一種新策略的肺結(jié)節(jié)檢測算法

邱　實,汶德勝,馮　筠,崔　瑩

(1.中國科學(xué)院西安光學(xué)精密機械研究所,陜西西安 710119;2.中國科學(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)檢測算法

邱實1,2,汶德勝1,馮筠3,崔瑩4

(1.中國科學(xué)院西安光學(xué)精密機械研究所,陜西西安 710119;2.中國科學(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)

針對計算機在肺部CT肺結(jié)節(jié)輔助檢測過程中,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)致無法有效檢測的問題,提出新策略的肺結(jié)節(jié)檢測算法.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肺結(jié)節(jié)進行檢測.實驗結(jié)果表明,本算法可有效降低血管對肺結(jié)節(jié)檢測的影響,從而提高肺結(jié)節(jié)的檢測精度.

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,嚴重威脅著人類的健康.對其早發(fā)現(xiàn)早治療會大幅度降低發(fā)展為肺癌的可能性.所以肺結(jié)節(jié)的準確診斷是非常重要.目前觀察肺部主要是通過計算機斷層掃描產(chǎn)生數(shù)以百計的高分辨率圖像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)生肉眼識別肺結(jié)節(jié),工作量大并且容易漏診誤診.所以通過借助于計算機對肺結(jié)節(jié)輔助檢測是當(dāng)前研究的熱點.又因為肺結(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.無法有效區(qū)分,所以準確提取肺結(jié)節(jié)也是當(dāng)前研究的難點.

目前,肺結(jié)節(jié)檢測算法主要思路集中在從肺結(jié)節(jié)的角度進行分割、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,建立二維模型對結(jié)節(jié)區(qū)域進行提取.以上算法僅從二維的角度,利用結(jié)節(jié)特征進行分析,無法抑制血管對其檢測的干擾,導(dǎo)致假陽高.El-Baz A[4]等根據(jù)肺結(jié)節(jié)在三維類球型特征,選取種子點三維生長.可以區(qū)分血管和肺結(jié)節(jié)的區(qū)域,假陽相比二維檢測大幅度降低,但僅能檢測出孤立的肺結(jié)節(jié),對血管粘連型肺結(jié)節(jié)無法檢測.綜上所述,血管是肺結(jié)節(jié)檢測的主要干擾,單從肺結(jié)節(jié)特征角度無法有效區(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行分析和去除血管,實現(xiàn)肺結(jié)節(jié)更好的檢測.

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,不是單獨看待每一個個體,而是將其整體考慮,眼睛通過人腦將各個單位按照某種關(guān)系整合、簡化,使之變?yōu)橹X上易于處理的整體.

根據(jù)格式塔原理,首先對肺部CT圖像序列去噪、提取肺實質(zhì)等預(yù)處理,將肺部與背景區(qū)分開,圖像序列初步簡化;然后通過優(yōu)化的高斯雙模型對圖像分割,得到ROI(包含肺結(jié)節(jié)、血管等),圖像序列再次簡化;再根據(jù)格式塔連續(xù)性、整合性原則,對軸位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)域并標注.

2.2優(yōu)化的高斯雙模型

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

根據(jù)文獻[9],肺部CT主要包含椒鹽噪聲,中值濾波可很好的去除.通過試驗肺部CT圖像灰度分布數(shù)據(jù)統(tǒng)計(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擬合高斯曲線,以兩個高斯模型交匯處為分割閾值實現(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)集進行最大似然估計的算法.此算法需對圖像每個像素點進行迭代運算,運算量大、效率低.

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

(3)

(4)

(5)

(6)

其中灰度級總數(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時對應(yīng)像素點的數(shù)量.

由于采用CT灰度級代替灰度值統(tǒng)計,導(dǎo)致分割閾值與最優(yōu)的分割閾值存在一定的差異,對于灰度相似的交界點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,無法從二維圖像對血管和結(jié)節(jié)區(qū)分,而且依據(jù)肺結(jié)節(jié)特征對于血管粘連的肺結(jié)節(jié)檢測難度大.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,可從血管角度對血管進行整合間接解決此問題.

在CT圖像序列中,需增強血管區(qū)域,抑制其他區(qū)域.目前最有效最常見的算法均是基于Hessian矩陣的.其特征值的濾波器可突出強化血管連續(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,要對其進行內(nèi)插修正才能反映肺部真實情況.在此,綜合周邊像素值和計算量的影響,采用線性插值對像素值修正(如圖6)公式如下,其中G為插值點坐標,IZ、Px分別為軸位圖像層厚和像素間距,其二者不相等時,按照如下算法差值,相等時,不插值.

(8)

以修正后的像素值為基準構(gòu)建Hessian矩陣,其構(gòu)建過程參考文獻[12],計算3個特征值λ1,λ2,λ3(滿足|λ1|≤|λ2|≤|λ3|)和特征向量ν1,ν2,ν3,代表不同方向運動趨勢,如圖7所示.對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)上針對不同類型的血管從速度和性能上進行優(yōu)化,都起到了較好的效果.本文對比三種經(jīng)典濾波器,最終選擇Frangi濾波器,充分利用Hessian矩陣三個特征值抑制噪聲,在不影響肺結(jié)節(jié)檢測的基礎(chǔ)上對肺部血管增強.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.實現(xiàn)血管的增強并對結(jié)節(jié)抑制,為后續(xù)肺結(jié)節(jié)檢測做鋪墊.

(9)

(10)

(11)

利用式(9)對圖像進行濾波,因為肺部圖像中血管、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濾波器直接對所有圖像序列像素點進行濾波,耗時多,效率低.可在提取后的ROI基礎(chǔ)上進行濾波,在不影響檢測效果的同時快速對血管增強.

2.4肺結(jié)節(jié)區(qū)域提取

通過Frangi濾波,血管區(qū)域增強,肺結(jié)節(jié)區(qū)域被抑制.但根據(jù)血管粗細、灰度值強弱不一致,導(dǎo)致增強的程度也不一樣,所以單閾值無法準確區(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特征矢量間距離進行聚類.近年來,對聚類的研究包括:C均值聚類[1,16],最小生成樹[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、便于實現(xiàn)等優(yōu)點.劉慧[1]等對FCM算法進行改進,并成功應(yīng)用到肺結(jié)節(jié)檢測方面.抑制噪聲,提取肺結(jié)節(jié).本文按照文獻[1]算法先對濾波后的ROI進行聚類,血管區(qū)域的像素點予以去除.然后將剩余的ROI對應(yīng)原圖像素點區(qū)域再次聚類(主要針對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.由于運算區(qū)域相比整幅圖像大幅度降低,使迭代次數(shù)下降,運算速度快.

以圖像學(xué)特征和醫(yī)學(xué)特征出發(fā),選取四組共計64維影像特征[19],對肺結(jié)節(jié)ROI進行檢測,最終得到肺結(jié)節(jié)區(qū)域進行標注.

3　實驗及結(jié)果分析

實驗采用International Early Lung Cancer Action Project[20]和美國肺影像數(shù)據(jù)庫協(xié)會[21]數(shù)據(jù)庫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)師對血管進行標注,對于肺結(jié)節(jié)(直徑2-5mm)采用獨立盲法標記作為檢測依據(jù)(金標準).

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)衡量分割效果的評價指標,定義為:

(12)

其中AOM是面積交迭度,A為標準圖像,B為分割結(jié)果圖像,S(·)表示對應(yīng)區(qū)域的像素點數(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,AOM優(yōu)于文獻[6,7]算法,但采用灰度級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.通過分析圖像可知,對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　算法效果對比表

3.2血管增強效果比較

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

為驗證檢測肺部血管有效性,選取來自不同掃描時間、不同層厚、層間距的30條具有典型性的肺部血管(直徑1～10mm)進行濾波增強.在各向同性優(yōu)化Hessian矩陣基礎(chǔ)上,對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70%所需距離)來衡量濾波器響應(yīng)的靈敏度(圖8).兩者均越小越好.

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

3.3肺結(jié)節(jié)檢測效果

對比LDA[18]和FCM[1]算法將提取特征后的ROI區(qū)域進行分類的結(jié)果,利用肺結(jié)節(jié)的特征64維判別.引入ROC性能指標:ROC曲線下面積(Area Under Curve,AUC)來評價檢測結(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,本文提出算法對于孤立、肺壁相連、血管粘連的肺結(jié)節(jié)均可以檢測到.主要流程為:(1)CT圖像序列,經(jīng)過優(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,聚類得到血管ROI,對應(yīng)原圖去除.(3)不是血管ROI進行聚類、邊界修補(主要針對血管粘連的惡性肺結(jié)節(jié)),得到修補的結(jié)節(jié)ROI,通過肺結(jié)節(jié)特征進行判別并標注.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)

文章針對計算機檢測肺結(jié)節(jié)假陽高,血管和肺結(jié)節(jié)不能有效區(qū)分的問題.以格式塔心理學(xué)為基礎(chǔ),提出根據(jù)血管的判別間接對肺結(jié)節(jié)檢測的新策略,通過臨床試驗,能夠檢測肺結(jié)節(jié),排除了大量血管的干擾,準確度高,但對于面積小、灰度值低的肺結(jié)節(jié)的檢測,需要后續(xù)進一步研究.

[1]劉慧,張彩明,鄧凱,等.改進局部自適應(yīng)的快速FCM肺結(jié)節(jié)分割方法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,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.基于后驗概率熵的正則化 Otsu 閾值法[J].電子學(xué)報,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)檢測算法[J].東北大學(xué)學(xué)報 (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算法[J].電子學(xué)報,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,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,王開軍,等.基于網(wǎng)格最小生成樹的聚類算法選擇[J].模式識別與人工智能,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(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算機輔助檢測肺結(jié)節(jié)方案[J].電子學(xué)報,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.基于顯著性檢測與 HOG-NMF 特征的快速行人檢測方法[J].電子與信息學(xué)報,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.主要研究方向為光電成像技術(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,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

國家自然科學(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