郭　薇，王　柳，肖　男，張國(guó)棟

(沈陽(yáng)航空航天大學(xué) 計(jì)算機(jī)學(xué)院，沈陽(yáng) 110136)

?

基于多維圖像信息的肺結(jié)節(jié)良惡性鑒別方法

郭薇，王柳，肖男，張國(guó)棟

(沈陽(yáng)航空航天大學(xué) 計(jì)算機(jī)學(xué)院，沈陽(yáng) 110136)

CT圖像中肺結(jié)節(jié)的良惡性鑒別是肺癌計(jì)算機(jī)輔助診斷研究中的關(guān)鍵。針對(duì)這一問題，提出了一種基于圖像多維信息的肺結(jié)節(jié)良惡性鑒別方法。該方法基于三維肺結(jié)節(jié)的二維表示來進(jìn)行影像學(xué)征象建模，并計(jì)算模型特征值。然后，提取結(jié)節(jié)的形狀及紋理特征。最后，根據(jù)提取的所有特征，利用模糊C均值分類器對(duì)肺結(jié)節(jié)的良惡性進(jìn)行鑒別。針對(duì)130組結(jié)節(jié)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，肺結(jié)節(jié)良惡性鑒別的敏感性及假陽(yáng)率分別達(dá)到87.58%及9.52%。實(shí)驗(yàn)結(jié)果表明，該文提出的方法能有效地區(qū)分肺結(jié)節(jié)的良惡性，輔助醫(yī)生進(jìn)行臨床診斷。

計(jì)算機(jī)輔助診斷；分葉征；毛刺征；模糊C均值聚類

肺癌是當(dāng)今對(duì)人類健康危害最大的惡性腫瘤之一。特別是近半個(gè)世紀(jì)以來，隨著空氣污染造成的環(huán)境不斷惡化及吸煙人口數(shù)量的大量增加，各國(guó)肺癌的發(fā)病率和死亡率都在急劇上升。在肺癌早期，病人通常無明顯的臨床癥狀，因此不能根據(jù)病癥對(duì)病人進(jìn)行診斷。在CT圖像中，肺癌以結(jié)節(jié)的形式表現(xiàn)，但是由于肺結(jié)節(jié)分布位置不一，形態(tài)各異，良惡性鑒別難度很大，這就會(huì)導(dǎo)致錯(cuò)過治療的最佳時(shí)機(jī)。研究表明，肺癌高死亡率的主要原因是肺癌早期診斷的誤診率較高。因此，早期肺結(jié)節(jié)的良惡性鑒別對(duì)降低肺癌的死亡率具有重要的意義。

隨著信息技術(shù)的不斷發(fā)展，模式識(shí)別和計(jì)算機(jī)輔助診斷技術(shù)越來越多地被用在肺癌的診斷中。目前，國(guó)內(nèi)外學(xué)者針對(duì)肺結(jié)節(jié)的良惡性鑒別問題已經(jīng)開展了相關(guān)研究。Sarah[1]等人提出了一種肺結(jié)節(jié)自動(dòng)檢測(cè)和分類的計(jì)算機(jī)輔助診斷系統(tǒng)。該系統(tǒng)根據(jù)灰度和體積形狀指數(shù)來檢測(cè)結(jié)節(jié)，然后提取結(jié)節(jié)的球形度、灰度均值和方差等特征，通過這些特征對(duì)檢測(cè)到的結(jié)節(jié)良惡性進(jìn)行分類。Sandeep等[2]提出基于模糊推理的良惡性鑒別系統(tǒng)，該系統(tǒng)主要包括兩階段，即：首先對(duì)圖像進(jìn)行預(yù)處理，并將肺結(jié)節(jié)區(qū)域分割出來；然后基于結(jié)節(jié)區(qū)域的灰度水平，應(yīng)用模糊推理對(duì)結(jié)節(jié)進(jìn)行判斷。該系統(tǒng)具有較好的檢測(cè)率，能夠滿足臨床診斷的要求。Michela等[3]開發(fā)了由多個(gè)分類器模塊構(gòu)成的專家診斷系統(tǒng)，每個(gè)模塊模擬一個(gè)放射科專家，在診斷過程中每個(gè)模塊適當(dāng)參考其他模塊的診斷結(jié)果，最后通過投票的方式對(duì)結(jié)節(jié)進(jìn)行判斷。常莎等[4]提出基于三維信息的肺結(jié)節(jié)良惡性鑒別方法。該方法首先結(jié)合基本分割方法對(duì)CT圖像中的肺結(jié)節(jié)進(jìn)行分割，進(jìn)而提取每個(gè)肺結(jié)節(jié)的三維特征并優(yōu)化。然后根據(jù)提取的結(jié)節(jié)三維特征，利用支持向量機(jī)(Support vector machine,SVM)算法對(duì)肺結(jié)節(jié)進(jìn)行良惡性的二分類。姜慧研等[5]針對(duì)醫(yī)學(xué)影像中小結(jié)節(jié)容易被漏診的問題，提出了基于胸部CT圖像的肺癌計(jì)算機(jī)輔助診斷方法。該方法首先從CT圖像中分割出感興趣區(qū)域，然后提取該區(qū)域的有效特征，最后利用自適應(yīng)概率統(tǒng)計(jì)模型(SPAM)建立肺癌識(shí)別模型和非肺癌識(shí)別模型，根據(jù)待識(shí)別樣本與模型的相似度判斷結(jié)節(jié)的類別。強(qiáng)彥等[6]針對(duì)傳統(tǒng)支持向量機(jī)對(duì)圖像中的噪聲或者野值樣本不敏感問題，提出了一種基于雙向隸屬度模糊支持向量機(jī)的肺結(jié)節(jié)良惡性鑒別方法。該方法通過計(jì)算樣本與各類別中心點(diǎn)之間的距離，得出樣本對(duì)每一類的隸屬度。肺結(jié)節(jié)的有效描述是其良惡性鑒別的關(guān)鍵。傳統(tǒng)方法常提取結(jié)節(jié)的形狀及灰度特征，如直徑、球形度、灰度均值方差等，而忽略了結(jié)節(jié)的影像學(xué)征象，并且每個(gè)特征都是單獨(dú)使用的，忽略了特征之間的相互影響。此外，在良惡性鑒別的過程中，一般是將結(jié)節(jié)直接判定為良性或者惡性，這通常不適用于臨床應(yīng)用中。針對(duì)這些問題，本文提出一種基于多維信息的肺結(jié)節(jié)良惡性鑒別方法。該方法首先對(duì)肺結(jié)節(jié)的影像學(xué)征象進(jìn)行建模，然后提取圖像的形狀及紋理特征，根據(jù)提取的所有特征值，利用模糊C均值分類[7-8](fuzzy C-means,FCM)方法對(duì)肺結(jié)節(jié)的良惡性進(jìn)行鑒別，給出結(jié)節(jié)為良惡性的概率，這樣更能夠滿足醫(yī)生臨床判斷的需求。

1　三維結(jié)節(jié)的二維表示

本文采用螺旋掃描技術(shù)在結(jié)節(jié)表面生成均勻分布并且有序的視點(diǎn)[9](如圖1所示)，再以結(jié)節(jié)中心為始點(diǎn)向各視點(diǎn)發(fā)射射線，并在射線上等間距取點(diǎn)。按順時(shí)針方向?qū)⑦@些射線從左向右排列，并將每個(gè)射線上取的點(diǎn)垂直排列成三維結(jié)節(jié)的二維表示圖像(如圖2所示)。二維圖像中像素的灰度值采用雙線性差值的方法計(jì)算得到。利用二維圖像表示三維結(jié)節(jié)能有效降低分割及特征建模的難度，有利于影像學(xué)征象的表示。

需要注意的是本文在用二維圖像表示三維結(jié)節(jié)之前，使用三線性插值方法對(duì)圖像進(jìn)行預(yù)處理，使一組CT圖像在x、y、z三個(gè)方向上像素的大小相同。這樣在計(jì)算結(jié)節(jié)體積等特征時(shí)，不需要考慮不同方向像素大小的差異。

圖1　有序均勻分布的視點(diǎn)

圖2　三維結(jié)節(jié)的二維表示圖像

2　影像學(xué)征象建模

本文首先使用動(dòng)態(tài)規(guī)劃算法[10]提取二維圖像中的肺結(jié)節(jié)邊界，再對(duì)其主要征象進(jìn)行建模。涉及征象包括分葉征、毛刺征、空泡征、邊界清晰度、磨玻璃樣征以及鈣化征等。

2.1分葉征模型

分葉征是指結(jié)節(jié)的輪廓并非純粹的圓形或橢圓形，而是表面呈凹凸不平的弧線。在二維重構(gòu)圖像中，分葉征表現(xiàn)為結(jié)節(jié)的邊界高低不平[11]。本文采用特征點(diǎn)個(gè)數(shù)、最小凹角、最小凸角、可疑分葉點(diǎn)數(shù)、最大凹弦距比、最大凸弦距比、平均凸弦距比來量化分葉征。

在建立分葉征模型之前需要首先檢測(cè)特征點(diǎn)，在二維重構(gòu)圖像中，即檢測(cè)肺邊界點(diǎn)上的凹凸點(diǎn)。特征點(diǎn)的檢測(cè)主要包括以下三個(gè)部分：

(1)計(jì)算所有邊界點(diǎn)的斜率。

(2)構(gòu)建特征點(diǎn)集合：從左到右依次判斷二維圖像中肺邊界上點(diǎn)的斜率。如果某點(diǎn)的斜率為正，其右側(cè)相鄰點(diǎn)的斜率為0或者為負(fù)，則該點(diǎn)為凸點(diǎn)；如果某點(diǎn)的斜率為0，其右側(cè)點(diǎn)的斜率為負(fù)，則該點(diǎn)為凸點(diǎn)；如果某點(diǎn)的斜率為負(fù)，其右側(cè)相鄰點(diǎn)斜率為0或者為正，則該點(diǎn)為凹點(diǎn)；如果某點(diǎn)的斜率為0，其右側(cè)點(diǎn)斜率為正，則該點(diǎn)仍為凹點(diǎn)。圖3中A、B、E為凸點(diǎn)，C、D、F為凹點(diǎn)。所有檢測(cè)獲得的凹點(diǎn)和凸點(diǎn)構(gòu)成特征點(diǎn)集合。

(3)修剪特征點(diǎn)集合：由于噪聲等因素的存在，邊界上會(huì)產(chǎn)生很多微小的突起或者凹陷，這些突起或凹陷會(huì)對(duì)分葉征的量化產(chǎn)生影響，因此需要對(duì)特征點(diǎn)集合進(jìn)行修剪。若兩個(gè)凹點(diǎn)之間僅存在一個(gè)或者多個(gè)凸點(diǎn)，且兩凹點(diǎn)之間距離小于5像素，凸點(diǎn)到兩凹點(diǎn)之間的平均弦距小于2像素，則認(rèn)為這個(gè)小凸起不是分葉征，將中間所有的凸點(diǎn)及后一個(gè)凹點(diǎn)從集合中刪除。然后，從保留的特征點(diǎn)開始繼續(xù)檢測(cè)剩余的特征點(diǎn)。對(duì)于噪聲引起的小的凹陷采用同樣的方法除去。

本文所采用特征計(jì)算如下：

(1)特征點(diǎn)個(gè)數(shù)：修剪后特征集合中含有凸起或者凹陷結(jié)構(gòu)的個(gè)數(shù)Nf。

(2)最小凹角與最小凸角：在凹陷結(jié)構(gòu)中，凹點(diǎn)與其周圍兩凸點(diǎn)構(gòu)成最小角的弧度值。相同方法計(jì)算獲得最小凸角。

(3)最大凹弦距比與最大凸弦距比：在凹陷結(jié)構(gòu)中，兩個(gè)凸點(diǎn)之間的距離為弦長(zhǎng)，它們之間凹點(diǎn)到該弦的距離為弦距，弦長(zhǎng)與弦距的比值稱為凹弦距比。所有凹陷結(jié)構(gòu)中弦距比的最大值稱為最大凹弦距比，相同方法計(jì)算獲得最大凸弦距比。

(4)可疑分葉點(diǎn)數(shù)：弦距比大于0.5的特征點(diǎn)的個(gè)數(shù)Ns。

(5)平均凸弦距比：所有凸起結(jié)構(gòu)的弦距比的平均值。

圖3　特征集合中的凸凹點(diǎn)

2.2毛刺征模型

肺結(jié)節(jié)的毛刺征表現(xiàn)為肺結(jié)節(jié)邊緣向周圍伸展的放射狀、無分支、直而有力的細(xì)短線條影[12]。本文通過統(tǒng)計(jì)每個(gè)特征區(qū)域中斜率絕對(duì)值的均值來量化毛刺征。具體量化方法如下：

(1)由于在使用動(dòng)態(tài)規(guī)劃算法提取肺邊界過程中，利用相鄰兩點(diǎn)的射線長(zhǎng)度的絕對(duì)差值作為內(nèi)部代價(jià)約束。這樣提取的肺邊界會(huì)比較平滑，在一定程度上忽略細(xì)而長(zhǎng)的毛刺征。因此，本文以提取的結(jié)節(jié)邊界為基礎(chǔ)，向兩側(cè)拓展10像素作為疑似毛刺區(qū)域。然后，使用Otsu(最大類間方差)算法對(duì)該區(qū)域進(jìn)行分割獲得毛刺的邊界。

(2)在分割獲得的毛刺邊界上，采用前述方法提取特征點(diǎn)，進(jìn)而確定凸結(jié)構(gòu)。在結(jié)節(jié)的二維圖像中，取兩凹點(diǎn)之間區(qū)域作為一個(gè)特征區(qū)域。

(3)毛刺征表現(xiàn)為向外直而尖的刺狀結(jié)構(gòu)，毛刺越尖，邊界點(diǎn)的斜率絕對(duì)值越大。因此，本文通過計(jì)算特征區(qū)域毛刺邊界點(diǎn)斜率絕對(duì)值的均值來量化該特征區(qū)域的毛刺征。如果某處的毛刺征值較小，表明它可能為一個(gè)較淺的分葉或者噪聲，不適合表示整個(gè)結(jié)節(jié)的毛刺征。因此，本文利用6個(gè)最明顯的毛刺征來表示整個(gè)結(jié)節(jié)的毛刺征，即取6個(gè)最大毛刺征的均值來表示該結(jié)節(jié)的毛刺征特性。

2.3空泡征模型

空泡征表現(xiàn)為肺結(jié)節(jié)內(nèi)的類圓形含氣腔，在肺窗上呈低密度影[13]。結(jié)節(jié)空泡在二維圖像中表現(xiàn)為在結(jié)節(jié)內(nèi)部有一個(gè)比較暗的區(qū)域。本文中使用變量空泡體積百分比PEva來量化空泡征，如式(1)所示：

PEva=(Vva/V)×100%

(1)

其中，V為肺結(jié)節(jié)的體積，Vva為肺結(jié)節(jié)內(nèi)空泡的體積。本文使用螺旋掃描技術(shù)將三維圖像轉(zhuǎn)化為二維。當(dāng)掃描線足夠多時(shí)，二維圖像中的結(jié)節(jié)區(qū)域面積近似為結(jié)節(jié)的三維體積。本文通過用已有的動(dòng)態(tài)規(guī)劃算法完成對(duì)二維結(jié)節(jié)的分割，獲得結(jié)節(jié)的三維體積，再利用最優(yōu)閾值對(duì)已獲得的結(jié)節(jié)區(qū)域進(jìn)行分割，計(jì)算得到空泡區(qū)域的體積。

2.4邊界清晰度模型

邊界清晰度用來描述肺結(jié)節(jié)邊界清晰-模糊程度，其在磨玻璃樣結(jié)節(jié)的良惡性鑒別中發(fā)揮重要的作用。本文中利用肺結(jié)節(jié)邊界點(diǎn)的徑向梯度均值GR來表示結(jié)節(jié)邊界清晰程度。徑向梯度均值越大，表明結(jié)節(jié)的邊界越清晰，如式(2)所示：

(2)

其中，f為結(jié)節(jié)的二維灰度圖像，j表示第j個(gè)邊界點(diǎn)，boundary(j)為結(jié)節(jié)邊界上第j個(gè)邊界點(diǎn)對(duì)應(yīng)的縱坐標(biāo)，N為邊界點(diǎn)的數(shù)量。

2.5磨玻璃樣模型

在CT圖像中，磨玻璃樣征表現(xiàn)為邊界較清楚，內(nèi)部密度較淡的影。研究表明，肺部磨玻璃樣密度影與早期肺癌有一定的相關(guān)性[14]。本文中根據(jù)邊界清晰程度與平均密度來量化結(jié)節(jié)的磨玻璃樣征，如式(3)所示：

(3)

其中，RE為二維圖像中的結(jié)節(jié)區(qū)域，NRE為RE區(qū)域像素點(diǎn)個(gè)數(shù)，ω1為邊界清晰程度調(diào)節(jié)系數(shù)，ω2為平均密度的調(diào)節(jié)系數(shù)。

2.6鈣化含量模型

結(jié)節(jié)鈣化在二維圖像中表現(xiàn)為在結(jié)節(jié)內(nèi)部有一個(gè)比較亮的區(qū)域。通常認(rèn)為CT值大于100 HU的結(jié)構(gòu)為鈣化區(qū)域，鈣化的分布、形態(tài)及含量對(duì)分辨結(jié)節(jié)的良惡性非常重要[15]。本文采用鈣化含量百分比PRca來量化結(jié)節(jié)的鈣化程度，如式(4)所示：

PRca=(Vca/V)×100%

(4)

其中，V為肺結(jié)節(jié)的體積，Vca為肺結(jié)節(jié)內(nèi)鈣化部分的體積。

3　形狀特征

本文提取結(jié)節(jié)的形狀及紋理特征來描述結(jié)節(jié)，進(jìn)而提高其良惡性鑒別的性能。

3.1結(jié)節(jié)的最大直徑、表面積及體積

結(jié)節(jié)的最大直徑、表面積及體積是描述結(jié)節(jié)大小的重要指標(biāo)，對(duì)結(jié)節(jié)的良惡性鑒別有很重要的臨床意義。

在生成二維圖像中，結(jié)節(jié)的半徑可以近似為其邊界點(diǎn)的縱坐標(biāo)值yi，則最大直徑為max(2 yi)，平均半徑為r=(1/n)∑nyi。由于結(jié)節(jié)為近似球形，因此結(jié)節(jié)的表面積可近似表示為S=4πr2，而結(jié)節(jié)的體積可用二維圖像中結(jié)節(jié)區(qū)域的面積來近似表示。

3.2結(jié)節(jié)平均密度及密度方差

結(jié)節(jié)的平均密度為二維圖像中肺區(qū)域內(nèi)像素灰度的均值，密度方差如式(5)所示：

(5)

其中，f(x,y)為二維圖像中點(diǎn)(x,y)處的灰度值，ρm為結(jié)節(jié)的平均密度。

3.3結(jié)節(jié)球形度

球形度用來描述結(jié)節(jié)近似球形的程度，范圍在[0,1]之間。球形度的值越大，表明該結(jié)節(jié)越接近于球形。球形度如式(6)所示：

(6)

其中，S和V分別表示結(jié)節(jié)的表面積和體積。

3.4結(jié)節(jié)表面粗糙度

粗糙度描述的是結(jié)節(jié)表面的光滑程度，對(duì)判斷結(jié)節(jié)的毛刺、分葉等影像學(xué)征象有一定的幫助。粗糙度通常定義如式(7)所示：

(7)

其中，y表示二維圖像中結(jié)節(jié)邊界點(diǎn)的縱坐標(biāo)。

4　FCM分類

目前，用于肺結(jié)節(jié)良惡性鑒別的分類器較多,但是通常它們都給出確切的結(jié)果，即要么為惡性，要么為良性。但在臨床實(shí)踐中，根據(jù)已有的先驗(yàn)知識(shí)有時(shí)并不能給出確切的診斷結(jié)果，而是給出該結(jié)節(jié)為良性或者惡性的可能程度。因此，本文使用FCM分類器對(duì)良惡性結(jié)節(jié)進(jìn)行判斷，獲得肺結(jié)節(jié)的模糊分類。在分類過程中，使用馬氏距離代替歐式距離，克服了傳統(tǒng)的歐氏距離不考慮量綱的問題。

模糊C-均值聚類算法以最小類內(nèi)平方誤差和作為聚類準(zhǔn)則，計(jì)算每個(gè)樣本屬于各模糊子集的隸屬度。在具體實(shí)現(xiàn)中，聚類過程可以理解為對(duì)目標(biāo)函數(shù)求極值的問題。基于馬氏距離的FCM目標(biāo)函數(shù)如式(8)所示：

(8)

其中，μij表示樣本xj屬于聚類中心Zi的隸屬度，表示樣本xj到聚類中心Zi的馬式距離，C表示模糊子類的數(shù)目，本文中C的值為2。m是模糊指數(shù)，其值大于1，控制著樣本隸屬的模糊程度，該值的大小將影響聚類的性能，m的值越大，模糊程度就越高。在實(shí)際應(yīng)用中，m的取值通常在1.5和2.5之間，本文中的m取2。

目標(biāo)函數(shù)可以利用Lagrange乘法進(jìn)行優(yōu)化得到聚類中心和隸屬度函數(shù)分別如式(9)和式(10)所示：

(9)

(10)

5　實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)為從醫(yī)院獲得的130組結(jié)節(jié)三維圖像。其中，惡性結(jié)節(jié)56個(gè)，良性結(jié)節(jié)74個(gè)。本文采用5-fold交叉驗(yàn)證方法對(duì)所提算法進(jìn)行評(píng)價(jià)，即將良性結(jié)節(jié)和惡性結(jié)節(jié)分別平均分成5組，每次取4組良、惡性結(jié)節(jié)進(jìn)行訓(xùn)練，剩余1組數(shù)據(jù)進(jìn)行測(cè)試，循環(huán)5次，直到所有數(shù)據(jù)都被測(cè)試獲得最終的良惡性鑒別性能。通過對(duì)FCM分類器進(jìn)行訓(xùn)練，獲得各模糊子集的聚類中心，再計(jì)算測(cè)試數(shù)據(jù)屬于每個(gè)模糊子集的隸屬度，根據(jù)隸屬度值確定結(jié)節(jié)的類別。

通常以敏感性和假陽(yáng)率作為衡量結(jié)節(jié)良惡性鑒別算法性能的指標(biāo)，肺結(jié)節(jié)良惡性鑒別的結(jié)果如表1所示。由表1可知，本文中提出的基于圖像多維信息的肺結(jié)節(jié)良惡性鑒別算法檢測(cè)的敏感性可達(dá)87.58%，較高的敏感性能有效地避免漏診的發(fā)生。

表1　肺結(jié)節(jié)良惡性鑒別的性能　%

6　結(jié)語

該文提出了基于圖像多維信息的肺結(jié)節(jié)良惡性鑒別算法。該算法同時(shí)提取基于三維結(jié)節(jié)二維表示的分葉、毛刺等影像學(xué)征象及形狀特征，并使用基于馬氏距離的FCM算法對(duì)數(shù)據(jù)庫(kù)中結(jié)節(jié)的良惡性進(jìn)行鑒別。實(shí)驗(yàn)結(jié)果表明，該算法建立的特征模型能夠很好地表示肺結(jié)節(jié)的多維信息，并且對(duì)肺結(jié)節(jié)的良惡性鑒別具有較好的效果。與傳統(tǒng)的基于形狀信息的肺結(jié)節(jié)良惡性鑒別方法相比，該方法不僅考慮了結(jié)節(jié)的影像學(xué)征象，且應(yīng)用基于歐氏距離的FCM對(duì)結(jié)節(jié)的良惡性進(jìn)行鑒別，具有一定的臨床應(yīng)用價(jià)值。

[1]NAMIN S,MOGHADDAM H,Jafari R,et al.Automated detection and classification of pulmonary nodules in 3D thoracic CT images[C].Systems Man and Cybernetics(SMC),2010 International Conference on IEEE,2010:3774-3779.

[2]KUMAR S,RAMESH J,VANATHI P T,et al.Robust and automated lung nodule diagnosis from CT images based on fuzzy systems[C].Process Automation,Control and Computing(PACC),2011 International Conference On.IEEE,2011:1-6.

[3]MICHELA A,MARCO C,BEATRICE L,et al.A multi-classifier system for pulmonary nodule classification[C].21st IEEE International Symposium on Computer-Based Medical Systems.IEEE,2008:587-589.

[4]常莎,王瑞平.基于CT三維圖像的肺結(jié)節(jié)良惡性鑒別研究[J].北京生物醫(yī)學(xué)工程,2013,32(1):12-16.

[5]姜慧研,何煒.基于胸部CT圖像的肺癌識(shí)別方法的研究[J].電子學(xué)報(bào),2009,37(8):1664-1668.

[6]強(qiáng)彥,裴博,趙涓涓,等.模糊支持向量機(jī)在肺結(jié)節(jié)良惡性分類中的應(yīng)用[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,54(3):354-359.

[7]ICHIHASHI H,HONDA K,NOTSU A,et al.FCM classifier for high-dimensional data[C].IEEE International Conference on Fuzzy Systems,2008:200-206.

[8]YU F H,XU H K,WANG L M,et al.An improved automatic FCM clustering algorithm[C].2010 2nd International Workshop on Database Technology and Applications,2010.

[9]WANG J,ENGELMANN R,LI Q.Segmentation of pulmonary nodules in three-dimensional CT images by use of a spiral-scanning technique [J].Medical Physics,2007,34(7):4678-4689.

[10]GUO W,LI Q,BOYCE S J,et al.A computerized scheme for lung nodule detection in multi projection chest radiography [J].Medical Physics,2012,39(4):2001-2012.

[11]WIEMKER R,OPFER R,BULOW T,et al.Repeatability and noise robustness of spicularity features for computer aided characterization of pulmonary nodules in CT[C].Medical Imaging.International Society for Optics and Photonics,2008:691511:1-11.

[12]JEONG Y J,YI C A,LEE K S.Solitary pulmonary nodules:detection,characterization,and guidance for further diagnostic workup and treatment [J].American Journal of Roentgenology,2007,188(1):57-68.

[13]于勇華.原發(fā)性肺癌CT圖像計(jì)算機(jī)輔助診斷的方法學(xué)研究[D].南京:東南大學(xué),2003.

[14]許茂盛.肺部磨玻璃樣結(jié)節(jié)的影像學(xué)研究進(jìn)展[C].2007年浙江省醫(yī)學(xué)會(huì)放射學(xué)學(xué)術(shù)年會(huì),浙江,2007:23-24.

[15]王秋萍,金晨望,鄧?yán)?等.探討肺結(jié)節(jié)內(nèi)鈣化密度與鈣化征象的臨床意義[J].醫(yī)學(xué)影像學(xué)雜志,2014,24(10):1729-1733.

(責(zé)任編輯：劉劃英文審校：趙亮)

Discrimination of benign and malignant pulmonary nodules based on multi-dimensional features

GUO Wei，WANG Liu，XIAO Nan，ZHANG Guo-dong

(College of Computer Science,Shenyang Aerospace University,Shenyang 110136，China)

The discrimination of benign and malignant pulmonary nodules in CT image is the key of computer-aided diagnosis(CAD)for lung cancer.For this purpose,we proposed a method to identify the benign and malignant of pulmonary nodules based on multi-dimensional features.Firstly,the models of CT signs for 3D pulmonary nodules are established based on 2D representation,and the values of the models were calculated.Then,the shape and texture features of the nodules were fetched.Finally,the fuzzy C-means classifier was employed to discriminate the benign and malignant pulmonary nodules.The sensibility and specificity of the method are 87.58% and 9.52% respectively.It shows the proposed method can discriminate the benign and malignant nodules well and help doctors in the clinical diagnosis.

computer-aided diagnosis;lobulation sign;speculation sign;fuzzy C-means clustering

2095-1248(2016)03-0067-06

2015-10-28

國(guó)家自然科學(xué)基金(項(xiàng)目編號(hào)：61402298)，國(guó)家自然科學(xué)基金(項(xiàng)目編號(hào)：61373088)，航空科學(xué)基金(項(xiàng)目編號(hào)：2013ZE54025)

郭薇(1983-)，女，遼寧沈陽(yáng)人，副教授，主要研究方向：醫(yī)學(xué)圖像處理，E-mail：guowei@sau.edu.cn。

TP391.41

A

10.3969/j.issn.2095-1248.2016.03.011