沙特国王大学学报基于3D可视化云的模型，用于根据其大小对CT结肠成像Suraj Kotecha，Adithya Vasudevan，V.M.K.Kashyap Holla，Satyam Kumar，DayanandaPamiraviraja，Mrityunjaya Vithal LatteJSS技术教育学院，Bengalu 560060，卡纳塔克邦，印度阿提奇莱因福奥文章历史记录：收到2020年2020年12月8日修订2020年12月10日接受2020年12月29日网上发售保留字：结肠3D可视化CT结肠成像模板匹配A B S T R A C T在医学领域，使用计算机断层扫描（CT）的医学诊断由于其非侵入性方法和快速的总体周转时间而变得越来越流行。CT结肠成像的3D可视化涉及通过对患者进行计算机断层扫描并评估报告来评估和诊断患者以发现结肠中癌性息肉的存在这项技术通过允许医生自己分析CT扫描而不需要放射科医生生成初始报告来减少评估时间。该技术还避免了对患者的侵入性手术。本文给出了使用图像处理和深度学习的原理开发用于检测CT结肠造影图像中的息肉的计算机辅助系统的见解，特别是使用GoogleNet架构的卷积神经网络的集成及其3D再现。该系统对区域分类、区域1息肉检测和区域2息肉检测的准确率分别为98.75%、93.75%和94.03%，它们的F1分数分别为0.88、0.82和0.84。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍结肠是一个坚实的圆柱形管约5英尺长，是最长的一块内部器官。结肠的主要功能是从食物中吸收水和矿物质补充剂。该手术留下的废物进入直肠（Haggar和Boushey，2009）。结肠有四个区域（Perry，2003）。结肠有四个部分，即，主要的区域--爬升结肠从一个称为盲肠的袋开始;随后的段--横结肠从特权结肠到一侧穿过身体，第三段--在左侧下降的倾结肠，第四段--使用计算机断层扫描（CT）和磁共振（MR）的医学诊断由于其非侵入性方法和快速的总体周转时间而变得越来越流行。*通讯作者。沙特国王大学负责同行审查能够检查CT/MRI扫描的能力是一项非常复杂的技能，并且需要医疗专业人员具有大量的培训和经验，以便从观察扫描图像中流利地推断诊断。计算机断层扫描（CT）和磁共振（MR）是使用X射线或强磁场产生身体横截面图像的特殊测试这些横截面图像被称为切片，并且根据配置，这些切片可以以不同的间隔拍摄，范围从0.5 mm至10 mm，即图像被作为线性横截面拍摄扫描以DICOM图像的形式生成，这是一种用于医学成像的特殊格式，除了创建图像的像素值之外，它们还存储了大量额外信息它是一个复杂的对象，存储多个数据对象，如患者信息，扫描序列信息，切片厚度和其他信息。我们可以从CT扫描中获得的一个有用的数据元素是CT数，它是分配给每个像素的数值，并以Hounsfield单位测量，用于描述放射密度。使用CT编号，我们可以从CT扫描中分离结肠，并能够分离目标区域，并使用3D重建https://doi.org/10.1016/j.jksuci.2020.12.0061319-1578/©2020作者。由爱思唯尔公司出版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.comS. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4944生成一个交互式模型，并对其进行操作，以处理患者的治疗计划。使用3D模型而不是使用患者的2D扫描来对患者进行诊断要容易得多，因为医生能够可视化患者的内部而不必使用他/她的想象力，并且能够更好地理解患者从CT扫描中生成结肠的3D重建是一项具有挑战性的任务，并且有不止一种方法可以实现。每种方法都基于相同的基本原理，即将切片相互堆叠，但可以生成不同类型的模型，我们正在寻找一种方法来自动化和优化整个过程，并允许医疗专业人员能够生成患者结肠的3D模型，而上述关于结直肠癌诊断的诊断方法的具体形式的研究有助于阐明以下问题：DICOM CT照片的本质在它们所包含的数据以及它们如何被处理或操纵方面是非常脆弱的。因此，从CTC图像中消除噪声、分离结肠，甚至完成初步分类都应该非常谨慎，以免损害DICOM数据的质量。由于CTC图像切片的数量很大，因此不建议仅使用单个2D图像切片，特别是因为要估计粗糙度、深度和结构。利用卷积神经网络的现有癌症识别尝试在计算上是昂贵的，因此诊断需要大量时间。在实时检测过程中，系统需要管理数百张CT图像切片，最近开发的或现有的系统都需要先进的，高效的计算机在他们的指尖进行实时检测。这对于贫困和农村社区来说是一个重大挑战，在那里不可能有这样的环境，这将延长治疗时间，从而增加息肉癌变的风险。本文给出了使用图像处理和深度学习的原理开发用于检测CT结肠造影图像中的息肉的计算机辅助系统的见解，特别是使用Google-Net架构的卷积神经网络的集成及其3D重建。本文分为不同的部分，如第2节描述了与所提出的方法相关的工作第3讨论了拟定的方法学。第4讨论了训练和学习算法的更多细节结果讨论见第5。第6节讨论了云实施的细节，然后是结论。2. 相关作品实时图像处理和分类任务需要维护局部空间关系，以便识别正常或异常对象。在处理包含器官结构的2D和3D表示的医学图像时尤其如此。卷积神经网络（CNN）是一类深度学习方法，由于它符合图像处理和放射组学的标准，因此在计算机视觉领域占据主导地位。CNN是一种数学构造，具有以下三个基本组件：卷积层，池化和完全连接层。CNN能够处理视觉学习任务，因为该算法的一个显著特征是它保留了图像关系和特征，同时降低了维数并使进一步的处理不那么密集。换句话说，CNN可以捕捉图像中的重要特征，该处理通过减小参数空间来减少计算密集度。CNN的另一个优点在于它能够接受2维和3维的输入图像，只需进行微小的修改即可适应处理。这在医学场景中是特别有利的，因为一些医学成像模态（如X射线）是二维的，而MRI和CT扫描（Alteri等人，2014; Chen等人 ， 1999; Fletcher 等 人 ， 2000 年 ; Godkhindi 和 Gowda ， 2017年;Haggar和Boushey，2009年;结肠直肠癌印度医学研究委员会，n.d。Jerebko等人，2005）是3维图像体积，而超声可以是2维或3维的。由于医学数据集的穷举性质，CNN和递归神经网络（RNN）可以有效地用于分类，分割，检测，重建和解释等任务已经调查和总结了使用深度学习方法在CT结肠成像中检测息肉的突出相关工作A Jerebko进行的显著工作（Jerebko等人，2005）在2002年收集表面几何信息，然后基于返回候选息肉位点的所选变量进行过滤，将ANN和递归二叉树应用于所述过滤并进行比较以进行分类。ANN的敏感性为90%，特异性为95%，而二叉树的敏感性为82.1%，特异性为94.8%。AJerebko也进行了类似的工作（Jerebko等人，2005）涉及由神经网络的委托人进行的分类，每个神经网络使用很大程度上不同的特征子集。用Levenberg- Marquardt算法训练的反向传播神经网络被用作主要委员会成员。这使得假阳性率降低了36%，与任何单个神经网络相比，灵敏度平均提高了6.9%。总的敏感性为82.9%，特异性为95.3%。Suzuka（Suzuki，2013;Thirion，1998; Wyatt）实施了基于使用ANN作为过滤器的模式识别技术（称为非线性训练ANN）以及使用拉普拉斯本征函数的降维方法以减少训练时间例如，2000; Yao，2004; Yoshida等人，2002;Suzuki，2013;Visualization Toolkit，n.d. ）和2013年的其他方法，其在每例患者3.6的假阳性率下的灵敏度为95%。2016年，Nappi等人进行了基于深度转移学习（DETALE）方案的研究，该方案用于规避CTC自动息肉检测缺乏注释CTC扫描的问题，他们考虑了62个CTC扫描的训练集和92个CTC扫描的验证集，其灵敏度为93%，FP率为2.0每名患者。Roth在2016年进行了类似的实验，表明可以利用一组随机的ConvNet来大幅提高新型2阶段框架中各种FP率的灵敏度。这样做的结果是，在每人3个假阳性时，灵敏度从58%增加到75%。作者们进行了杰出的工作（Ravi Kumar等人，2020年; Godkhindi和Gowda，2017年）在2017年和2020年使用多步预处理进行息肉检测，使用深度学习进行分类，并将结果与经典ML算法进行比较。敏感性为88.77%，特异性为87.35%。H Chen于2018年成立这是一个设计良好的框架，它依赖于两个方面来减少过拟合：海量数据增强和平面3D残差全连接网络。为此，使用了从TCIA的CTC收集和Richard Choi博士，WRAMC的CTC收集中取样的144例CTC患者病例。这导致灵敏度为97%，每个数据集有20个假阳性。作者（Abualigah，2020）讨论了优化问题，自然启发算法和组搜索优化算法。不同的优化问题是解决自然启发算法称为和组搜索优化算法，它是S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4945灵感来自现实生活，工作重点是从2009年到2020年的应用程序，变体和结果。自然启发式和Meta启发式优化算法可以解决各种决策问题，该算法基于最小或最大目标对特定问题给出最优解。详细介绍了GSO算法的基准函数、工程化、组网和分类.作者（Abualigah，2020; Abualigah and Shehab，2020）对多变量优化算法（MOA）进行了详细的研究，提出了一种优化算法，并对该算法进行了度量和区别性分析。这项工作包括所有现有的出版物，包括MOA在其目的。该优化算法在众多领域的许多优化问题中得到了有效的应用。作者（Alsalibi等人， 2020）给出了爬山（HC）技术的混合版本的全面研究，Salp Swarm算法（SSA）分两个阶段提出。第一阶段是解决混合SSA开发能力的进展。第二阶段解决选择方案，以提高HSSA的勘探能力。比例选择算法PHSSA克服了基本SSA算法中局部搜索的缺点，只要在探索和利用之间找到适当的平衡点，既能保持解的多样性，又能避免早熟收敛，就能获得更好的性能3. 方法这部分解释了工作中使用的各种方法和算法。图1定义了项目建议的简单概念框图。在患者接受CT结肠造影扫描后，收集一系列CTDICOM照片。这些图片通过不同的函数和算法来实现异常的最终效果。突出显示的息肉在3D结构中可见。每种方法都将在以下小节中详细介绍。下面的框图显示了所描述的模型（见图1）。① 的人。演算法：步骤1：输入CT扫描的DICOM图像步骤2：通过从扫描中提取结肠（阈值），将其转换为jpeg格式并去除噪声来预处理图像第三步：通过提取结肠的各个横截面来重新格式化图像，并将其调整为227x227标准。步骤4：使用ML模型根据图像的形状将图像分为4类：区域1，区域2，直肠和噪声第5步：使用标记数据集训练的ML模型将区域1中的图像分为两类：息肉和非息肉第6步：使用标记数据集训练的ML模型将区域2中的图像分为两类：息肉和非息肉第七步：基于分类图像，通过突出显示检测到的息肉生成一组横截面图像，并使用突出显示的图像生成3D模型。显示结果。根据文献调查中发现的问题，我们计划在提出的工作中增加以下目标：从CT结肠造影图像中预处理和分割结肠，通过3D图像构建检测息肉并将结果与现有系统进行比较，使用深度学习算法进行特征提取，将结果与经典的机器学习算法进行比较，并通过重复直到最佳精度来改进结果，开发一个网站作为最终产品，使客户端能够选择一组DICOM图像作为输入，并获得处理后的3D结构作为输出，并在云服务的帮助下处理实时场景。3.1. 预处理由于CT DICOM图像包含大量信息，因此处理时不需要大部分的案件。CT结肠成像是通过从直肠中嵌入少量碳以显示结肠分隔器来完成的。选择充满空气的区域。暗区非常明显，并从不同器官中识别出来（Chen等人，1999年）。利用固定的质量来执行空气保持，以从其他区域引导仅空气填充的区域（Fletcher等人，2000年）。图2示出了在处理和关联3D视图之后的结果。3.2. ROI分类感兴趣区域（ROI）是必须分离或包含的图像的一部分。这里，ROI是CT图像的暗淡的充满空气的区域，因为它具有结肠部分的大部分。结果，该元件可以限制图像以找到Fig. 1. 拟议模型的流程。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4946图二. 预处理图像。将其分割成各种各样的正方形以进行额外的处理。CT图像有很多固定的正方形，这些正方形是充满空气的区域。进行成分调查，以打破每个切割成各种固定的双重广场和命名的面积，每个广场是留出一些额外的准备。这些方块包含结肠、肺、仪器和噪音，如图10所示。下面三个。3.3. 息肉分类在这个过程中，息肉通过将每个结肠阻塞表征为正常来区分，如果没有息肉可用，或者在至少一个息肉可用的情况下不寻常。在这里，卷积神经网络是建立和准备与地面真实数据的信息标记广场。由于区域2的形态活动性该技术显示了所有结构中不可预测或息肉阻塞的情况，如图所示。 五、聚乙烯分类流程如图所示。 六、3.4. 突出显示息肉以息肉为特征是这个过程中的一个重大进步，因为它作为建立3D结构的建立层。出于这个原因，我们使用OpenCV格式协调：模板协调是一个系统，用于查找与布局图像（补丁）匹配的图片区域为了实现格式协调的最终目标，我们需要两个基本部分：来源图片（一）：我们希望找到匹配的图片到格式图片。格式图片（T）：修复图片，将出现不同的- ently相对于布局图片内的源图片。主要目标是找到最高的协调区。格式图片在源上滑动，以发现可以想象的最高匹配的位置。修复图片移动每个像素，依次向右和向下投降。在每个区域，测量值都被解析，因此它说明了修复与源图片的特定区域的可比性。布局协调主要利用matchTemplate和minMaxLoc两种能力。matchTemplate用于扫描图像定位和信息图像之间的匹配。min-MaxLoc用于在给定的展览中定位最大和最小的质量（正如它们的情况）。源图像、格式化图像和输出模板如图1A和1B所示。 七比九3.5. 结肠的3D模型生成一旦在切片中识别并突出显示息肉，下一步就是构建3D体积或表面，并以适当的格式导出。为此，我们尝试并测试了各种方法，例如在MATLAB中生成三维数组，使用医学图像处理工具直接处理DICOM图像文件以及使用各种开源图像处理工具。最好的工作方法是使用ImageJ，这是一个开源的图像处理工具，它在支持不同的输入格式以及添加插件的能力方面具有高度的通用性，这有助于我们从jpeg切片进行3D构建图三. 将CT图像分割成ROI块。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4947见图4。 区域分类模块。图五. CTC图像分类。在ImageJ中，我们探索了两种主要方法来生成3D结构：3.5.1. 堆叠ImageJ可以在单个窗口中显示多个空间或时间相关的图像。这些图像集称为堆栈。使用ImageJ创建多图像TIFF的过程如下：A. 导入图像序列B. 打开C. 选择“堆栈”D. 选择“3D项目”。. 'E. 对默认属性进行调整F. 点击一旦这些步骤完成，您将看到一个可以在滚动条的帮助下操作的3D结构，3D结构将围绕一个固定轴（x，y或z）旋转，如图所示。 10个。使用这种方法的问题是，我们只能围绕一个不能改变的特定轴来操纵结构。为了操纵不同轴的结构我们需要重新生成3D结构（或者更合适的是图像序列的投影）。这种 方 法 的 优 点 是 轻 量 级 的 最 终 结 果 文 件 ， 只 有 9 Mb（approximately），而我们使用的下一种方法将生成一个显着更大的图像文件。3.5.2. 插件（3D查看器）3D Viewer的许多功能都是宏记录的，因此我们可以很容易地将在工具中执行图像操作时的一组步骤转换为可用于自动化过程的小代码块在我们的项目中，我们使用此功能来生成代码，以自动化图像处理和3D结构的生成。使用3DViewer插件的过程如下：A. 导入图像序列B. 打开C. 选择D. 选择输入文件E. 调整阈值和恢复过滤器F. 选择显示结构的颜色配置文件G. 选择3D结构的显示方式（作为体积、表面、正交切片等）。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4948见图6。 息肉分类模块。见图7。 源图像。H. 打开文件选项卡并选择导出，将结构导出为所需格式。要导出3D图像，我们选择.stl格式。这种格式的好处是在支持的编辑和查看工具方面是通用的，它也可以使用Microsoft Windows基本发行版中的标准发行软件进行查看我们的结果.stl文件如图所示。下面的11大约是300 Mb，这使得进程功耗很大，我们需要一个高性能的机器来运行我们的程序。4. 训练和学习算法迁移学习是机器学习和人工智能中的一种技术，其中为机器学习和人工智能准备和生成的模型见图8。 格式化图像（Patch）。一项任务被“重用”，作为完成另一项任务的模型的开始阶段。让我们以GoogleNet中GoogleNet已经准备了超过一百万张图片，有六千万个边界，可以将图片分组为1000个文章标记。这是由于该系统已经准备好的方式，并为大量的图片学习了丰富的组件描绘。像其他一些CNN（李等人，1994; Ma等人，2014; Pickhardt等人，2003; Jerebko 等 人 ， 2005; Manjunath 等 人 ，2015; Perry， 2003;Pickhardt和Kim，2010;结肠和直肠息肉，S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4949图9.第九条。输出模板匹配图像。n.d. ），该系统将其贡献计入图片的类型，并将其标记为产量。图片中的项目的这个标记与文章在每个分类中占有一席之地的概率有关。利用移动学习构建、调整和升级系统比在没有任何准备的情况下构建和准备系统要简单得多，特别是当它们从任意安装的负载开始时。因此，它是简单的快速移动预先学习的亮点，以另一个承诺，使用受约束的准备图片。预训练网络CNN的最后3层，这里是Google-Net，被配置为上千个类。因此，必须修改这3个层以用于所需的分类任务。以下步骤概述了此过程，并附带了代码。1. 浓缩所有层，但最后三层，从预先准备的系统。public int findDuplicate（1）;2. 通过用FC层、softmax层和排序收益率层取代最后三个层，将层移动到新的排列任务。根据新信息确定新的完全关联层的选择，明确表示类的数量。numClasses = numel （ categories （ imdsTrain.Labels ） ）layers = [layersTransfer fullyConnectedLayer（numClasses见图11。使用3DViewer插件生成的3D体积，可以同时围绕所有三个轴旋转。arnRateFactor’,20,’BiasLearnRateFactor’,20)3. 训练和备用更改后的系统。4. 整理审批图片。5. 计算认可图片的特征化精度。4.1. GoogLeNetGoogLeNet ， 以 前 称为 Inception V1 ， 是 Google 错 误 率仅 为6.67%，输出与人类标准相似。GoogLeNet背后的想法是用数字生产力训练更深层次的网络，图10个。围绕y轴旋转的3D TIFF图像序列S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4950X.- 是的Σ¼ω ð ÞX保持不变的约束。这是基于一个非常有效的GoogLeNet没有全连接层 。 它 只 有 500 万 个 参 数 ， 比 AlexNet 的 6000 万 个 参 数 少12GoogLeNet模块如图所示。 12个。4.2. cv2匹配CV_TM_CCORR -互相关在等式（3）中示出。Rx;yTx0;y0：Ix x0;y y0 Þð3Þx0; y0CV_TM_CCORR_NORMED：在等式（4）中示出。B0Px0;y0Tx0;y0：Ixx0;yy01C0;0Þþ0的整数;þ0分：ðRB@x;y<$rPTxyPIxxy2CA4CV_TM_SQDIFF -平方差之和如等式（1）所示。x0的0 0 0CV_TM_CCOEFF -交叉系数见公式（5）。R x;y xT0. x0;y0：I. xx0;yy05R x;yx0;y0 T x;y- I xx;yy1x0;y0CV_TM_SQDIFF_NORMED：在等式（2）中示出。Rx;yPTx0;y0-Ixx0;yy02x00;y其中，T0x0;y0<$Tx0;y0 -1=w：h：x};y}2ÞTx};y}rPTx0;y02：PIxx0;y02I0I<$x<$x};y<$y}x0;y0x0;y0见图12。 GoogLeNet模块。x};y}OpenCV通过使用matchTemplate和min-MaxLoc与上述6种方法中的任何一种的帮助。规范化匹配过程的结果。定位找到最高匹配的区域与最可能的匹配项相比，在区域周围绘制方形。5. 结果用于评估对所选数据集执行计算的措施是利用准确度、灵敏度和特异性，如条件方程（6）、（7）和（8）所示。准确度正确分类实例的数量1006试验样品总数●●●●●x0;y0x0;y0S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4951图13岁训练区域分类模型S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4952¼ω ð Þω ð Þ见图14。 训练区域1中的息肉检测模型。图15. 训练区域2中的息肉检测模型。灵敏度True positives100 7Truepostives Falsenegetiv es特异性TrueNegetivies100 8Truepostiv es Falsenegetiv es其中真阳性被有效地识别为息肉，假阳性被不准确地区分为息肉，假阴性被错误地否认，而真阴性被准确地区分，如所期望的。图13显示了在准备CNN进行区域分类时的准确性和不幸性， 14示出在为区域1中的息肉检测准备CNN时的精确度和不幸。图15示出了在准备CNN用于区域2中的息肉检测时的准确性和不幸。图图13- 15显示了区域分类的训练精度，区域1和区域2 相对于用于TCIA数据集的GoogleNet CNN架构。表1显示了用于分类的几个度量的测量。MCC和Kappa通过交换混淆矩阵元素给出了相同的值。训练准确度和分类准确度对于不同的CNN架构是不同的。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4953表1测量几种用于分类的方法。区域分类区域1区域2精度0.98 0.93 0.94F1 0.88 0.82 0.84MCC 0.68 0.68 0.68Kappa 0.57 0.57 0.576. 云实施该系统已实现为基于云的Web应用程序。该系统以软件即服务（SaaS）的形式提供，并已部署在AWS上。在项目的后端工作顺利之后，我们提供了一个用户界面并进行了部署。我们需要提供一个图16.的主页.图17. 上传页面。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4954图十八岁显示区域1和2中的息肉图19. 显示包含息肉的突出显示区域。用户界面，使该模型可以很容易地被人们使用。我们需要在模型的前端提供以下功能，以便它顺利运行并对用户友好。后端的matlab代码必须提供图像。为了实现这一点，在前端，我们必须有一个选项，让用户上传多个文件。在图像上传之后，它们将被处理，然后被分类为区域一和区域二。这必须反映在前端。在此之后，将生成一系列高亮的3D图像。这些图像将显示在一个旋转木马。在最后一个阶段，后端使用高亮显示的图像。最后，这个图像显示在前端。为了实现这一点，我们使用了html，css，js，php和xampp。下面的图16-20是部署在云上的网站的截图。上图21是我们测试的不同方法的相对性能图表，以实现我们的3D模型。elling系统每种方法都有自己的优势和权衡，必须进行分析和评估以选择最合适的解决方案，正如我们所看到的那样，ImageJ在大多数参数中具有一致的高性能。7. 结论我们提出了一种全自动的计算机辅助系统，用于使用图像处理和深度学习的原理检测CT结肠造影图像中的息肉，特别是卷积神经网络的集合及其3D重建。CT结肠成像图像充满了噪声，例如结肠以外的器官，骨骼，仪器和切片中的差异，这些都需要非常小心地处理和消除。主要的挑战是消除这些，只提取结肠的区域。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4955图20. 显示结肠的3D渲染图，描绘包含息肉的突出显示区域。图21.我们测试了不同方法的相对性能图，以实现我们的3D建模系统。一旦息肉被分类为息肉和非息肉，则突出显示作为息肉的输出。这是通过使用cv2模板匹配方法来完成的。然后使用这些突出显示的输出，使用VTK和ImageJ等软件构建结肠的3D。由此生成的结果被存储并用于生成可以从开发的Web应用程序访问的报告。该系统已部署在云中，使其可以访问-对于农村和贫困地区的患者来说，只有互联网连接，从而消除了客户端对复杂计算设备的需求。这将有助于在癌症治愈的机会最高的早期阶段在高危患者中检测结肠癌。该系统对区域分类、区域1息肉检测和区域2息肉检测的准确率分别为98.75%、93.75%和94.03%，其F1得分为0.88、0.82和0.84。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认作者感谢卡纳塔克邦政府卡纳塔克邦技术认证委员会（KCTU）的作者们也感谢JSS Maiddyapeetha，Mysuru的支持和鼓励，我们也感谢信息科学工程系的前辈Niharika Hegde女士，Shishir M先生和Shashank S先生的热情支持。引用阿布阿里加湖2020.组搜索优化器：一个自然启发的元启发式优化算法及其结果，变体和应用。神经元计算应用程序、1-24阿 布 阿 里 加 湖 2020. Multi-verse Optimizer Algorithm ： a comprehensive survey ofitsresults，variants，and applications. 神经计算&应用32，12381-12401。阿布阿里加湖Shehab，M.，迪亚巴特，2020年。混合Salp Swarm算法的选择方案灵敏度：分析和应用。计算机工程1-27号。Alsalibi，B.，阿布阿里加湖Khader，A.T.，2020.求解最优化问题的一种新的动态膜结构蝙蝠算法。Appl Intell.，1-26Alteri，R.，Kramer，J.，辛普森，S.，2014.大肠癌的事实和数字2014- 2016。美国癌症协会，亚特兰大，pp。 1-30陈世昌，陆德生，赫克特，J R，卡德尔，B M，1999. CT结肠成像的价值仰卧位和俯卧位都可以。Am. J.伦琴。172（3），595-599。https://doi.org/10.2214/ajr.172.3.10063842网站。结 肠 直 肠 癌 印 度 医 学 研 究 委 员 会 ， www.icmr.nic.in ， / guide/cancer /Colorectal/Colorectal % 20Cancer.pdfFletcher，Joel G.约翰逊角，澳-地丹尼尔韦尔奇蒂莫西J作者声明：Robert L.Ahlquist，David A.，里德，贾德E.，Harmsen，William S.，Wilson，Lynn A.，2000. CT结肠 成 像 技 术 的 优 化 ： 180 例 患 者 的 前 瞻 性 试 验 。 放 射 学 216 （ 3 ） ， 704-711 。https://doi.org/10.1148/radiology.216.3的网站。r00au41704。Godkhindi，上午，Gowda，R.M.，2017.在结肠癌诊断中使用深度学习算法自动检测CT 结 肠 成 像 图 像 中 的 息 肉 。 能 源 ， 通 信 ， 数 据 分 析 和 软 计 算 国 际 会 议（ICECDS），1722-1728。Haggar，Fatima，Boushey，Robin，2009.结直肠癌流行病学：发病率、死亡率、生存率和危险因素。Clin. 结肠直肠手术22（04），191https://doi.org/10.1055/s-0029-1242458网站。Jerebko，A.K.，马利，J.D.，Franaszek，M.，萨默斯，R.M.，2005.支持向量机委员会分类方法用于CT结肠造影中的计算机辅助息肉检测学术放射学; 12（4），479李，TC，Kashyap，R.L.，Chu，C.N.，1994.通过三维内表面/轴细化算法建立骨骼模型。计算机视觉，图形，图像处理56（6），462-478。S. Kotecha，A.Vasudevan，V.M.K.Kashyap Holla等人沙特国王大学学报4956Ma，Ming，Wang，H. 宋湾，英-地一帆，胡，顾，X.，Liang，Z.，2014年。基于随机森林的计算机辅助检测CT结肠成像中的息肉。在：2014年IEE核科学研讨会和医学成像会议（NSS/MIC），pp。 一比四Manjunath，K.N.，GopalakrishnaPrabhu，K.，Siddalingaswamy，P.C.，2015年，基于知识的CT结肠成像图像结肠分割方法，2015年IEEE信号和图像处理应用国际会议（ICSIPA 2015），pp.65比70佩里，J.X.，2003.三维腔内CT结肠成像（虚拟结肠镜）：三种市售系统的比较。181（6），1599-1606。Pickhardt，P.J.，金博士，2009年，CT结肠成像：虚拟结肠镜检查的原理和实践。Pickhardt， P.J.，Choi，J.R.，黄岛，印尼- 地巴特勒，J.A. ，帕克特，马里兰州，Hildebrandt ， H.A. ， 黄 瑞 坚 ， 纽 金 特 ， 宾 夕 法 尼 亚 州 ， Mysliwiec ， P.A. ，Schindler，W.R.，2003. CT仿真结肠镜筛查无症状成人结直肠肿瘤 新英格兰J。Med. 349（23），2191-2200。结肠和直肠息肉：http://www.msdmanuals.com/professional/gastrophilinal-disorders/tumors-of-the-gi-tract/polyps-of-the-colon-andrectum。Ravi Kumar ， Y.B. ， Narayanappa ， C.K. ， Dayananda ， P. ， 2020. Weighted fullbinary treesliced binary pattern ： An RGB-D image descriptor ， Heliyon ，Elsever，6（1），e03751，1铃木，K.，2013年。CT中胸部和结肠计算机辅助诊断中的机器学习：IEICE信息与系统汇刊综述;（4）：772-783.E96.D[http：//dx.doi.org/10.1587/transinf.E96.D.772]Thirion，J.P.，1998.图像匹配作为扩散过程：与麦克斯韦恶魔的类比。Med. 图像肛门。2（3），243-260。可视化工具包（VTK）http://www.vtk.org。Wyatt，C.L.，Ge，Y.，维宁DJ两千 用于虚拟结肠镜检查的结肠自动分割。Comput. Med.成像图。24，1-9。Yao，J.等人，2004.基于模糊聚类和变形模型的CT结肠成像结肠息肉分割。IEEE Trans.Med. Imag. 23（11），1344-1352。吉田，H.，Masutani，Y.，MacEneaney，P.，鲁宾，D.T.，Dachman，A.H.，2002. 基于体积特征的CT结肠造影计算机检测结肠息肉：初步研究。放射学222（2），327-336。
