基于曲率的边界校正的自动肺分割技术

沙特国王大学学报使用基于曲率的边界校正的包含胸膜旁结节和肺血管的自动肺分割Ganesh Singadkara，Abhishek Mahajanb，Meenakshi Thakurb，Sanjay TalbaraaSGGS工程与技术学院，Nanded，M.S.，印度b印度孟买塔塔纪念医院放射诊断科阿提奇莱因福奥文章历史记录：2018年1月16日收到2018年6月21日修订2018年7月10日接受在线提供2018年保留字：肺野分割胸膜旁结节的A B S T R A C T肺野分割是计算机辅助诊断系统开发中的重要环节，有效地用于肺CT图像的定量分析。然而，这项任务是复杂的，特别是在存在近胸膜结节，肺血管。本文提出了一种更加鲁棒和精确的肺部分割方法。我们的算法确定沿肺边界的凹凸区域的优势点，并通过应用优势点行进算法连接这些优势点。对来自肺部成像数据库联盟的36名受试者测试了肺部分割算法实验结果表明，该方法能够成功地重新包含胸膜旁结节和肺血管，平均体积重叠率为96.97%，平均欠分割率为2.324%，平均过分割率为0.79%。每个受试者所需的平均处理时间为182.448 s，每个切片所需的平均处理时间为0.953 s，这比放射科医生进行的手动分割相对更快。实验结果表明，我们提出的方法是更快，更强大的比其他国家的最先进的方法。因此，该方法可以作为一种有效的工具，在临床实践中的肺分割。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍肺癌是导致死亡的主要原因，并且在全世界男性和女性中最常被诊断根据美国癌症协会的数据，在2017年美国222，500例新发病例中，估计约有155，870名美国人美国癌症协会（2017）肺癌的五年生存率为17： 8%，低于结肠癌65.4%，乳腺90.35%和前列腺99.6%（Siegel等人， 2016年）。的肺结节的存在是肺癌的潜在征兆只有16%的病例在初期阶段被诊断出来 如果在局部阶段检测到这些结节，则存活的机会可以从10 -15%增加到65-80%（Diederich等人， 2002年）。成像模式，如多探测器X射线计算机*通讯作者。电子邮件地址：singadkarganesh@sggs.ac.in（G. Singadkar）。沙特国王大学负责同行审查多层螺旋CT（MDCT）广泛用于肺癌的诊断和治疗。先进的CT扫描仪产生了大量的CT数据，这使得每个CT数据的解释和人工分割非常具有挑战性和耗时。这给放射科医生带来了负担，增加了他们的工作量。然而，在对这些大量图像进行视觉检查的情况下，遗漏一些重要病理学细节，特别是异常的可能性更大。为了解决这个问题，计算机辅助诊断/检测（CAD）已被调查，以协助放射科医生在评估的过程中的CT图像，这有助于提高诊断的准确性。在过去的二十年中，来自世界各地的许多研究人员都在探索CAD（Pu等人，2008; Retico等人，2008; Riccardi等人，2011; Messerli等人，2016）的方法来提高肺结节检测的准确性。肺部的自动分割是CAD的重要预处理步骤。其在识别和检测肺结节之前使用。肺分割的目标不仅是通过识别肺的精确边界来将搜索限制到肺实质，而且在提高效率的同时减少计算时间。如果分割错过了确定肺部的准确边界，那么它有两个缺点。首先，它错过了放射性致密的近胸膜结节，因为它https://doi.org/10.1016/j.jksuci.2018.07.0051319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com976G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987强度类似于胸部区域。Armato和Sensakovic（2004）已经表明，由于不正确的肺分割结果，5-第二，不准确的肺分割将肺血管从肺实质中排除;这在肺边界中产生凹痕和沉默，这使得肺体积的3D重建困难。因此，可以准确分割肺野，而不会丢失胸膜旁结节和肺血管。在对肺部进行初始分割后，需要对肺部边界进行校正。因此，准确的肺野分割是保证CAD系统性能的关键几种算法（Sun等人，2012; Mansoor等人，2014; Sluimer等人，2006）已经被开发用于体积CT图像中的自动肺野分割，因为只有一些算法处理胸膜-胸膜结节和肺血管（Shen等人，2015年; Wei等人，2013;Zhou等人，2014; Farag等人， 2013年）。为了克服胸膜结节和肺血管的损失，许多研究者使用初始肺分割后获得的肺轮廓的曲率信息 Hu等人（2001）提出了基于阈值的肺野自动分割算法。在这种方法中，形态学操作用于包含近胸膜结节。形态学运算主要依赖于结构元素的大小和形状。然而，胸膜旁结节具有不同的尺寸和形状，因此难以确定结构元件的尺寸和形状，较小尺寸的结构元件导致较大尺寸结节的分割不足，而较大尺寸的结构元件导致较小尺寸的胸膜旁结节的过度分割。Armato和Sensakovic（2004）也提出了滚球算法，该算法使用圆形结构元素的形态学闭合操作来补偿胸膜结节的损失，其中当球接触两个以上像素时，在肺轮廓上旋转圆球，这些像素通过线性插值连接同样，由于结构元件的尺寸和形状的变化，难以确定圆形球的半径 Gurcan等人（2002）设计了一种基于压痕检测的方法，该方法考虑了沿轮廓线的两点之间的距离比和连接相同两点的直线的欧氏距离。Bellotti等人（2007）开发了基于称为胶合弹性带的新活动轮廓的方法，以修复肺边界。不幸的是，Gurcan等人（2002）和Bellotti等人（2004）提出的方法不适用。（2007）依赖于经验获得的预定义阈值。Pu等人（2008）提出了基于自适应边界推进（ABM）的自动分割方法，用于包含胸膜旁结节。ABM分别应用在每个二维切片上，以校正初始分割结果;它还最大限度地减少了沿相邻区域（如腹部和纵隔）的过度分割。ABM的缺点是它使用固定阈值进行边界推进，这可能在某些切片中失败。Varshini等人（2012）通过考虑两个阈值而不是考虑单个固定阈值来扩展ABM算法。Sluimer等人（2005年）提出了一种用于病变肺部分割的配准分割方法。另外，vanRikxoort et al. （2009）开发了用于病理肺的分割的混合方法。首先，区域生长应用于分割肺野，如果在初始分割中检测到错误，则使用基于配准的方法来校正错误。这两种方法都能准确地改变肺部边界，对病理肺部的分割也有很好的效果。但是，开发高密度病理图谱是一项非常具有挑战性的任务。与上述算法一起，许多基于肺边界的曲率被提出用于重新包含近胸膜结节和肺血管。 Yim和Hong（2008）使用曲率信息校正肺部边界。然而，这种方法的成功取决于初始肺边界识别。如果初始边界为如果识别不正确，则可能给出不正确的曲率信息。Ye等人（2009）提出了基于链码的轮廓校正。应用链码通过检查从预定义阈值获得的肺边界上的凹点和凸点来检测沿肺边界的临界最后，将这些点连接以获得准确的然而，设置预定义的阈值是一项艰巨的任务，并加入所有获得的临界点可能会导致过度分割。Choi和Choi（2012）从肺部边界的链码中获得梯度Ko和Betke（2001）提取了肺边界的曲率，并通过观察到曲率快速变化的直线连接边界上的点。最近，Wei等人（2013）提出了一种改进的近胸膜结节包含链码的方法。 Wei等人（2013）报道了100%的结节包埋率。然而，仅32个胸膜旁结节被考虑用于结果评价。Shen等人（2015）还提出了基于双向链码和SVM分类器的结节内含物方法。在该方法中，检测肺边界上的拐点以包括结节。然而，这些点对噪声非常敏感，这是该方法的最大挑战。此外，过分割和欠分割率取决于扫描质量，自适应阈值，和SVM的性能。Zhou等人（2014）提出了肺分割和结节包含的平滑。这种方法的局限性在于，由于加权平均，它可能会错过小的胸膜旁结节的尖锐边 缘 。除 了 上 述 方 法 之 外 ， 水 平 集 上 的 一 些 其 他 方 法（ Swierczynski 等 人 ， 2018; Farag 等 人 ， 2013 ） 和 活 动 轮 廓（Zhang等人，2017; Filho等人， 2017年）已被提出。但这些方法计算复杂，需要先验形状信息。Oliveira等人解释了用于医学图像分割的更多算法 。（ 2016 ）、 Jodas 等人（ 2016 ）和 Zhang 等人（ 2017 ） 。 在 我 们 早 期 的 研 究 中 （ Singadkar 等 人 ， 2017;Singadkar等人， 2018）提出了基于新特征提取和无监督学习的肺分割方法。当肺中存在正常到中等范围的异常时，该方法工作良好，但是未能在分割结果中包括胸膜旁结节。本文提出了一种新的肺部自动分割方法建议将胸膜旁结节和肺血管包括在内。首先采用最优阈值法提取初始肺边界;然后，通过考虑曲率信息来获得肺轮廓上的优势点。最后提出边界校正算法，对包含胸膜旁结节和肺血管的肺边界进行修复。该方法的性能进行了测试肺图像数据库联盟（LIDC）和图像数据库资源倡议（IDRI）（LIDC-IDRI）。所提出的方法的贡献总结如下。开发的方法是全自动的，不需要任何用户交互。该方法利用曲率信息检测出肺边界上凸、凹区域的精确优势点。该算法通过加入精确的优势点集来精确校正肺边界，并通过最小化过分割和欠分割来有效地包含纵隔附近的肺血管和胸膜旁结节。本文的结构如下。在第二节中，提出了一个完整的方法，自动肺分割和包括胸膜旁结节和肺血管。第三●●●BN¼ð ÞG. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975-987977提供了该方法在临床数据集上的分割精度的详细实验结果。第四部分是结论和讨论.2. 方法我们假设身体体素的确切位置是未知的。我们认为图像的四个角只包含非体素，其他的体素都是体素。在最后一次迭代后，它给出了身体和非身体体素的确切位置设Tt为步骤t处的阈值。我们使用这个初始阈值来区分非-从身体体素中提取身体体素。让我们 而U T 是平均B N提出的自动肺分割方法包括三个主要步骤：肺野分割，优势点检测，体素和非体素的灰度值。然后更新的阈值由下式给出：使用曲率信息和边界校正从沿着肺边界的凹点和凸点进行图像处理以修复边界，如图1所示。每一步都由不同的Tt1¼utut12子步骤。详细方法解释如下。2.1. 肺野分割原始肺部CT图像包括肺实质、气管、支气管树，同时肺外结构包括脂肪、肌肉、骨骼、肺结节等。肺野分割的目标是从CT图像中去除位于肺实质之外的组织 它包括几个子阶段：初始最佳阈值化（Sonka等人， 2014）应用于将肺实质与周围解剖结构分离;然后通过使用区域生长算法去除气管和支气管。最后，如果左肺和右肺融合，则通过逐层验证连接的组成部分来将其分离（图1）。 2）的情况。2.1.1. 最优阈值变换最佳阈值是自动分割技术，用于将低密度区域（如肺，气道和背景空气（非身体体素））与高密度区域（如胸部，骨骼，脂肪，肌肉和最终肺结节（身体体素））隔离开来。肺部CT图像中的低密度和高密度区域如图3所示。采用自动确定分割阈值的最优阈值法代替固定阈值法。这也有助于我们考虑在整个亚群中预期的组织密度的微小差异。通过应用迭代过程来确定最佳阈值（Sonka等人， 2014年）。对于初始的迭代阈值这迭代程序将继续直到收敛，即Tt= 1/4Tt.初始阈值T0基于空气的预期CT数：T01000HU。图4示出了CT图像中的像素的直方图，其示出了CT图像中的重要解剖区域。2.1.2. 连通域标记在最佳阈值化之后，包括肺、气道和背景空气的非身体体素被标记为黑色，并且身体体素诸如胸部、骨骼、肌肉和肺结节被标记为白色。连接分量标记用于识别存在于肺部的二元掩模中的对象。更接近图像边界的对象区域属于背景，因此必须从图像中去除它们。此外，由于肺与其他对象相比贡献更大的面积，因此丢弃具有较小面积的断开连接的对象。为了得到肺部区域，图像中的两个最大区域被保留在结果中，如图所示。 5（c）.2.1.3. 气管和支气管切除术由于气管总是与肺连接，并且很多时候它也包括在初始肺分割中。然而，在这方面，在常规的临床实践中，气管和支气管是分别评估的。因此，重要的是从初始分割的肺区域去除气管和支气管。对于气管和支气管的识别和去除，我们使用了区域生长方法。气管内始终充满空气，空气的CT值在一定范围内。因此，借助于空气的CT值，自动识别种子点，Fig. 1. 拟议方法框图。ðÞ--978G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987图二.在一个有代表性的切片上提出的方法的步骤。(a)原始图像，（b）最佳阈值输出，（c）包含气管和支气管的肺叶，（d）预处理后获得的肺叶掩模，（e）气管和支气管去除，（f）初始分割结果，（g）检测到的优势点，（h）优势点的Magnetic视图，（I）所提出的方法的结果。见图4。 CT图像中像素的直方图。图三. 显示解剖结构的CT扫描的代表性切片。在CT图像的顶部轴向切片上，通过搜索大的圆形充满空气的区域。如果在相反方向上扫描病例，则底部切片用于识别种子点。建立了逐层区域生长的停止准则，当分割区域的面积急剧增大时，表明气道与肺实质结合。气管和支气管切除如图所示。 5（d）。2.1.4. 左右肺分离轴位CT切片观察，左右肺间胸膜很薄，对比较弱。由于这个原因，很多时候基于强度的分割失败，左右肺分开在该步骤中，首先在移除气管和支气管之后确定连接的部件的数量。如果连接的分量的数量是两个，则这意味着肺区域被分成左肺和右肺。如果只有一个连接的组件存在，那么它意味着左肺和右肺融合。如果肺是连接的，则通过应用van Rikxoort等人（2009）提出的动态编程方法将其分离。通过采用动态规划，特别是对那些轴向切片上的单一和大的连接组件，减少了计算时间。动态规划所需的最大路径类似于分离肺的胸膜搜索区域围绕肺区的重心 令Cg X; Y代表着中心，重力之三通过在Y20到Y20的列范围内沿着第X行扫描二值图像到图像的高度来获得精确的搜索区域这里我们考虑了这个范围，因为连接左右肺的胸膜是ð Þ我17280172801728017280G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975-987979图五、初始肺分割的步骤在代表性切片上可视化（a）原始图像，（b）最佳阈值输出，（c）包含气管和支气管的肺叶，（d）气管和支气管去除，（e）左肺和右肺分离，（f）分割的肺叶区域。一般都在这个地区。然后点在包含Mathematically的列中，算法可以表示为：确定肺像素的最小数量并表示为751357713232989Pm; n. 从这一点出发，感兴趣区域P被定义为：xi¼17280xi-417280xi-317280xi-217280xi-1m-20; m-20 m-20n-20; n-20 m。此区域外的像素298913233577751兴趣被排除在动态规划之外。左肺和右肺分离如图所示。 5（e）.17280xi117280xi217280xi317280xi422.2. 优势点检测751年3577埃什基1323埃什基2989埃什基初始肺分割通常从结果中排除胸膜结节和肺血管，因为它们的密度是298917280yi132317280yi3577粤ICP备17280号-1第三章751粤ICP备17280号-1i2004ð3Þ与胸部区域完全相似，如图所示。 六、胸膜旁结节在早期肺癌的判断中具有重要作用，胸膜结节的丢失导致肺结节检测算法不准确。同样地，通过排除肺血管，它在纵隔附近的肺边界中带来凹陷和间隙。为了准确地包含胸膜旁结节和肺血管，同时最大限度地减少欠分割和过分割，我们提出了基于曲率的优势点检测方法。在所提出的方法中利用曲率信息的原因是曲率的快速变化指示胸膜旁结节和肺血管的总体优势点检测方法如图所示。7.第一次会议。2.2.1. 边界平滑如图8所示，在初始肺分割之后获得的肺边界包含许多尖锐边缘。从这个粗糙的边界，很难得到精确的优势点。因此，在识别肺部边界上的正确优势点之前，应该通过去除边界上可能的噪声来使其平滑。我们已经使用了牛顿-科茨边界平滑（NCBS）（Hu等人，2014）方法，以便获得平滑的肺边界。NCBS算法与高斯滤波有些相似，但关键的区别在于，在高斯滤波中，我们需要找到合适的标准差，这对于肺部轮廓来说是非常困难的，所以NCBS算法克服了这个缺点。其中x i;y i 是非光滑肺边界的坐标如图8（a）所示。如图8（b）所示，通过考虑4个较早和4个较晚的相邻坐标来近似肺边界上的坐标。 对于边界上的所有坐标重复相同的过程，使用等式：2和3，并且在边界平滑之后获得的输出是示图 8（c）.2.2.2. 峰谷点检测通过使用由Rueda等人（2008）提出的曲率尺度空间方法来表征在边界平滑之后获得的肺部的二元掩模的曲率，该曲率尺度空间方法帮助我们检测肺部边界上的精确峰和谷点。 让b1;b2;. bn是属于平滑肺边界的点如图 10个。在边界上的每个点bi处，确定曲率标度段或c标度段c b。使得从连接点集合中的任何点到连接集合的两个端点的线的距离小于阈值tc。该C标度段是肺边界曲率的间接它是通过逐步评估边界上的相邻点直到距离大于阈值tc 来获得的。当从一组点到连接两个端点的线的距离超过阈值时，则定义C尺度段。连接所得到的c音阶的两个端点的线称为弦长chb。I-4I-3I-2i-1⊂ ð Þ2r-dðþ Þ¼ð ÞW22R-d.Σ980G。Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987（（（（见图6。基于强度的分割方法的局限性：（a）具有胸膜旁结节的原始CT图像，（b）具有肺血管的原始CT图像，（c）排除肺结节，（d）排除肺血管。肺边界的小曲率指示弦长的大值，并且大曲率导致弦长的较小值。从所获得的弦长中，导出弧Ab假设c∈b∈局部表示圆弧。以获得设b为图1所示圆弧上的点。9.第九条。这条线连接-圆弧上的两个端点A和B为弦AB。 考虑h<$om<$r-mb，它只不过是h<$r-d。 从图9可以清楚地看出，Ch. 因此关系分层approach.在这方法的参数tc;w;sev;sep是固定的，关于这些参数的更多细节在第4.1节中解释。从肺边界检测到的初始峰值点被给出为，P<$fx;yjxi;yi;i<$1：Mg5其中M表示肺边界上的峰值点的数量。突出的峰值点与检测到的峰值点分离，以减少冗余点所需的计算。由于检测到的峰值点的位置非常接近，所以减少了点的数量。通过从总峰边界点的集合中丢弃三个连续点来选择主导峰点。最显著的峰值点通过以下等式获得。P0¼fPm;Pm3g，其中m¼1;5;9;.. . M-3：106毫米这里P0P和Pm是存在于集合P中的峰值点。类似地，从肺边界检测到的初始谷点被给出为，V<$fx;yjxi;yi;i<$1：Ng7N表示肺边界上谷点的数量。最突出的谷点是由经验选择V0¼fVn;Vn3g，其中第1;5;9条。. . N-3：108磅因此，支配点是由下式给出的最显著的峰谷点的集合。D¼.P0;V0≤100002.3. 边界校正通过连接选定的优势点和步长的最左或最右点来填充由排除近侧结节和肺血管而产生的局部凹陷为了修复所有可能的凹陷形成的排斥，我们建议占主导地位的点推进（点推进）算法。这是由Pu等人提出的自适应边界推进（ABM）的动机。（2008年）。我们的方法和ABM之间的区别在于，我们不是考虑肺轮廓上的所有点，而是考虑肺轮廓上的所有点。算法只沿着主导点前进，也是迭代-在弧Ab和弦Chb 四、AbAcB<$2br<$2rωarctanchbð4Þ积极纠正肺边界。我们的边界校正模型利用了两个重要的参数，第一个是两次成功之间的欧几里得距离W其中d是点b和弦的中点之间的距离，r是在每个边界点b处的振荡圆的半径。更多细节请参考（Rueda等人， 2008年）。为了获得的峰和谷点A b是平滑的，通过应用中值滤波器的长度为2W 1的中心在每个元素的边界。在这里，中值滤波器的宽度w由我们需要考虑的b两侧的点的数量决定。为了检测峰和谷点，对A波进行形态学运算。通过应用底帽滤波获得谷值到Afb，它只不过是Afb和它的闭包操作而峰值是通过应用顶帽滤波得到的，该顶帽滤波只不过是Afb的差及其闭合操作。 在执行形态学操作后，检测到的峰和谷如图11所示。 11我们已经设置了中值滤波器的宽度w 7和用于打开和关闭操作的大小为5的结构元素。2.2.3. 优势选点在本节中，我们详细介绍了我们的优势点选择技术。基于经验实验，通过使用在执行行进操作之后获得肺边界上的主导点。第二个参数是最大垂直距离Hmax，它是从连接连续优势点的直线开始的，如图12所示。我们已经考虑了边界校正的比率k>k0，其中k^H最大。如果k>k0，则对于通过排除形成的局部多项式，替换一条直线。如果两个连续点之间的距离大于W，则该点不被考虑用于校正。连续三个点的步长的迭代算法如图所示。 13岁最初，随机选择主导点D1作为肺轮廓上的参考点它将被用作行军行动的起点点D1和D2将由直线连接，这条线将被用作参考线，用于找到最右边的点。最右点是由右手法则找到的，在这个规则中，我们简单地检查两个向量之间的旋转角的方向，即由参考线形成的向量和由优势点形成的向量。假设D3是肺部轮廓上最右边的点，那么D1，D3就成为下一条参考线。再次在参考方向上搜索最右边的点，并且该过程继续，直到接近路径× × ××G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975-987981见图7。 基于局部曲率尺度的优势点检测方法。得出图 1和算法1概述了整个分割过程。算法1：包含胸膜旁结节和肺血管的肺分割算法1 步骤1：-初始肺分割，计算肺边界的周长2 步骤2：-检测主导点。3 步骤3：-应用主导点行进并计算两个连续点之间的欧几里得距离W以及连接主导点的弧和线之间的最大垂直距离Hmax4 步骤4：-对于任何优势点对，如果k>k0，则用直线连接这两个连续点。5 步骤5：-计算肺轮廓的新周长P26步骤6：-重复步骤2至步骤5，直到jP1-P2jTp我们根据经验将Tp固定为1/40： 2，以避免欠分割和过分割。图14详细示出了边界校正算法3. 临床数据3.1. 测试数据集从肺部图像数据库联盟（Lung Image Database Consortium，2017）-图像数据库资源倡议（Image Database Resource Initiative，IDRI）公共数据库中选择了共计36例疑似肺结节的受试者，可通过癌症图像档案（TCIA）获得。LIDC包括1018个螺旋胸部CT扫描，包含从美国五个不同地点收集的3 mm至30 mm的多个肺结节。有关数据库的详细描述，请参阅（肺部图像数据库联盟，2017对来自LIDC数据集的36名受试者（包含至少一个重复）评估了所提出的方法。见图9。 弦的几何性质见图10。 肺边界上b点处的C-尺度估计放射科专家的指导下，结果被用作地面实况或参考标准。使用Microsoft Surface Pro 4进行手动描绘。本工作中使用的扫描尺寸为512 512 111至512 512503.体素间距范围从0： 65 mm到1mm，切片厚度从实验在MATLAB 2014 b上使用英特尔酷睿I7，3 GHz，8 GB RAM计算机。3.2. 评价参数采用 体积重 叠率（ VOF ） 、过分 割率（ OSR ） 、欠分 割率（USR）、体积重叠错误率（VOER）等性能指标对算法的准确性进行了定量评价。通过考虑每个患者的整个体积数据来计算这些参数，并用于找到由我们的自动分割算法和手动分割的参考标准生成的边界之间的差异。令Vauto是由所提出的方法生成的二进制掩码的体积。Vref是地面实况或参考标准的二进制掩码。体积重叠分数被定义为两个二元掩模的相交体积乘以它们的联合体积（vanRikxoort等人， 2009年）。. VautoTVref.胸膜结节总共237个结节（直径在3到30由两位放射科医生的共识小组从36名受试者的数据集中识别出237个结节，其中105个为胸膜结节。肺轮廓被手动标记在VOF=V自动;V参考电压。VautoSVref .ð10Þ图8.第八条。肺边界平滑（a）平滑之前的肺边界，（b）通过用由NCBS算法获得的值替换噪声像素“i”来平滑边界982G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987（一）图十一岁检测到的峰和谷点的示例（a）初始分割结果后获得的肺叶，（b）检测到的峰和谷点（峰点以绿色显示，谷点以红色显示），（c）检测到的优势点。（有关本图例中颜色的解释，请参阅本文的网络版本。）OSRV自动; V参考电压。Vauton Vref.ð11Þ.Vref.欠分割率USR=Vauto;Vref=USRV自动; V参考电压。Vrefn Vauto.ð12Þ见图12。曲线由肺部轮廓上的三个连续的主导点Di1;Di;Di-1组成，W是Di1和Di-1之间的欧几里得距离，Hmax是垂直距离。过度分割被定义为在所提出的方法中被包括为肺组织的一部分而不在参考标准中的肺体积（Pu等人，（2008），细分市场是与过度分割正好相反。过分割率.Vref.3.3. 实验结果自动分割性能是通过将其与由放射科医师完成的手动分割的肺轮廓进行比较来获得的。在所提出的方法中，通过以下来判断是否正确地将胸膜旁结节包括在分割结果中：放射科医生 图图17示出了图17的3D表面渲染视图。OSRPSV自动;V ref Þis give by包括胸膜旁结节和肺血管之前和之后的分段肺。建议算法的结果图13岁 优势点行进算法的步骤（a）选择优势点D 1作为起始点，（b）选择D 1 D 2作为参考线点D 3在参考线D 1 D 2的右手侧，因此它由直线连接，（c）在新的参考线D 3 D 4的右侧检查最右边的点，（d）以绿色显示边界校正的最终结果。（有关本图例中颜色的解释，请参阅本文的网络版本（b）（c）G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975-987983（一）图十四岁边界校正的图示（a）初始分割结果，（b）第一次迭代后的结果，（c）最终迭代后的边界校正结果使用第3.2节中给出的评价参数进行评价。表1详细说明了我们提出的自动分割算法与手动标记的36名受试者的真实情况的比较平均过分割率为0.7964%，欠分割率为2.324%。所提出的方法的体积重叠的平均值为0.9697%。图19所示为36个受试者的基于体积的分割误差，例如过度分割、分割不足和体积重叠。此外，我们提出的算法的逐步处理时间如图18所示。CT扫描分割所需的平均计算时间为182.448 s，平均每层处理时间为0.953s。每个患者的处理时间取决于CT切片数量和肺体积。与切片数量较多且肺体积较大的受试者相比，切片数量较少且体积较小的受试者的处理时间更短。图15示出了从我们提出的方法获得的胸膜旁结节和肺血管的成功包括的结果。图16证明了我们的方法的局限性，如图。 16（a）.示出了由于欠校正而导致的靠近肺门区域的欠分割的效果。图16（c）示出了由于过校正而引起的过分割在那里-表136例患者肺部分割的实验结果主题切片数目VOF%OSR%USR%VOERmmV汽车cm3的Vrefcm3的11330.96740.79532.49170.03261380.91404.721400.96800.56322.21430.03201604.91624.231280.96910.64182.46420.03091748.01780.441410.96281.29693.48820.03722287.32338.551330.96051.76072.25880.03951194.21200.261330.97290.72931.99940.02711758.71781.371230.96670.72471.25080.04331177.51203.082610.96171.29693.48820.03832287.32338.592570.96570.56962.87600.03432440.82498.4103430.97220.79332.00700.02786476.76556.3111430.97730.76121.52250.02272010.82026.2121130.97310.43252.65440.02691104.61098.4131270.96971.10671.95470.03031354.81366.4141330.97400.52332.09110.02602024.72056.9151330.97710.32691.97100.02291837.61868.3161250.97490.50592.01880.02511999.92030.6172060.97650.33992.01800.02354561.14639.0185030.97950.43591.62700.02054583.74639.0192420.97900.52581.58930.02104589.64639.0202010.96450.80342.16250.03553681.93708.7212590.96880.92122.83010.03124624.94694.7221410.97600.69181.72190.02401559.81576.0232800.97420.35322.23250.02584574.14661.7243470.97590.60311.82430.02419541.49659.3251660.97180.75942.08290.02823374.43419.7261450.97300.97063.77260.02691742.01792.2272050.96560.61772.84430.03442681.72742.8284170.96530.98402.51840.03476484.96585.9291870.96080.32542.68240.03923850.03904.4302300.97320.94322.45040.02685230.05291.9311370.97470.46082.08390.02531834.01864.2321110.96041.30212.71400.03961394.31414.3331330.97080.61602.31950.02921620.51648.6341510.94162.64063.35150.05841017.31024.6351330.97190.89151.94070.02811366.71381.2361390.97210.65692.15020.02792007.42037.9是说1920.96970.79642.32410.03062861.32902.7STD. Dev0.00720.44800.57750.0075（b）（c）¼¼ðþ Þð Þ984G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987图15.所提出的方法在LIDC数据库上的肺分割结果的示例。(a)：显示存在胸膜旁结节。(b)（c）和（d）：显示胸膜旁结节和肺血管。第一行显示原始图像，第二行显示初始分割结果，第三行显示手动分割，最后一行显示我们提出的算法的最终结果。（一）图十六岁通过我们提出的方法（a，c）和参考标准（b，d）获得的肺分割之间的比较可以通过连接肺轮廓上的精确优势点以及沿着肺边界的曲率的长宽4. 讨论4.1. 方法参数分析图十七岁肺分割结果：（a）具有由箭头指示的胸膜旁结节的初始分割结果，以及（b）通过迭代曲率校正结果获得的平滑边界。因此，我们认识到需要在过分割和欠分割方面进一步改进然而，由于排除了胸膜旁结节，在所提出的方法中，用于包括近听结节和肺血管的几个参数：阈值tc决定c尺度段。如果从连接边界的两个端点的直线的距离d大于tc，则c尺度段被定义为如图10所示。在我们的方法中，我们考虑了tc3：5，通过实证实验。为了确定沿肺边界的峰值和值点，通过使用以每个弧元素为中心的长度为2w1的中值滤波器来平滑弧长Ab我们选择了中值滤波器的半宽度W7。最后，通过对滤波器弧长的形态学操作，得到沿肺边界凹凸区域的完美峰谷A fb.我们已经选择了sev¼ 5;se p¼ 5。这些参数（b）（c）（d）W¼¼G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975-987985图18. 建议方法的总处理时间。图19.基于体积的分割算法的分割误差：过分割率、欠分割率、体积重叠率差。平均误差分别为0.79%、2.343%、3.30%。表2所提出的方法与其他最先进的方法的比较方法数据集的受试者数量胸膜旁结节数量体积重叠平均值（%）平均过度分割（%）平均细分不足（%）Pu等人（二零零八年）肺结节数据集2067–0.43%1.63%Wei等人（二零一三年）肺结节数据集2532百分之九十五点二四––Zhou等人（2014年）肺结节数据集20–百分之九十五点八一百分之一点八九2.39%Shen等人（2015年）LIDC数据集（肺部图像233406百分之九十七点三百分之零点三二点四厘数据库联盟，2017年）该方法LIDC数据集（肺部图像36105百分之九十六点九七0.79%2.324%数据库联盟，2017年）通过经验实验得到的最优解，准确地确定了峰谷点。对于边界校正，在我们的算法中考虑了三个参数，第一个参数是W，它只是两个连续的主导点之间的欧几里德距离后得到的游行。第二个参数是高度Hmax，它是在行进步骤之后获得的垂直于连接两个连续优势点的线的最大距离。 第三个最重要的因素是k，它控制着要校正的面积，如果比率k^Hmax大于k0，那么两个点由直线连接通过各种实验，我们已经确定了W的最佳值1/450和k的值0根据经验将其设置为k0： 考虑到我们的研究中各种大小的胸膜旁结节，我们将Hmax固定为2：数据库4.2. 与其他方法的为了分析所提出的基于曲率的胸膜-胸膜结节包含方法的有效性，将所提出的方法与最新技术进行了比较，并且为了独立评估和比较，我们已经在外科学上986G. Singadkar等人 /沙特国王大学学报-计算机与信息科学33（2021）975- 987可用的LIDC数据集。表2显示了我们提出的方法与其他现有技术方法的比较。所提出的方法在体积重叠率方面优于Wei等人（2013）的方法，我们的方法产生的体积重叠率为96.97%，而Wei等人（2013）为95.24%。结果改善的主要原因是因为我们的方法检测到肺部轮廓上的精确的主导点，并且随后通过提出的主导点行进算法加入，这有助于我们降低平均过分割和欠分割比率。提出的方法在平均体积重叠、平均过度分割、平均欠分割方面也优于Zhou等人（2014）的方法，我们的方法产生的平均体积重叠率为96.96%，平均过度分割0.79%，平均欠分割2.324% 。而 Zhou等人 （2014 ）的 方法 产生的 平均体积 重叠率 为95.81%，平均过度分割率为1.89%，平均分割不足率为2.39%。由于我们的方法是由ABM的动机，我们将我们的结果与Pu等人（2008）提出的自适应边界推进算法进行了比较。我们所提出的算法迭