CN115661132A - 一种用于检测肺结节良恶性的计算机存储介质及装置 - Google Patents
一种用于检测肺结节良恶性的计算机存储介质及装置 Download PDFInfo
- Publication number
- CN115661132A CN115661132A CN202211552686.6A CN202211552686A CN115661132A CN 115661132 A CN115661132 A CN 115661132A CN 202211552686 A CN202211552686 A CN 202211552686A CN 115661132 A CN115661132 A CN 115661132A
- Authority
- CN
- China
- Prior art keywords
- lung
- dimensional
- benign
- nodule
- malignant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003211 malignant effect Effects 0.000 title claims abstract description 91
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 72
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 233
- 239000013598 vector Substances 0.000 claims abstract description 199
- 210000004072 lung Anatomy 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000002591 computed tomography Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 206010028980 Neoplasm Diseases 0.000 claims description 22
- 201000011510 cancer Diseases 0.000 claims description 22
- 230000036210 malignancy Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000002356 single layer Substances 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 150000003949 imides Chemical class 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000002059 diagnostic imaging Methods 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 description 15
- 239000010410 layer Substances 0.000 description 13
- 239000012141 concentrate Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000004141 dimensional analysis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学成像技术领域,本发明所提供用于检测肺结节良恶性的计算机存储介质中包括的程序指令可使对应处理器执行以下步骤:获取已知肺结节良恶性状况和待检测肺结节良恶性状况的CT图像;设定肺部CT图像中肺结节特征向量后分别提取已知肺结节良恶性状况和待检测肺结节良恶性状况的CT图像中对应的肺结节特征向量;通过对肺结节特征向量进行聚类分析获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集;利用参考聚类数据集检测待检测肺结节良恶性状况。本发明通过图像的量化处理技术为医生提供精确的定量分析,从而在一定程度上提高医生诊断结果的可重复性和对于图像与疾病解释的一致性,提高了医生诊断病情的准确率及效率。
Description
技术领域
本申请涉及医学成像技术领域,特别涉及一种用于检测肺结节良恶性的计算机存储介质及装置。
背景技术
肺结节的良恶性判别诊断是实现肺癌早期诊断的关键。CT被认为是检查肺部疾病最好的医学影像学手段,但CT属于三维断层图像,图像数据多,尤其是HRCT(HighResolution computed tomography,高分辨率三维断层图像),图像数据量相较于普通CT图组数据量急剧增长,通常一个全肺HRCT包含200至500多张扫描图像,甚至更多,故在大规模肺部疾病筛查过程中,放射科医生面对大量的CT图像,容易因诊断疲劳而导致疾病的漏诊和误诊。因此,亟需一种用于检测肺结节良恶性的计算机辅助诊断***来有效辅助医生通过大量的肺部CT图像诊断可疑病变肺结节的良恶性。
发明内容
针对现有技术中的不足和实际应用需求,第一方面,本发明提供了一种用于检测肺结节良恶性的计算机存储介质,所述用于检测肺结节良恶性的计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行以下步骤:获取已知肺结节良恶性状况和待检测肺结节良恶性状况的肺部电子计算机断层扫描图像;设定肺部电子计算机断层扫描图像中肺结节特征向量;提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像中的第一肺结节特征向量;通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集;提取所述待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中的第二肺结节特征向量;利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节。本发明提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像的多种特征向量,经过聚类分析后生成用于判别肺结节良恶性状况的参考聚类数据集,利用该参考聚类数据集对提取的第二肺结节特征向量进行识别并诊断待检测肺结节的良恶性状况。本发明通过图像的量化技术为医生提供精确的定量分析,弥补人眼惰性及对灰度级不敏感的缺陷,还可减少医生主观因素对阅片的结果造成的不利影响,从而在一定程度上提高医生诊断结果的可重复性和对于图像、疾病解释的一致性,同时本发明的使用可减少医生单独阅片诊断过程中肉眼观察的疏漏和阅片的工作量,从而提高医生诊断病情的准确率及效率。
可选地,所述设定肺部电子计算机断层扫描图像中肺结节特征向量,包括如下步骤:设定单层的肺部电子计算机断层扫描图像中的二维特征向量,所述二维特征向量包括二维形态学特征向量、二维灰度特征向量和二维梯度特征向量;利用多张单层的肺部电子计算机断层扫描图像叠加组合成肺结节三维图像,并设定所述肺结节三维图像的三维特征向量,所述三维特征向量包括三维形态学特征向量、三维灰度特征向量和三维梯特征向量。
可选地,所述三维灰度特征向量包括对比方面的灰度特征向量,所述对比方面的灰度特征向量包括:
其中,inside表示三维肺结节的内部区域,,outsideI表示三维肺结
节的膨胀***区域,和分别表示在inside和outsideI区域内的同一类特征,和表示在inside和outsideI区域内的同一类特征分别对应的标准差。
其中,,表示三维梯度特征向量在X轴上的分量,表示三维梯度
特征向量在Y轴上的分量,表示三维梯度特征向量在Z轴上的分量,表示三维梯特征向
量的中心像素点在正方形领域像素中编号为i的像素点的灰度值,表示编号为i的像素
点的权重,,其中,,表示中心像素点坐标到编号为i的像素点坐标之间的欧几里得距离。
可选地,所述通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集,包括如下步骤:利用不同的聚类算法对所述第一肺结节特征向量进行聚类分析获得多种聚类结果;或者通过具有不同参数和不同初始值的同一种聚类算法的对所述第一肺结节特征向量进行聚类分析获得多种聚类结果;组合多种聚类结果获得组合结果,并对所述组合结果进行聚类分析获得参考聚类数据集。
进一步可选地,所述不同的聚类算法包括Kmeans聚类方法、HC聚类算法、MeanShift算法和Kmeans-HC组合聚类算法。
进一步可选地,所述组合结果满足如下公式:
可选地,所述利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节,包括如下步骤:
通过良恶性判定边界公式转化为马氏空间线性判定方程;
根据良恶性判定边界公式初步判定第二肺结节特征向量的良恶性,良恶性判定满足如下公式:
根据所述马氏距离和所述马氏距离组合的判定坐标在马氏空
间的位置,再次判定第二肺结节特征向量的良恶性:若初次判定第二肺结节特征向量属于
良性特征,第二肺结节特征向量对应的判定坐标位于马氏空间线性判定直线的
下方,则所述第二肺结节特征向量为假阳性;若初次判定第二肺结节特征向量属于恶性特
征,第二肺结节特征向量对应的判定坐标位于马氏空间线性判定直线的上方,
则所述第二肺结节特征向量为假阴性;
通过优化马氏空间线性判定方程参数,使得假阳性的第二肺结节特征向量的数目最少时检测出所有的良性肺结节。
进一步可选地,所述马氏空间线性判定方程满足如下公式:
第二方面,本发明还提供了一种用于检测肺结节良恶性的装置,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器包括第一方面所述的用于检测肺结节良恶性的计算机存储介质,所述处理器被配置用于调用所述程序指令。本发明所提供的用于检测肺结节良恶性的装置结构紧凑,性能稳定,能够高效且准确地执行存储器中用于检测肺结节良恶性的计算机存储介质所包含的程序指令。
附图说明
图1为本发明用于检测肺结节良恶性的计算机存储介质所存储的程序指令的流程示意图;
图2为本发明的实施例中八领域像素示意图;
图3为本发明的实施例中不同的4种结构元素示意图;
图4为本发明的实施例中正方形领域像素示意图;
图5为本发明的实施例中在马氏空间线性判定空间示意图;
图6为本发明用于检测肺结节良恶性的装置结构示意图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
CT被认为是检查肺部疾病最好的医学影像学手段,但CT属于三维断层图像,图像数据多,尤其是HRCT (High Resolution computed tomography ,高分辨率三维断层图像),图像数据量急剧增长,通常一个全肺HRCT包含200至500多张扫描图像,甚至更多。本发明基于大量肺部CT图像辅助医生针对肺癌早期的肺结节进行智能识别及诊断,针对本发明的目的、特征和优点,下述实施例中对其进行了进一步描述。
请参见图1,在一个实施例中,本发明提供了一种用于检测肺结节良恶性的计算机存储介质,所述用于检测肺结节良恶性的计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行以下步骤:
S01、获取已知肺结节良恶性状况和待检测肺结节良恶性状况的肺部电子计算机断层扫描图像。
已知肺结节良恶性状况的肺部电子计算机断层扫描图像可选择通过医院的PACS(Picture Archiving and Communication System,医学图像存档及通信***)获取。待检测肺结节良恶性状况的肺部电子计算机断层扫描图像可通过待检测肺结节状况的就诊者在医院进行CT图像采集获取。
S02、设定肺部电子计算机断层扫描图像中肺结节特征向量。
在一个可选的实施例中,步骤S02所述的设定肺部电子计算机断层扫描图像中肺结节特征向量,包括如下步骤:设定单层的肺部电子计算机断层扫描图像中的二维特征向量,所述二维特征向量包括二维形态学特征向量、二维灰度特征向量和二维梯度特征向量;利用多张单层的肺部电子计算机断层扫描图像叠加组合成肺结节三维图像,并设定所述肺结节三维图像的三维特征向量,所述三维特征向量包括三维形态学特征向量、三维灰度特征向量和三维梯特征向量。
在本实施例中,针对二维特征向量包含的二维形态学特征向量、二维灰度特征向量以及二维梯度特征向量,其中二维灰度特征向量以及二维梯度特征向量还根据位置特征分别再次区分为内部特征(inside)、经过膨胀后的外部特征(outside)和内部与外部之间对比的Separation特征。
其中,二维形态学特征向量包括Size、Area、Circularity、Eccentricity、Compactness、Square compactness、Distance to center of current lung、Distance tolung perimeter、Juxtapleural、Fraction touching lung、Orientation X、OrientationY、X-Fraction、Y-Fraction、X-Fraction2和Y-Fraction2。Size表示肺结节的一维大小测度,定义为肺部电子计算机断层扫描图像中分割出来肺结节边界任两个像素点距离最大值为直径的圆面积;Area表示肺结节区域面积,定义为肺部电子计算机断层扫描图像中分割出来肺结节图像中每个像素点面积乘以像素点数目;Circularity表示肺结节的圆度,定义为取一个面积与肺结节区域面积相等的圆,将此圆的圆心取遍肺结节区域内所有像素点,计算位于圆内肺结节区域的像素点数目,取像素点数目的最大值乘以每一个像素点的面积之后除以圆的面积;Eccentricity表示偏心率,定义为肺结节区域的垂直于最大直径的最大直径与该最大直径的比值;Compactness表示致密性,定义为肺结节区域面积除以与其等周长的圆的面积;Square Compactness表示方形致密性,定义为肺结节区域的面积除以该肺结节区域最小方形边界所围成的面积;Distance to Center of Current Lung表示肺结节区域的中心与其所在的当前CT图像中肺的边界盒的中心之间的欧氏距离;Distance tolung perimeter表示肺结节区域的中心与其所在的半边肺边界像素的欧氏距离的最小值;Juxtapleural表示肺结节区域是否与肺边界接触,Juxtapleura为布尔特征;Fractiontouching lung表示肺结节区域与肺边界的接触程度,定义为与肺边界接触的像素数除以其边界像素总数量;Orientation X表示肺结节区域最大的直径与X正向轴的夹角;Orientation Y表示肺结节区域最大的直径与Y正向轴的夹角;X-Fraction定义为以肺结节区域所在的半边肺边界盒的上边界中点作为参考点,利用肺结节区域的中心像素点与该参考点的水平距离除以当前边界盒的水平宽度;Y-Fraction定义为以肺结节区域所在的半边肺边界盒的上边界中点作为参考点,利用肺结节区域的中心像素点与该参考点的竖直距离除以当前边界盒的竖直宽度;X-Fraction2定义为以整个肺边界盒上边界的中点作为参考点,利用肺结节区域的中心像素点与该参考点的水平距离除以当前边界盒的水平宽度;Y-Fraction2定义为以整个肺边界盒上边界的中点作为参考点,利用肺结节区域的中心像素点与该参考点的竖直距离除以当前边界盒的竖直宽度。
二维灰度特征向量是对分割出的肺结节二维区域(inside)内的各个像素点的灰
度值求统计值,以及针对原始分割出来的肺结节区域经过膨胀运算获得肺结节的***区域
(outside)的各个像素点的灰度值求统计量。二维灰度特征向量包括Max inside、Min
inside、Mean inside、Std deviation inside、Mean outside、Std deviation outside、
Contrast1、Contrast2、Mean separation、Std deviation separation、Skew inside、
Kurtosis inside和Moment 1~7 inside。其中,Max inside表示肺结节二维区域内的各个
像素点的灰度值的最大值;Min inside表示肺结节二维区域内的各个像素点的灰度值的最
小值;Mean inside表示肺结节二维区域内的各个像素点的灰度值的平均值;Std
deviation inside表示肺结节二维区域内的各个像素点的灰度值的标准差;Mean outside
表示肺结节的***区域各个像素点的灰度值的平均值;Std deviation outside表示肺结
节的***区域各个像素点的灰度值的标准差;Contrast1定义为,
即由肺结节二维区域内部像素点的灰度值的平均值减去肺结节的***区域
的Mean outside获得;Contrast2定义为,
即肺结节二维区域内部像素点的灰度值的标准差加上肺结节的***
区域的Std deviation outside获得;Mean separation定义为,
即肺结节的内外区域的像素点灰度值的平均值之差的绝对值除以它们之和;Std
deviation separation定义为,即肺结节内外区
域的像素点灰度值的标准差之差的绝对值除以它们之和;Skew inside表示肺结节截面像
素分布不对称的统计特征;Kurtosis inside表示肺结节截面像素峰度的统计特征;Moment
1~7 inside表示肺结节截面图像的7不变矩,7不变矩由K.M.HU于1962年首次提出用来表征
图像的形状特征。针对Skew inside和Kurtosis inside为肺结节截面像素统计学特征:假
设肺结节二维区域内部总共有N级灰度,用h(i)来表示第i级灰度像素数在截面像素总数中
的比例,则有肺结节二维区域内像素平均灰度值为:,Skew inside满足如
下公式:,Kurtosis inside满足如下公式:。
二维平面梯度特征的特征幅值(gradient magnitude)、径向偏差(radial-
deviation)和径向梯度(radial-gradient),同时,根据位置分类有肺结节二维区域内部
(inside),肺结节二维区域的内边界(perimeter inside)、形态学对肺结节膨胀运算后所
得的额外区域(outside)、额外区域的外边界(perimeter outside)。二维梯度特征向量包
括:X gradient magnitude mean inside表示肺结节二维区域内部X正方向梯度幅值的平
均值、Y gradient magnitude mean inside肺结节二维区域内部Y正方向梯度幅值的平均
值、XY gradient magnitude means separation表示定义为、Gradient magnitude Mean
Inside表示肺结节二维区域内部二维梯度幅值的平均值、Gradient magnitude Std
deviation Inside表示肺结节二维区域内部二维梯度幅值的标准差、Gradient magnitude
Mean Perimeter inside表示内边界上二维梯度幅值的平均值、Gradient magnitude Std
deviation Perimeter inside表示内边界上二维梯度幅值的标准差、Gradient magnitude
Mean outside表示额外区域内二维梯度幅值的平均值、Gradient magnitude Std
deviation outside表示额外区域内二维梯度幅值的标准差、Gradient magnitude Mean
Perimeter outside表示外边界上的二维梯度幅值的平均值、Gradient magnitude Std
deviation Perimeter outside表示外边界上的二维梯度幅值的标准差、Gradient
magnitude Mean Separation定义为、
Gradient magnitude Std deviation Separation定义为、Gradient
magnitude Mean Perimeter Separation定义为、Gradient
magnitude Std deviation Perimeter Separation定义为、
Radial deviation Mean Inside表示肺结节二维区域内部二维径向偏差的平均值、Radial
deviation Std deviation Inside表示肺结节二维区域内部二维径向偏差的标准差、
Radial deviation Mean Perimeter inside表示内边界上二维径向偏差的平均值、Radial
deviation Std deviation Perimeter inside表示内边界上二维径向偏差的标准差、
Radial deviation Mean outside表示额外区域内二维径向偏差的平均值、Radial
deviation Std deviation outside表示额外区域内二维径向偏差的标准差、Radial
deviation Mean Perimeter outside表示外边界上的二维径向偏差的平均值、Radial
deviation Std deviation Perimeter outside表示外边界上的二维径向偏差的标准差、
Radial deviation Mean Separation定义为、
Radial deviation Std deviation Separation定义为、Radial
deviation Mean Perimeter Separation定义为、Radial
deviation Std deviation Perimeter Separation定义为、
Radial gradient Mean Inside表示肺结节二维区域内部二维径向梯度的平均值、Radial
gradient Std deviation Inside表示肺结节二维区域内部二维径向梯度的标准差、
Radial gradient Mean Perimeter inside表示内边界上二维径向梯度的平均值、Radial
gradient Std deviation Perimeter inside表示内边界上二维径向梯度的标准差、
Radial gradient Mean outside表示额外区域内二维径向梯度的平均值、Radial
gradient Std deviation outside表示额外区域内二维径向梯度的标准差、Radial
gradient Mean Perimeter outside表示外边界上的二维径向梯度的平均值、Radial
gradient Std deviation Perimeter outside表示外边界上的二维径向梯度的标准差、
Radial gradient Mean Separation定义为、
Radial gradient Std deviation Separation定义为、Radial
gradient Mean Perimeter Separation定义为和Radial
gradient Std deviation Perimeter Separation定义为。
二维平面梯度特征共包括39项特征向量,其中,二维平面的梯度特征为二维向量,可以分解
到X与Y两个方向具体分析(本说明书中,X与Y方向是基于肺部电子计算机断层扫描图像定
义的),即二维平面梯度特征G可表示为,针对待分析的任一像素点的梯度,可
先确认其八领域像素,以八领域像素的第一列和最后一列进行计算,如图2所示,图2中间黑
色像素点维中心像素点,周围灰色像素点为其八领域像素,针对中心点像素的二维特征向
量的分量满足如下公式:
其中,表示中心像素点的八领域像素中编号为i的像素点的灰度值,表示编
号为i的像素点再梯度计算中的权重,,
其中,表示中心像素点坐标到编号
为i的像素点坐标之间的欧几里得距离。针对中心点像素的二维特征向量的分量
可通过其的八领域像素的第一行和最后一行通过计算分量的方式获得。二维平面梯度特
征G的特征幅值(gradient magnitude)定义为;径向偏差(radial-
deviation)表示为任一中心像素点上梯度向量与半径方向(半径方向表示该中心像素点与
肺结节中心点连线并指向肺结节的中心方向)之间的夹角;径向梯度(radial-gradient)
表示为任一中心像素点的梯度向量在半径方向上投影的大小,定义为。
在本实施例中,由于肺结节三维图像是利用多张单层的肺部电子计算机断层扫描图像叠加组而成。因此三维特征向量除了本身的三维特征向量,还包括了二维统计学特征向量,以保证三维特征提取的全面性。其中,三维特征向量包含的三维形态学特征向量、三维灰度特征向量和三维梯度特征向量,其中三维灰度特征向量和三维梯度特征向量还根据位置特征分别再次区分为内部特征(inside)、经过膨胀后的外部特征(outside)和内部与外部之间的Separation特征。三维特征向量中的二维统计学特征向量表示的组成肺结节三维图像的这组单层二维肺部电子计算机扫描图像的二维特征值的统计值,具体地,包括如下特征向量:
其中,表示组成肺结节三维图像的单层二维肺部电子计算机扫描图像数量,表示组成肺结节三维图像的单层二维肺部电子计算机扫描图像二维特征值平均
值的统计平均值,表示组成肺结节三维图像的单层二维肺部电子计算机扫描图像
二维特征值最小值的统计最小值,表示组成肺结节三维图像的单层二维肺部电子
计算机扫描图像二维特征值最大值的统计最大值,表示组成肺结节三维图像的单
层二维肺部电子计算机扫描图像二维特征值标准差的统计标准差。
肺结节三维图像本身的三维特征向量中三维形态学特征向量主要由二维形态学特征延伸获得,具体包括:Size、Volume、Area Difference、Sphericity、Elongation、Compactness 3D、Cube Compactness 、Projection compactness、Distance to center ofcurrent lung 3D、Distance to center of projected lung、Distance to lung surface、Juxtapleural 3D、Fraction touching lung 3D、Orientation X 3D、Orientation Y 3D、Orientation Z 3D、X-Fraction 3D、Y-Fraction 3D、Z-Fraction 3D、X-Fraction2 3D、Y-Fraction2 3D、Z-Fraction2 3D。Size表示三维肺结节表面任意两个像素点距离的最大值,即外接球的直径;Volume表示三维肺结节的体积,具体可通过统计三维肺结节的三维像素的数量,再乘以每一个三维像素的体积来获取;Area Difference表示一个肺结节所有分割出来的二维区域面积的平均变化量,即所有的每相邻两片之间的变化量之和除以变化量的数目;Sphericity表示三维肺结节的球度,定义为取一个与三维肺结节等体积的球,将球心取遍肺结节体内所有的像素点,同时计算落入球体内的三维肺结节的像素数目,取该数目的最大值乘以每一个像素的体积,再除以该球的体积为该球度特征值;Elongation表示三维偏心率,定义为垂直于三维肺结节的最大直径的最大直径与该最大直径的比值;Compactness 3D表示球体致密度,定义为三维肺结节的体积除以与其等表面积的球的体积;Cube Compactness 定义为三维肺结节的体积与其在三维空间中的边界盒的体积的比值;Projection compactness定位为三维肺结节投影到x-y平面上的投影面积与投影边界盒面积之比;Distance to center of current lung 3D定义为三维肺结节的中心与整体肺中心之间的欧氏距离。其中肺的中心为其边界盒的中心;而肺结节的中心通过与其等体积的球体来确定,将该球体与肺结节在三维空间中重合,重合的体积最大时,球体中心的位置即肺结节体的中心;Distance to center of projected lung定义为三维肺结节的中心与投影到x-y平面上与整体肺中心的欧氏距离;Distance to lung surface 3D表示为三维肺结节的中心像素与肺表面像素之间的欧氏距离的最小值 ;Juxtapleural 3D表示三维肺结节区域是否与三维肺边界接触,Juxtapleura 3D为布尔特征、Fraction touching lung3D表示三维肺结节区域与三维肺边界接触程度,Fraction touching lung 3D为布尔特征;Orientation X 3D表示三维肺结节在三维空间中最大的直径与X轴的夹角;Orientation Y3D表示三维肺结节在三维空间中最大的直径与Y轴的夹角;Orientation Z 3D表示三维肺结节在三维空间中最大的直径与Z轴的夹角;X-Fraction 3D定义为以三维肺结节所在的半边肺的边界盒的X轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对X轴方向的距离除以当前边界盒的X轴方向边界宽度;Y-Fraction 3D定义为以三维肺结节所在的半边肺的边界盒的Y轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对Y轴方向的距离除以当前边界盒的Y轴方向边界宽度;Z-Fraction 3D定义为以三维肺结节所在的半边肺的边界盒的Z轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对Z轴方向的距离除以当前边界盒的Z轴方向边界宽度;X-Fraction2 3D定义为以整个肺的边界盒的X轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对X轴方向的距离除以当前边界盒的X轴方向的边界宽度;Y-Fraction2 3D定义为以整个肺的边界盒的Y轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对Y轴方向的距离除以当前边界盒的Y轴方向的边界宽度;Z-Fraction2 3D定义为以整个肺的边界盒的Z轴方向边界的中点作为参考点,利用三维肺结节的中心与该参考点的相对Z轴方向的距离除以当前边界盒的Z轴方向的边界宽度。
三维特征向量中的三维灰度特征向量为三维图像中灰度的统计值,具体分为如下
三个方面:统计方面(统计方面的特征包括:Maximum(最大值)、Minimum(最小值)、Mean(平
均值)、Std(标准差)、skew(三维肺结节像素分布不对称的统计特征)、kurtosis(三维肺结
节像素峰度的统计特征))、区域方面(区域方面的特征包括:inside、outside1、outside2、
outside3、outsideZ、above和below)和对比方面(对比方面的特征包括:separation1、
separation2、separation3、separationZ、contrast11、contrast12、contrast13、
contrast1Z、contrast21、contrast22、contrast23和contrast2Z)。具体的每一个三维灰度
特征向量都是经过统计方面的特征与区域方面的特征或者对比方面的特征组合而成,例
如:Maximum_inside、Maximum_separation1等三维灰度特征向量。区域方面的特征依据不
同区域的划分,在本实施例中,inside表示三维肺结节的内部区域,请参见图3,outside1、
outside2、outside3和outsideZ分别通过不同的4种结构元素对原始的三维肺结节经过数
学形态学当中的膨胀运算得到的:结构元素a是指类球体结构元素,三维肺结节对应的x-y
平面内,以半径为5个像素点的圆的像素层为中心,在z轴方向上上下各扩展同样的一个像
素层获得类球体结构元素的outside1区域,如图3(a);结构元素b也是类球体结构元素,三
维肺结节对应的x-y平面内,以半径为10个像素点的圆的像素层为中心,在z轴方向上上下
各扩展同样的一个像素层获得类球体结构元素的outside2区域,如图3(b);结构元素c为圆
形结构元素,即三维肺结节对应的x-y平面半径为10个像素点的圆形像素层获得圆形结构
元素的outside3区域,如图3(c);结构元素d为柱形结构元素,三维肺结节对应的x-y平面的
一个像素作为像素层,然后在z轴方向上上下各扩展这样的一层像素获得outsideZ区域,如
图3(d)。Above表示三维肺结节在Z轴取值最大的那一像素点上一层在x-y平面投影所得到
的区域。Below表示三维肺结节在Z轴取值最小的那一像素点下一层在x-y平面投影所得到
的区域。针对对比方面的特征中separation1、separation2、separation3、separationZ、
contrast11、contrast12、contrast13、contrast1Z、contrast21、contrast22、contrast23
和contrast2Z可分为三类:separationI、contrast1I和contrast2I。其中,separationI表
征inside区域的某一类特征与outsideI(I=1,2,3,Z)内相同类特征向量之间的差异,
separationI具体满足如下公式:;contrast1I
表示在inside区域的某一类特征值减去outsideI(I=1,2,3,Z)区域相应的该类特征值,
contrast1I具体满足如下公式;contrast2I
表示contrast1I除以该类特征在inside和outsideI区域的标准差之和,具体定义为,和表示在inside和outsideI区域
内的同一类特征分别对应的标准差。
三维梯度特征包括:三维梯度特征向量在X、Y、Z轴上的分量特征、、、三
维梯度特征向量在X与Y轴上的对比特征向量、三维梯度特征向量在X与Z轴上的对比
特征向量、三维梯度特征向量在Z轴与Y轴上的对比特征向量、三维梯度特征向量的梯
度幅值特征(gradient magnitude)、三维梯度特征向量的径向偏差特征(radial-
deviation)、三维梯度特征向量的径向梯度特征(radial-gradient)。其中,梯度幅值特
征(gradient magnitude)、径向偏差特征(radial-deviation)、径向梯度特征(radial-
gradient)还根据位置分类有肺结节二维区域内部(inside),肺结节二维区域的内边界
(perimeter inside)、形态学对肺结节膨胀运算后所得的额外区域(outsideI,I=1,2,3,
Z)、额外区域的外边界(perimeter outsideI),具体的分类方式以及计算方式可通过二维
平面梯度特征运算可类比获得。三维梯度特征向量为三维向量,可以分解到X、Y和Z轴三
个方向具体分析(本说明书中,X、Y与Z轴方向是基于单层肺部电子计算机断层扫描图像定
义组成的三维图像定义的),即三维梯度特征向量可表示为,针对待分
析的任一像素点的梯度,如图4所示,可先确认其正方形领域像素,在正方形领域像素中将
中心点像素将上层的9个像素从上到下,从左到右依次标号1~9,下层的9个像素按同样的顺
序依次编号10~18,其中,三维特征向量的分量分量满足如下公式:
其中,表示正方形领域像素中编号为i的像素点的灰度值,表示编号为i的像
素点的权重,,其中,表示中心像素点
坐标到编号为i的像素点坐标之间的欧几里得距离。针对中心点像素
的三维特征向量的分量以及分量可通过相同方式获得。三维梯度特征的特征幅值
(gradient magnitude)定义为;径向偏差(radial-deviation)表
示为任一中心像素点上梯度向量与半径方向(半径方向表示该中心像素点与肺结节中心点
连线并指向肺结节的中心方向)之间的夹角;径向梯度(radial-gradient)表示为任一中
心像素点的梯度向量在半径方向上投影的大小,定义为。
步骤S02中根据肺部电子计算机断层扫描图像中肺结节的二维和三维特征,设定了多个用于表征肺结节特性的特征向量,为后续提取及判定待判定肺结节的提供了全面且精准的理论和数据支撑,提升了判定结果的准确度。
S03、提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像中的第一肺结节特征向量。
步骤S03中所述的提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像中的第一肺结节特征向量,可根据步骤S02中对于特征向量的基础定义,编写对应程序对已知肺结节良恶性的肺部CT图像中的特征向量进行对应提取。再通过提取出的特征向量进行特征值的计算,从而获得第一肺结节特征向量的全部信息,即带有对应特征值的第一肺结节特征向量。
S04、通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集。
步骤S04中所述的通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集,包括如下步骤:利用不同的聚类算法对所述第一肺结节特征向量进行聚类分析获得多种聚类结果,或者通过具有不同参数和不同初始值的同一种聚类算法的对所述第一肺结节特征向量进行聚类分析获得多种聚类结果;组合多种聚类结果获得组合结果,并对所述组合结果进行聚类分析获得参考聚类数据集。
层次聚类是一种静态聚类算法,分为合并算法和***算法。合并算法会在每一步减小聚类中心数量,聚类产生的结果来自于前一步的两个聚类的合并。***算法与合并算法的原理相反,在每一步增加聚类中心的数量,每一步聚类产生的结果,都是将前一步的一个聚类中心***成两个得到。Kmeans聚类方法是动态聚类算法,能够使聚类域中所有样品到聚类中心的距离平方和最小。步骤S04中获得多种聚类结果的聚类方法包括但不限于:Kmeans聚类方法、HC聚类算法、MeanShift算法、Kmeans&HC组合聚类算法等聚类算法。本发明中通过动态聚类算法和静态聚类算法对第一肺结节特征向量进行多次聚类分析,获得的多种聚类结果鲁棒性强。所述的组合多种聚类结果获得组合结果包括但不限于Kmeans聚类方法、HC聚类算法、MeanShift算法、Kmeans&HC组合聚类算法等聚类算法。
在一个可选的实施例中,采用Kmeans聚类方法,通过使用不同的k值和初始聚类中
心对第一肺结节特征向量进行聚类分析获得多种聚类结果的聚类组合:P= { P1,P2,…,
PN},k值在一定范围[kmin,kmax]内变化,每次聚类选择不同的初始聚类中心。每一个Pl得到一
个自相关矩阵Cl,自相关矩阵Cl满足如下公式:,
将聚类组合中的多种聚类结果通过投票机制结合起来,得到如下的组合结果:
其中,表示通过多种聚类结果组合获得的矩阵,,表示矩阵中样本和样本所指示位置处对应数值,表示聚类结果总数量。再对组合结果再进行
层次聚类,选择单连接法SL,把矩阵作为SL算法的样本距离矩阵。定义一个阈值来确
定SL最终的聚类结果,这个阈值为k-簇划分的生存期,记为lk,该生存期为从生成k个类别
的层次到生成k-1个聚类的层次的纵坐标的差值。最终取生存期最大的那一层作为最终的
聚类层次,得到最终的聚类结果即为参考聚类数据集。参考聚类数据集中的特征向量已经
标定了对应肺结节的良恶属性。
S05、提取所述待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中的第二肺结节特征向量。
步骤S05所述的提取所述待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中的第二肺结节特征向量的方法可类比步骤S03中提取第一肺结节特征向量的方法。
S06、利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节。
步骤S06所述的利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节,包括如下步骤:
S601、获取肺结节特征向量x分别针对参考聚类数据集中第i个恶性特征子类
的贝叶斯后验概率和第j个良性特征子类的贝叶斯后验概率。
贝叶斯后验概率和分别满足如下公式:,,其中,表
示恶性特征子类中各个样本的特征向量的平均值,表示恶性特征子类中各个
样本的特征向量的协方差矩阵,表示将恶性特征子类的分布扩大倍,表
示恶性特征子类中各个样本的特征向量的平均值,表示恶性特征子类中
各个样本的特征向量的协方差矩阵,表示良性特征子类中各个样本的特征向量的
平均值,良性特征子类中各个样本的特征向量的协方差矩阵。
S603、通过良恶性判定边界公式转化为马氏空间线性判定方程。对良恶性判定边界公式两边同求自然对数,变形后可获得如下公式:
S605、根据良恶性判定边界公式初步判定第二肺结节特征向量的良恶性,良恶性判定满足如下公式:
若初次判定第二肺结节特征向量属于良性特征,第二肺结节特征向量对应的判定
坐标位于马氏空间线性判定直线的下方,则所述第二肺结节特征向量为假阳
性;若初次判定第二肺结节特征向量属于恶性特征,第二肺结节特征向量对应的判定坐标位于马氏空间线性判定直线的上方,则所述第二肺结节特征向量为假阴性。
S608、通过优化马氏空间线性判定方程参数,使得在假阳性的第二肺结节特征向
量的数目最少时检测出所有的良性肺结节。请参见图5,在马氏空间线性判定空间中,横坐
标为定第二肺结节特征向量与恶性分的类某一子类分布中心在特征空间中的马氏距离,纵
坐标为定第二肺结节特征向量与良性分类的某一子类分布中心在特征空间中的马氏距离
方程,当调整马氏空间线性判定方程中的参数取值时,马氏空间线性判定空间中的直线
的变化如图5(a)所示;当调整马氏空间线性判定方程中的参数取值时,马氏空间线性判
定空间中的直线的变化如图5(b)所示。通过改变参数和,可以获得最优的线性判别函
数,使得所有的阴性肺结节可在假阳性的第二肺结节特征向量的数目最少时检测出,极大
程度保证判定的准确性。
本发明提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像的多种特征向量,经过聚类分析后生成用于判别肺结节良恶性状况的参考聚类数据集,利用该参考聚类数据集对提取的第二肺结节特征向量进行识别并诊断待判定肺结节的良恶性状况。本发明通过大量经过医学临床认证和医生经验判定的肺结节良恶性数据聚类分析生成稳定且可靠的肺结节参考聚类数据集,通过参考聚类数据集对待判定肺结节实现高效且快速地识别与诊断,有效辅助医生对肺结节良恶性病理诊治。
请参见图6,本发明还提供了一种用于检测肺结节良恶性的装置,包括一个或多个处理器601;一个或多个输入设备602,一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备603和存储器604通过总线605连接。存储器604可以是本发明提供的任一项的所述计算机可读存储介质,所述处理器601被配置用于调用本发明提供的用于检测肺结节良恶性的计算机存储介质所包含的程序指令。
在一个可选的实施例中,所称处理器601可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。输入设备602可以用于获取已知肺结节良恶性状况和待检测肺结节良恶性状况的肺部电子计算机断层扫描图像。输出设备603可以用于将通过本发明提供的任一项计算机可读存储介质中存储的程序指令得到的待检测肺结节良恶性状况输出给目标终端进行显示。该存储器604可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如,存储器604还可以储设备类型的信息。
在又一个可选的实施例中,本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明提供的任一项计算机可读存储介质中存储的程序指令中所描述的实现方式,也可执行本发明实施例所描述的终端设备的实现方式,在此不再赘述。上述计算机可读存储介质可以是前述任一实施例的终端设备的内部存储单元,例如终端设备的硬盘或内存。上述计算机可读存储介质也可以是上述终端设备的外部存储设备,例如上述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(SecureDigital ,SD)卡,闪存卡(Flash Card)等。进一步地,上述计算机可读存储介质还可以既包括上述终端设备的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述终端设备所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种用于检测肺结节良恶性的计算机存储介质,其特征在于,所述用于检测肺结节良恶性的计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行以下步骤:
获取已知肺结节良恶性状况和待检测肺结节良恶性状况的肺部电子计算机断层扫描图像;
设定肺部电子计算机断层扫描图像中肺结节特征向量;
提取已知肺结节良恶性状况的肺部电子计算机断层扫描图像中的第一肺结节特征向量;
通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集;
提取所述待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中的第二肺结节特征向量;
利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节。
2.根据权利要求1所述的用于检测肺结节良恶性的计算机存储介质,其特征在于,所述设定肺部电子计算机断层扫描图像中肺结节特征向量,包括如下步骤:
设定单层的肺部电子计算机断层扫描图像中的二维特征向量,所述二维特征向量包括二维形态学特征向量、二维灰度特征向量和二维梯度特征向量;
利用多张单层的肺部电子计算机断层扫描图像叠加组合成肺结节三维图像,并设定所述肺结节三维图像的三维特征向量,所述三维特征向量包括三维形态学特征向量、三维灰度特征向量和三维梯特征向量。
5.根据权利要求1所述的用于检测肺结节良恶性的计算机存储介质,其特征在于,所述通过所述第一肺结节特征向量获得多种聚类结果,并通过多种聚类结果生成参考聚类数据集,包括如下步骤:
利用不同的聚类算法对所述第一肺结节特征向量进行聚类分析获得多种聚类结果;或者
通过具有不同参数和不同初始值的同一种聚类算法的对所述第一肺结节特征向量进行聚类分析获得多种聚类结果;
组合多种聚类结果获得组合结果,并对所述组合结果进行聚类分析获得参考聚类数据集。
6.根据权利要求5所述的用于检测肺结节良恶性的计算机存储介质,其特征在于,所述不同的聚类算法包括Kmeans聚类方法、HC聚类算法、MeanShift算法和Kmeans-HC组合聚类算法。
8.根据权利要求1所述的用于检测肺结节良恶性的计算机存储介质,其特征在于,所述利用所述第二肺结节特征向量结合所述参考聚类数据集,检测待检测肺结节良恶性状况的肺部电子计算机断层扫描图像中良性肺结节和恶性肺结节,包括如下步骤:
通过良恶性判定边界公式转化为马氏空间线性判定方程;
根据良恶性判定边界公式初步判定第二肺结节特征向量的良恶性,良恶性判定满足如下公式:
根据所述马氏距离和所述马氏距离组合的判定坐标在马氏空间的
位置,再次判定第二肺结节特征向量的良恶性:若初次判定第二肺结节特征向量属于良性
特征,第二肺结节特征向量对应的判定坐标位于马氏空间线性判定直线的下
方,则所述第二肺结节特征向量为假阳性;若初次判定第二肺结节特征向量属于恶性特征,
第二肺结节特征向量对应的判定坐标位于马氏空间线性判定直线的上方,则所
述第二肺结节特征向量为假阴性;
通过优化马氏空间线性判定方程参数,使得假阳性的第二肺结节特征向量的数目最少时检测出所有的良性肺结节。
10.一种用于检测肺结节良恶性的装置,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器包括如权利要求1至9任一项所述的用于检测肺结节良恶性的计算机存储介质,所述处理器被配置用于调用所述程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552686.6A CN115661132A (zh) | 2022-12-05 | 2022-12-05 | 一种用于检测肺结节良恶性的计算机存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552686.6A CN115661132A (zh) | 2022-12-05 | 2022-12-05 | 一种用于检测肺结节良恶性的计算机存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661132A true CN115661132A (zh) | 2023-01-31 |
Family
ID=85024603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211552686.6A Pending CN115661132A (zh) | 2022-12-05 | 2022-12-05 | 一种用于检测肺结节良恶性的计算机存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661132A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485778A (zh) * | 2023-04-27 | 2023-07-25 | 鄂东医疗集团市中心医院 | 成像检测方法、***、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142301A1 (en) * | 2006-09-22 | 2011-06-16 | Koninklijke Philips Electronics N. V. | Advanced computer-aided diagnosis of lung nodules |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN109036547A (zh) * | 2018-06-11 | 2018-12-18 | 燕山大学 | 一种基于聚类分析的肺部ct图像计算机辅助***及方法 |
CN111008962A (zh) * | 2019-11-27 | 2020-04-14 | 哈尔滨理工大学 | 一种胸部ct肺结节自动检测*** |
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
-
2022
- 2022-12-05 CN CN202211552686.6A patent/CN115661132A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142301A1 (en) * | 2006-09-22 | 2011-06-16 | Koninklijke Philips Electronics N. V. | Advanced computer-aided diagnosis of lung nodules |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN109036547A (zh) * | 2018-06-11 | 2018-12-18 | 燕山大学 | 一种基于聚类分析的肺部ct图像计算机辅助***及方法 |
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
CN111008962A (zh) * | 2019-11-27 | 2020-04-14 | 哈尔滨理工大学 | 一种胸部ct肺结节自动检测*** |
Non-Patent Citations (4)
Title |
---|
KISELEV ET AL.: "SC3 - consensus clustering of single-cell RNA-Seq data", 《EUROPE PMC FUNDERS GROUP》, vol. 14, no. 5, pages 483 - 486 * |
TE BRAKE G M ET AL.: "An automatic method to discriminate malignant masses from normal tissue in digital mammograms∗", 《PHYSICS IN MEDICINE & BIOLOGY》, vol. 45, no. 10, pages 2843 - 2857 * |
吴颜艳: "基于多组学数据和机器学习的肾癌致病因素研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 1, pages 30 - 31 * |
周帅: "基于CT影像的肺结节辅助诊断***的设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 4, pages 6 - 20 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485778A (zh) * | 2023-04-27 | 2023-07-25 | 鄂东医疗集团市中心医院 | 成像检测方法、***、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5864542B2 (ja) | 画像の異常を検出するための画像データの処理方法、システムおよびプログラム | |
Ye et al. | Shape-based computer-aided detection of lung nodules in thoracic CT images | |
Mahapatra | Analyzing training information from random forests for improved image segmentation | |
Campadelli et al. | A fully automated method for lung nodule detection from postero-anterior chest radiographs | |
US7346209B2 (en) | Three-dimensional pattern recognition method to detect shapes in medical images | |
El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
Shaukat et al. | Computer-aided detection of lung nodules: a review | |
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
Liu et al. | A CADe system for nodule detection in thoracic CT images based on artificial neural network | |
US20060018549A1 (en) | System and method for object characterization of toboggan-based clusters | |
Hasan et al. | Automated screening of MRI brain scanning using grey level statistics | |
US20110044534A1 (en) | Hierarchical classifier for data classification | |
Kim et al. | The recent progress in quantitative medical image analysis for computer aided diagnosis systems | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
JP2018175217A (ja) | 画像処理装置および方法並びにプログラム | |
Li et al. | Segmentation of pulmonary nodules using a GMM fuzzy C-means algorithm | |
Jaffar et al. | Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution | |
CN115661132A (zh) | 一种用于检测肺结节良恶性的计算机存储介质及装置 | |
WO2022225794A1 (en) | Systems and methods for detecting and characterizing covid-19 | |
JP6987721B2 (ja) | 画像処理装置、方法およびプログラム | |
Vijila Rani et al. | Automatic segmentation and classification of lung tumour using advance sequential minimal optimisation techniques | |
Zhang et al. | A new method for spherical object detection and its application to computer aided detection of pulmonary nodules in CT images | |
Alolfe et al. | Development of a computer-aided classification system for cancer detection from digital mammograms | |
Li et al. | SIFT-GVF-based lung edge correction method for correcting the lung region in CT images | |
Hasan et al. | MRI Brain Scans Classification Using Bi-directional Modified Gray Level Co-occurrence Matrix and Long Short-Term Memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |