例系數(shù)R1區(qū)分平面結(jié)構(gòu)和管形結(jié)構(gòu),R2用于識(shí)別球形結(jié)構(gòu),S用于去除噪聲,α,β用于控制R1,R2和S的靈敏度,本文中選取α,β為0.5.實(shí)現(xiàn)血管的增強(qiáng)并對(duì)結(jié)節(jié)抑制,為后續(xù)肺結(jié)節(jié)檢測(cè)做鋪墊.

(9)

(10)

(11)

利用式(9)對(duì)圖像進(jìn)行濾波,因?yàn)榉尾繄D像中血管、結(jié)節(jié)等腔體僅占小部分區(qū)域,而這些區(qū)域絕大部分都在提取后的ROI中.若采用Frangi濾波器直接對(duì)所有圖像序列像素點(diǎn)進(jìn)行濾波,耗時(shí)多,效率低.可在提取后的ROI基礎(chǔ)上進(jìn)行濾波,在不影響檢測(cè)效果的同時(shí)快速對(duì)血管增強(qiáng).

2.4肺結(jié)節(jié)區(qū)域提取

通過(guò)Frangi濾波,血管區(qū)域增強(qiáng),肺結(jié)節(jié)區(qū)域被抑制.但根據(jù)血管粗細(xì)、灰度值強(qiáng)弱不一致,導(dǎo)致增強(qiáng)的程度也不一樣,所以單閾值無(wú)法準(zhǔn)確區(qū)分血管和結(jié)節(jié).而血管區(qū)域的像素值應(yīng)為局部較大值,可根據(jù)各ROI特征矢量間距離進(jìn)行聚類.近年來(lái),對(duì)聚類的研究包括:C均值聚類[1,16],最小生成樹(shù)[17],線性判別聚類[18]等算法.其中模糊C均值聚類算法(Fuzzy C Means clustering,FCM)是目前應(yīng)用最為廣泛的圖像分割算法.它將模糊性應(yīng)用到像素隸屬判斷,符合人類感知特性、便于實(shí)現(xiàn)等優(yōu)點(diǎn).劉慧[1]等對(duì)FCM算法進(jìn)行改進(jìn),并成功應(yīng)用到肺結(jié)節(jié)檢測(cè)方面.抑制噪聲,提取肺結(jié)節(jié).本文按照文獻(xiàn)[1]算法先對(duì)濾波后的ROI進(jìn)行聚類,血管區(qū)域的像素點(diǎn)予以去除.然后將剩余的ROI對(duì)應(yīng)原圖像素點(diǎn)區(qū)域再次聚類(主要針對(duì)血管粘連的惡性肺結(jié)節(jié)的分割),得到疑似肺結(jié)節(jié)ROI.由于運(yùn)算區(qū)域相比整幅圖像大幅度降低,使迭代次數(shù)下降,運(yùn)算速度快.

以圖像學(xué)特征和醫(yī)學(xué)特征出發(fā),選取四組共計(jì)64維影像特征[19],對(duì)肺結(jié)節(jié)ROI進(jìn)行檢測(cè),最終得到肺結(jié)節(jié)區(qū)域進(jìn)行標(biāo)注.

3　實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)采用International Early Lung Cancer Action Project[20]和美國(guó)肺影像數(shù)據(jù)庫(kù)協(xié)會(huì)[21]數(shù)據(jù)庫(kù)50套肺部CT數(shù)據(jù)和2014年13套醫(yī)院直接采集的肺部CT數(shù)據(jù).以2名專業(yè)醫(yī)師對(duì)血管進(jìn)行標(biāo)注,對(duì)于肺結(jié)節(jié)(直徑2-5mm)采用獨(dú)立盲法標(biāo)記作為檢測(cè)依據(jù)(金標(biāo)準(zhǔn)).

3.1圖像分割

本文提出的優(yōu)化雙高斯混合模型算法與OTSU法、空間信息算法、傳統(tǒng)高斯雙模型算法分割結(jié)果與醫(yī)師標(biāo)注的血管、肺結(jié)節(jié)比較.使用面積交迭度[22](Area Overlap Measure,AOM)衡量分割效果的評(píng)價(jià)指標(biāo),定義為:

(12)

其中AOM是面積交迭度,A為標(biāo)準(zhǔn)圖像,B為分割結(jié)果圖像,S(·)表示對(duì)應(yīng)區(qū)域的像素點(diǎn)數(shù),AOM值越大表明分割效果越好.

根據(jù)表1，優(yōu)化高斯雙模型算法綜合考慮像素值與肺部數(shù)據(jù)的空間特點(diǎn),AOM優(yōu)于文獻(xiàn)[6,7]算法,但采用灰度級(jí)代替灰度值使得分割效果略低于傳統(tǒng)高斯雙模型算法,但運(yùn)算速度大幅度下降,可用于臨床使用.優(yōu)化高斯雙模型在分割效果上略低于傳統(tǒng)高斯雙模型算法.通過(guò)分析圖像可知,對(duì)于灰度值較暗血管末梢或者肺結(jié)節(jié),由于集中在分割點(diǎn)附近,而優(yōu)化算法得出的閾值在小范圍內(nèi)存在一定的偏差,導(dǎo)致分割效果略低.

表1　算法效果對(duì)比表

3.2血管增強(qiáng)效果比較

目前主流血管增強(qiáng)濾波器均是在Lorenz、Sato和Frangi算法基礎(chǔ)上改進(jìn)而成.對(duì)于不同類型的血管數(shù)據(jù)檢測(cè)效果不同.

為驗(yàn)證檢測(cè)肺部血管有效性,選取來(lái)自不同掃描時(shí)間、不同層厚、層間距的30條具有典型性的肺部血管(直徑1～10mm)進(jìn)行濾波增強(qiáng).在各向同性優(yōu)化Hessian矩陣基礎(chǔ)上,對(duì)比三種濾波器在參數(shù)最優(yōu)的條件下的性能,引入響應(yīng)面積(Response Area,RArea)衡量濾波器響應(yīng)范圍;響應(yīng)衰減率(Response decay rate,DRate,能量衰減到原來(lái)70%所需距離)來(lái)衡量濾波器響應(yīng)的靈敏度(圖8).兩者均越小越好.

根據(jù)圖9、10分析:Frangi濾波器利用三個(gè)特征值抑制噪聲,綜合考慮血管形狀,增強(qiáng)效果好.Lorenz濾波器僅選用部分特征值,導(dǎo)致相似結(jié)構(gòu)區(qū)別表達(dá)弱;Sato濾波器對(duì)特征值大小直接排序,對(duì)于血管表達(dá)式不唯一,對(duì)于不同粗細(xì)血管適應(yīng)性不強(qiáng).

3.3肺結(jié)節(jié)檢測(cè)效果

對(duì)比LDA[18]和FCM[1]算法將提取特征后的ROI區(qū)域進(jìn)行分類的結(jié)果,利用肺結(jié)節(jié)的特征64維判別.引入ROC性能指標(biāo):ROC曲線下面積(Area Under Curve,AUC)來(lái)評(píng)價(jià)檢測(cè)結(jié)果和分類器性能.FCM算法充分考慮空間分布關(guān)系,如圖11可知FCM算法AUC大于LDA算法,因此本文采用FCM[1]算法.

3.4算法顯示效果

如表2所示,本文提出算法對(duì)于孤立、肺壁相連、血管粘連的肺結(jié)節(jié)均可以檢測(cè)到.主要流程為:(1)CT圖像序列,經(jīng)過(guò)優(yōu)化的高斯雙模型分割得到包含血管、肺結(jié)節(jié)等高亮的ROI.(2)疑似血管區(qū)域增強(qiáng),聚類得到血管ROI,對(duì)應(yīng)原圖去除.(3)不是血管ROI進(jìn)行聚類、邊界修補(bǔ)(主要針對(duì)血管粘連的惡性肺結(jié)節(jié)),得到修補(bǔ)的結(jié)節(jié)ROI,通過(guò)肺結(jié)節(jié)特征進(jìn)行判別并標(biāo)注.最終顯示肺結(jié)節(jié)的三維圖形.

表2算法效果圖

4　總結(jié)

文章針對(duì)計(jì)算機(jī)檢測(cè)肺結(jié)節(jié)假陽(yáng)高,血管和肺結(jié)節(jié)不能有效區(qū)分的問(wèn)題.以格式塔心理學(xué)為基礎(chǔ),提出根據(jù)血管的判別間接對(duì)肺結(jié)節(jié)檢測(cè)的新策略,通過(guò)臨床試驗(yàn),能夠檢測(cè)肺結(jié)節(jié),排除了大量血管的干擾,準(zhǔn)確度高,但對(duì)于面積小、灰度值低的肺結(jié)節(jié)的檢測(cè),需要后續(xù)進(jìn)一步研究.

[1]劉慧,張彩明,鄧凱,等.改進(jìn)局部自適應(yīng)的快速FCM肺結(jié)節(jié)分割方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2014,26(10):1727-1736.

Liu Hui,Zhang Caiming,Deng Kai,et al.Research on fast FCM pulmonary nodule segmentation algorithm using improved self-adaption[J].Journal of Computer-Aided Design & Computer Graphics,2014,26(10):1727-1736.(in Chinese)

[2]Nie S,Li L,Wang Y,et al.A segmentation method for sub-solid pulmonary nodules based on fuzzy c-means clustering[A].2012 5th International Conference on Biomedical Engineering and Informatics (BMEI)[C].Chongqing,PRC:IEEE,2012.169-172.

[3]Chen N,Liu G,Liao Y,et al.Research on computer-aided diagnosis of lung nodule[A].2014 IEEE Workshop on Electronics,Computer and Applications (IWECA)[C].Ottawa ON：IEEE,2014.1019-1022

[4]El-Baz A,Elnakib A,Abou El-Ghar M,et al.Automatic detection of 2D and 3D lung nodules in chest spiral CT scans[J].International Journal of Biomedical Imaging,2013,11(10):1751-1762

[5]Reeves A P,Chan A B,Yankelevitz D F,et al.On measuring the change in size of pulmonary nodules[J].IEEE Transactions on Medical Imaging,2006,25(4):435-450.

[6]吳成茂.基于后驗(yàn)概率熵的正則化 Otsu 閾值法[J].電子學(xué)報(bào),2013,41(12):2474-2478.

Wu Chengmao.Regularization Otsu’s thresholding method based on probability entropy [J].Acta Electonica Sinica,2013,41(12):2474-2478.(in Chinese)

[7]McIntosh C,Hamarneh G.Medial-based deformable models in nonconvex shape-spaces for medical image segmentation[J].IEEE Transactions on Medical Imaging,2012,31(1):33-50.

[8]Huai Li,Yue Wang,K J Ray Liu,et al.Computerized radiographic mass detection—Part I:Lesion site selection by morphological enhancement and contextual segmentation [J].IEEE Transactions on Medical Images,2001,20(4):289～301.

[9]郭薇,魏穎,周翰遜,等.基于混合分類的肺結(jié)節(jié)檢測(cè)算法[J].東北大學(xué)學(xué)報(bào) (自然科學(xué)版),2008,29(11):1528-1531.

Guo Wei,Wei Ying,Wei Hanxun,et al.A detection algorithm based on hybrid classification for pulmonary nodules[J].Journal of Northeastern University( Natural Science),2008,29(11):1528-1531.(in Chinese)

[10]Lorenz C,Carlsen I C,Buzug T M,et al.Multi-scale line segmentation with automatic estimation of width,contrast and tangential direction in 2D and 3D medical images[A].CVRMed-MRCAS'97[C].Grenoble,France:Springer Berlin Heidelberg,1997.233-242.

[11]Sato Y,Nakajima S,Shiraga N,et al.Three-dimensional multi-scale line filter for segmentation and visualization of curvilinear structures in medical images[J].Medical Image Analysis,1998,2(2):143-168.

[12]Frangi A F,Niessen W J,Vincken K L,et al.Multiscale vessel enhancement filtering[A].Medical Image Computing and Computer-Assisted Interventation-MICCAI’98[C].Cambridge MA,USA:Springer Berlin Heidelberg,1998.130-137.

[13]Yang J,Ma S,Sun Q,et al.Improved Hessian multiscale enhancement filter[J].Bio-medical Materials and Engineering,2014,24(6):3267-3275.

[14]Kumar R P,Albregtsen F,Reimers M,et al.3D multiscale vessel enhancement based centerline extraction of blood vessels[A].Medical Imaging 2013:Imaging Processing,2013[C].Lake Buena Vista (Orlando Area),Florida,USA:SPIE,2013.

[15]陳瑞,孫靜宇,林喜榮,等.利用多光譜圖像的偽造虹膜檢測(cè)算法[J].電子學(xué)報(bào),2011,39(3):710-713.

Chen Rui,Sun Jing yu,Lin Xirong,et al.An algorithm for fake lrises detection using multi-spectral images [J].Acta Electonica Sinica,2011,39(3):710-713.(in Chinese)

[16]蔣亦樟,鄧趙紅,王駿,等.熵加權(quán)多視角協(xié)同劃分模糊聚類算法[J].軟件學(xué)報(bào),2014,25(10):2293-2311.

Jiang Yizhang,Deng Zhaohong,Wang Jun,et al.Collaborative partition multi-view fuzzy clustering algorithm using entropy weighting[J].Journal of Software,2014,25(10):2293-2311.(in Chinese)

[17]李翔宇,王開(kāi)軍,等.基于網(wǎng)格最小生成樹(shù)的聚類算法選擇[J].模式識(shí)別與人工智能,2013,26(1):34-41.

Li Xiangyu,Wang Kaijun,et al.Selection of clustering algorithms based on Grid-MST[J].Pattern Recognition and Artificial Intelligence,2013,26(1):34-41.(in Chinese)

[18]汝佳,陳莉,房鼎益.一種LDA和聚類融合的SVM多類分類方法[J].西北大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,44(4):559-562.

Ru Jia,Chen Li,Fang Dingyi.SVM multi-class classification based on LDA and clustering[J].Journal of Northwest University ( Natural Science),2014,44(4):559-562.(in Chinese)

[19]陳勝,李莉.一種全新的基于胸片計(jì)算機(jī)輔助檢測(cè)肺結(jié)節(jié)方案[J].電子學(xué)報(bào),2010,38(5):1211-1216.

Cheng Sheng,Li Li.A new computer aided diagnostic scheme for lung nodule detection on chest radiographs[J].Acta Electonica Sinica,2010,38(5):1211～1216.(in Chinese)

[20]VIA/I-ELCAP.International Early Lung Cancer Action Project[DB/OL].http://www.via.cornell.edu/lungdb.html,2014-03-01

[21]Armato III S G,McLennan G,Bidaut L,et al.The lung image database consortium (LIDC) and image database resource initiative (IDRI):A completed reference database of lung nodules on CT scans[J].Medical Physics,2011,38(2):915-931.

[22]孫銳,陳軍,高雋.基于顯著性檢測(cè)與 HOG-NMF 特征的快速行人檢測(cè)方法[J].電子與信息學(xué)報(bào),2013,35(8):1921-1926.

Sun Rui,Chen Jun,Gao Jun.Fast pedestrian detection based on saliency detection and HOG-NMF features.[J] Journal of Electronics & Information Technology,2013,35(8):1921-1926.(in Chinese)

邱實(shí)男,1986年生,助理研究員,博士研究生,研究方向:圖像處理、模式識(shí)別.

E-mail:qiushi215@163.com

汶德勝男,1965年生,研究員,博士生導(dǎo)師.主要研究方向?yàn)楣怆姵上窦夹g(shù),電子技術(shù),圖像處理等.

E-mail:ven@opt.ac.cn

馮筠女,1972年生,教授,博士生導(dǎo)師.研究方向:智能信息處理,機(jī)器學(xué)習(xí),醫(yī)學(xué)影像分析.

E-mail:fengjun@nwu.edu.cn

崔瑩女,1981年生,講師,博士研究生.研究方向:光學(xué)系統(tǒng)設(shè)計(jì),圖像處理.

E-mail:cuiying@opt.cn

A New Strategy Lung Nodules Detection Algorithm

QIU Shi1,2,WEN De-sheng1,FENG Jun3,CUI Ying4

(1.Xi’anInstituteofOpticsandPrecisionMechanicsofCAS,Xi’an,Shaanxi710119,China;2.UniversityofChineseAcademyofSciences;Beijing100049,China;3.SchoolofInformationScienceandTechnologyEngineering,NorthwesternUniversity;Xi’an,Shaanxi710127,China;4.CollegeofEquipmentEngineering,EngineeringUniversityofChineseArmedPoliceForce,Xi’an,Shaanxi710086,China)

When lung nodules are detected in lung CT by computers,the vessel cross section and lung nodule have similar imaging characteristics in the two-dimensional CT image sequence,resulting in unable to detect problems precisely.We employed a new strategy for the lung nodules detection algorithm,which is based on the Gestalt psychology.This method can detect lung nodules indirectly by removing blood vessels.The experimental results show that,this algorithm can effectively reduce the influence of blood vessels on lung nodule detection,so as to improve the accuracy of detection of lung nodules.

Gestalt principles;blood;lung nodules

2014-12-19;修回日期:2015-07-27；責(zé)任編輯：梅志強(qiáng)

國(guó)家自然科學(xué)基金(No.61372046);陜西省自然科學(xué)基金(No.2014JM8338)

TP391.41

A

0372-2112 (2016)06-1413-07