的结节分割方法.docx

的结节分割方法摘要:针对肺结节特征复杂、人工提取特征困难、分割结果不准确的问题,对肺结节进行分割。首先对LUNA16数据集提供的肺部CT图像数据和结节标注数据进行预处理,根据结节标注数据,提取对应的肺部CT图像切片,对切片进行归一化、二值化、腐蚀和膨胀从而提取ROI区域,并根据结节位置信息生成掩膜,模型进行训练,模型分割效果进行测试。实验结果表明,模型可以对肺部结节进行有效分割。关键词:肺结节;图像分割;DOIDOI::TP319文献标识码:A文章编号文章编号:1672-7800(2018)008-0161-04英文摘要Abstract:plicatedfeaturesofpulmonarynodules,uratesegmentationresults,,,correspondinglungCTimageslicesareextracted,andtheslicesarenormalized,binarized,eroded,anddilatedtoextracttheROIregion,ordingtothenodulepositioninformation;,modelfortraining;:lungnodule;imagesegmentation;0引言肺癌是死亡率最高的癌症之一,如何在肺癌早期发现癌症,对提高病人生存率有重要意义。肺结节是肺癌早期表现形式,在CT图像中有效分割肺结节可帮助医生提高诊断效率,降低漏诊、误诊率[1]。目前,深度学习在人工智能领域引起了高度关注。肺结节分割是当前深度学习研究热点之一,其主要功能是利用深度神经网络实现图像分割。现有肺结节分割方法主要是将肺结节特征与机器学习算法结合。程立英等[2]采用基于改进的C-V模型方法,结合肺结节区域信息和边缘信息实现肺结节分割。韩贵来等[3]采用基于视觉注意的肺结节显著性区域分割方法,在肺中寻找实质的显著区域并将其连通,在每个连同区域中进行区域生长,得到最终分割结果。该方法虽然可以有效分割肺结节,但是人工选取特征的误差以及肺结节多样性导致适用性不强。董林佳等[4]提出了一种基于三维形状指数和Hessian矩阵特征值的肺结节分割与检测方法,该方法从三维数据入手,通过对肺结节三维特征建模实现肺结节分割。该方法准确率较高,但是三维数据特征选取具有一定难度,使三维特征建模难以实现。廖晓磊[5]提出了一个结合超像素和自生成神经森林的肺实质序列图像分割方法,并使用多尺度增强滤波器和3D形状特征实现肺结节检测。苏志远[6]提出了改进的模糊C均值方法,利用图像中像素点灰度值作为特征划分肺结节区域。还有一些使用阈值分割、基于C-V模型等方法的肺结节分割技术,都存在需要人工选取肺结节特征的问题[7-9]。部分针对某些具有特殊特征肺结节的分割方法,虽然对某类肺结节效果较好,但是普适性较差[10-15]。随着深度学习技术的发展,越来越多的学者将深度神经网络技术运用在医疗图像领域。Alakwaa等[16]使用3D卷积神经网络对肺结节进行分割与检测。Tan等[17]设计了一个基于深度神经网络和卷积神经网络的肺结节诊断框架,可以有效发现肺结节。Wang等[18]提出了一多视角卷积神经网络(N),该网络利用全连接层整合了3条卷积神经网络分支,可有效对多种肺结节进行分割。是一种适用于医疗图像分割领域的深度学习网络模型,该网络已经在角膜图像分割、皮肤病变分割以及膝关节MR图像分割等领域得到了应用[19-21]。网络模型,使用LUNA16提供的数据集作为训练集,进行训练从而实现肺结节自动分割。相对于需要人工提取特征的方法,本文方法对肺结节种类及其特征不敏感,也更利于辅助诊断,对肺癌的早发现早诊断有重要意义。(LungNoduleAnalysis2016)比赛提供的数据集。该数据集包含888例患者肺部CT图像及医生对图像的标注。标注内容主要包括结节坐标和直径。每一位患者的CT图像数据都包含若干512×512大小的切片[22]。本文分别取710例和178例患者数据作为训练集与测试集。 ,去除外围无用数据,只保留训练网络所需的肺实质部分,并对原始数据进行预处理。图1为数据预处理流程。由于CT原始切