0 引言

    據(jù)統(tǒng)計，肺癌是癌癥病例中發(fā)病率較高的一類癌癥，但如果早期發(fā)現(xiàn)，可以極大地降低患者的死亡率。發(fā)現(xiàn)早期肺癌的主要方法是通過X射線或者CT發(fā)現(xiàn)病人病灶，X射線成像模糊，不易觀察病灶發(fā)展。目前都采用多層螺旋CT^[1]或者磁共振成像(MRI)檢測肺癌，肺結(jié)節(jié)是肺癌在CT上的表現(xiàn)形式，通過詳細地分析并精確地檢測肺結(jié)節(jié)，可以提高肺癌早期診斷的準確率，并有著重要的臨床價值。

    在肺結(jié)節(jié)的5種類型中，國內(nèi)外研究最多的是實心型結(jié)節(jié)，包括孤立型、粘連血管型、粘連肺壁型三類^[2]。而空洞型及毛玻璃型結(jié)節(jié)研究方法相對比較少，毛玻璃型肺結(jié)節(jié)與實心型結(jié)節(jié)相比，沒有固定的形狀、大小以及清晰的邊界，不易提取結(jié)節(jié)圖像的特征，很難通過一種有效的方法檢測并提取出肺結(jié)節(jié)。MAEKADO M^[3]通過計算圖像的灰度值，繪制直方圖來提取毛玻璃型肺結(jié)節(jié)。KATSUMATA Y^[4]用濾波器拉伸血管和結(jié)節(jié)的對比度，提取肺結(jié)節(jié)的特征，最后用神經(jīng)網(wǎng)絡分類器識別出毛玻璃型結(jié)節(jié)。ZHOU J H^[5]首先用圓點濾波器(Dot filter)去掉噪聲和周圍血管，然后提取紋理特征，最后用K-NN分類器識別毛玻璃型結(jié)節(jié)。

    文獻[3]中通過濾波器增強GGO型肺結(jié)節(jié)的灰度值后，可以直接通過閾值法檢測GGO型結(jié)節(jié)。但是用濾波器增強GGO型結(jié)節(jié)對比度時，由于GGO型結(jié)節(jié)邊緣模糊，形態(tài)無規(guī)律，很容易漏檢，再用閾值法提取GGO型結(jié)節(jié)會把血管混淆進去，從而導致檢測的精確率下降。文獻[5]中用圓點濾波器只提取到了圓形的肺結(jié)節(jié)，漏掉了部分非圓形肺結(jié)節(jié)。本文在分析毛玻璃型結(jié)節(jié)特點的基礎上，對現(xiàn)有的研究方法進行改進，提出了一種檢測和提取毛玻璃型結(jié)節(jié)的新方法?；谛螤畹臑V波器能很好地提取部分具有球型形狀的GGO型結(jié)節(jié)，但會漏掉一部分無規(guī)則的GGO型結(jié)節(jié)。只用閾值法，檢測的準確率會下降；只用形狀濾波器，檢測的漏檢率會提高。把二者結(jié)合起來，與單獨使用閾值法或形狀濾波器方法相比，降低了假陽性，提高了檢測的準確率。

1 基于CT圖像的肺實質(zhì)分割原理

    人體的組織器官是錯綜復雜并相互關聯(lián)的，首先要從組織器官中把肺部區(qū)域分割^[6]出來，去掉肺實質(zhì)周圍的氣管、噪聲等無關信息，如果有兩肺部粘連情況，還要對其進行分離。應用改進的閾值法區(qū)分肺部區(qū)域和背景，如果出現(xiàn)左右肺粘連情況時，通過基于分水嶺變換的分割方法分離左右肺區(qū)，最后對肺邊界進行修補。

    首先，剔除背景，繪制肺部區(qū)域及周圍背景的灰度直方圖，找到峰谷，獲得初始分割閾值，對于背景和肺實質(zhì)重疊區(qū)域，將多個峰谷應用迭代法進行修復，最終得到最佳閾值，再應用區(qū)域生長方法將背景從肺部區(qū)域中去除。其次，去掉氣管，肺實質(zhì)外部及肺壁上含有的氣管、血管等管狀結(jié)構的器官，為了精確地提取肺部區(qū)域，本文提出一種改進的3D區(qū)域生長方法^[7]去除外部管狀器官。如果左右肺有粘連，分離左右肺，首先定位粘連的肺部區(qū)域，然后再進行左右肺區(qū)的分割，最后再應用形態(tài)學運算調(diào)整分割誤差。最后，進行肺邊界的修補，在進行肺實質(zhì)的初始分割后，肺邊界處表現(xiàn)出許多凹凸不平的現(xiàn)象，主要是由于有一些結(jié)節(jié)在肺部內(nèi)邊緣或者粘連的外部區(qū)域，為了降低結(jié)節(jié)的漏檢率，本文利用滾球法和形態(tài)學操作修補肺邊界的缺口，將肺結(jié)節(jié)包含在肺實質(zhì)中，得到平滑和完整的肺邊界。滾球法的原理^[8]是設定一定半徑的圓形，利用邊界的曲率變化，圓形模板在肺邊界沿著指定方向滾動一圈，并回到初始位置，最后利用圓形模板對邊界進行形態(tài)學操作的過程。

2 肺實質(zhì)分割算法及結(jié)果

2.1 背景剔除

    背景剔除具體算法流程為：

    (1)輸入影像信息，計算獲得CT圖像上X、Y軸方向的最大分辨率A_max、B_max。   

    (2)計算初始閾值T，通過閾值把像素集分割成A、B兩個區(qū)域，計算兩個區(qū)域像素集的均值μ_a、μ_b，獲得最佳閾值：

    (3)種子點的選擇，從圖像最左側(cè)出發(fā)，設定四鄰域模板，掃描周圍像素點，如果像素點的灰度值小于T_z，則為種子點。

    (4)初始參數(shù)設定：T_z=-400 HU，P_lefttop=(1，1)，P_righttop=(1，B_max)，P_leftdown=(A_max，1)，P_rightdown=(A_max，B_max)。

    (5)設定區(qū)域生長規(guī)則：其中I(A_i，B_i)為原始圖像的任意像素值，N₄(A_i，B_i)是A_i、B_i的四領域像素點。

    從左上到右下所有圖像的所有區(qū)域，找出滿足式(2)、式(3)的所有像素點。

    (6)應用區(qū)域生長算法對所有種子點的四鄰域像素進行搜索，直到不滿足條件為止。

    (7)將滿足搜索條件的背景區(qū)域設置成白色，對圖像進行二值化操作。

2.2 去掉氣管

    提取肺實質(zhì)外部氣管的算法思想是：設定種子點后，應用棋盤距離標記方法生成區(qū)域內(nèi)的像素，確定好棋盤間的距離K，經(jīng)過第N次迭代后，依據(jù)區(qū)域生長規(guī)則，搜索滿足條件的所有像素點，最后設置生長終止條件，檢測到氣管區(qū)域。設V(K)為滿足區(qū)域生長的面積值，繪制V(K)值的曲線變化圖，觀察曲線圖中值的變化，如果數(shù)值突然變大，表明檢測到管狀器官，提取并去掉該區(qū)域，具體步驟如下：

    (1)種子點的選擇：從中肺野層片上開始搜索種子點，設定4×4模板，搜索所有滿足像素點的區(qū)域，利用區(qū)域生長法獲得種子點。

    (2)生長規(guī)則：搜索種子點周圍6領域像素的值，保留T+6與T-6之間的像素值，搜索不少于100個像素的面積區(qū)域。

    (3)終止條件：計算函數(shù)V(K)的面積導數(shù)，如果面積導數(shù)值大于零，則停止搜索，提取氣管區(qū)域，獲得肺實質(zhì)。

2.3 左右肺分離

    剔除背景及氣管后，有的肺部CT圖像中的左右肺是粘連在一起的，能精確地分離出左右肺是檢測結(jié)節(jié)的前提。具體算法過程如下所示：

    (1)定位感興趣區(qū)域：首先應用投影法^[9]，公式如下：

    計算像素點的積分值，應用積分值確定像素點的坐標S(x₀，y₀)后，以坐標點為中心，確定半徑R，得到一個矩形區(qū)域，該區(qū)域即為左右肺相連的區(qū)域。

    (2)左右肺分割：用0和1值對待分割的矩形區(qū)域進行標記，然后計算像素的梯度幅度，求出極值，根據(jù)極值設定“分水嶺”，用山脊來表示雙肺區(qū)域，用山谷表示雙肺間縱膈區(qū)，最后用山谷的極值來分割左右肺區(qū)。對分割的左右肺進行二值化處理及顏色的反轉(zhuǎn)。

    (3)腐蝕膨脹方法精確分割區(qū)域：由于左右肺連接處結(jié)構復雜、形態(tài)多樣，本文應用形態(tài)學方法對內(nèi)外分組區(qū)域的像素點進行調(diào)整。通過對連接部件的分析，不斷調(diào)整形態(tài)學算子的初始半徑r₀，對矩形區(qū)域進行腐蝕和膨脹運算，直到完全并精確地分割左右肺區(qū)。

2.4 肺邊界修補

    滾球法的算法步驟：

    (1)分別提取左右肺部區(qū)域圖像，對其進行邊界修復；

    (2)通過大量的實驗數(shù)據(jù)獲得合理的圓形半徑，應用圓形模板在邊界滾動，修補邊界的凹陷處；

    (3)應用基于局部區(qū)域的滾球法提高圖像處理速度，縮小形態(tài)學操作的范圍，減少運行時間。

2.5 肺實質(zhì)仿真分割結(jié)果

    實驗數(shù)據(jù)來源于美國LIDC(Lung Imaging Database Consortium)肺影像數(shù)據(jù)庫，按照本文的方法對非粘連左右肺區(qū)采用的分割步驟，獲得的處理結(jié)果如圖1所示。

3 基于形狀特征和濾波增強法的GGO型結(jié)節(jié)檢測

    GGO型結(jié)節(jié)的形態(tài)特征表現(xiàn)為模糊的稀薄影，與實心型結(jié)節(jié)相比，形狀不規(guī)則、邊界不清晰。但部分GGO型結(jié)節(jié)的局部結(jié)構都是類球型的，很多無規(guī)則形狀的GGO型結(jié)節(jié)都是由這些類球型局部結(jié)構組成的。分析了結(jié)節(jié)的特點后，先提取球型結(jié)構的GGO型結(jié)節(jié)，然后再用濾波增強后的閾值法提取剩余結(jié)節(jié)，該方法與單獨使用一種方法相比，降低了漏檢率，假陽率也有所下降。

3.1 形狀指數(shù)的定義

    形狀指數(shù)(shape Index)^[10]、CT值和曲率可以表示像素的局部特征。形狀指數(shù)的值表示了與球型的接近比例。大部分肺結(jié)節(jié)表現(xiàn)出類球型結(jié)構，而血管是類管狀結(jié)構，通過形狀指數(shù)數(shù)值的差異，可以區(qū)分并提取出肺結(jié)節(jié)。形狀指數(shù)是由曲率以及導數(shù)運算計算得出。設K(s)、H(s)為像素s的高斯曲率值和平均曲率值，可得公式：

    通過K₁(s)、K₂(s)計算得出像素s的主曲率，最后推導出形狀指數(shù)的值為：

    表1給出了5種形狀指數(shù)值及對應的形狀說明。

3.2 基于形狀特征的GGO型結(jié)節(jié)的提取

    目前，檢測實心型肺結(jié)節(jié)常用的方法有濾波增強法、圓點濾波器法等，但對于低密度的GGO型結(jié)節(jié)，由于邊界模糊，直接應用濾波增強法不能精確地檢測和提取肺結(jié)節(jié)，部分GGO型結(jié)節(jié)也是由局部類球型的小肺結(jié)節(jié)組成的。因此，利用形狀指數(shù)特征區(qū)分具有球型特征的GGO型結(jié)節(jié)和血管是實際可行的。

    下面給出應用形狀特征提取疑似GGO型結(jié)節(jié)區(qū)域的處理過程，設i、j為所選區(qū)域R_s任意像素值，V_i、V_j為接近球型的經(jīng)驗閾值，閾值的取值范圍在0.8～1.0之間，本文設定V_i=0.91，V_j=0.88。定義SI(i)、SI(j)為像素i、j的形狀指數(shù)，對應的公式有：

    (1)在R_s區(qū)域內(nèi)，提取滿足式(8)的i像素，以及i像素周圍四鄰域的連通區(qū)域R_si。

    (2)在R_s區(qū)域內(nèi)，提取滿足式(9)的j像素，以及j像素周圍八鄰域的連通區(qū)域R_sj。

    (3)如果R_sj區(qū)域至少包含R_si區(qū)域內(nèi)的一個連通區(qū)域，則R_si即為疑似候選區(qū)域。

    (4)定位候選區(qū)域后，應用公式：

其中，f_M為R_si區(qū)域的CT均值，通過式(10)、式(11)計算候選區(qū)域密度的最大值f_TH、最小值f_TL，應用自適應閾值法對R_si區(qū)域進行分割，提取出類球型的GGO型肺結(jié)節(jié)。

    在生成的形狀指數(shù)圖上，數(shù)值在0.8~1.0之間是類球型，0.5~0.75之間的是類管狀型，通過數(shù)值可以提取出類球型的GGO型肺結(jié)節(jié)。

3.3 基于自適應非線性濾波器GGO型肺結(jié)節(jié)的提取

    利用形狀指數(shù)特征可以提取具有類球型結(jié)構的GGO型肺結(jié)節(jié)，但部分非球型結(jié)構的結(jié)節(jié)還混淆在肺實質(zhì)里，為了降低漏檢率，在第二階段通過自適應非線性濾波器(Adaptive Nonlinear filter，AN filter)^[11]拉伸肺實質(zhì)與肺結(jié)節(jié)的對比度，去除噪聲后，用閾值法提取剩余的非球型的肺結(jié)節(jié)，提取結(jié)節(jié)步驟：

    (1)去除候選區(qū)域內(nèi)的血管：計算候選結(jié)節(jié)區(qū)域內(nèi)像素的形狀指數(shù)值，由表1可知，血管的形狀指數(shù)值在0.5~0.75之間，設閾值T=0.75，應用閾值法，提取閾值為0.75的像素，組成的像素集就為候選區(qū)域內(nèi)的血管。

    (2)剔除類球型肺結(jié)節(jié)：應用第一階段形狀指數(shù)特征檢測出類球型肺結(jié)節(jié)，圖像二值化后，去除該類型的結(jié)節(jié)，保留肺實質(zhì)及部分非球型肺結(jié)節(jié)。

    (3)應用AN filter濾波器區(qū)分肺結(jié)節(jié)：由于肺實質(zhì)與肺結(jié)節(jié)的CT像素密度值比較接近，通過非線性濾波器拉伸肺實質(zhì)與肺結(jié)節(jié)的對比度。設自適應濾波器模板S的大小為k₁×k₂，用模板系數(shù)m_ij表示像素(x，y)與像素(x+i，y+j)灰度值之間的相似程度，如果相似程度相似，則m_ij=1，否則m_ij=0。模板S的大小及模板系數(shù)m_ij的公式表達如下所示：

    為了使濾波器的效果更好，把高通濾波器g_H(x，y)與低通濾波器g_L(x，y)相結(jié)合，card(S)表示集合S的個數(shù)，公式表示如下：

    (4)去除圖像噪聲：利用多尺度的高斯函數(shù)去除圖像的噪聲，對圖像進行平滑處理，設結(jié)節(jié)大小的取值范圍為[r₀，r₁]，目前檢測的肺結(jié)節(jié)大小通常介于3 mm~30 mm之間，高斯函數(shù)中尺寸參數(shù)σ的值應該為[r₀/3，r₁/3]，具體計算σ值的流程為：

    (5)閾值法提取肺結(jié)節(jié)：繪制候選區(qū)域圖像的灰度分布圖，計算得出閾值T的值，利用估計閾值法分割并提取非球型肺結(jié)節(jié)。

4 GGO型結(jié)節(jié)特征提取原理

    得到分割后的肺結(jié)節(jié)區(qū)域后，由于肺部結(jié)構的復雜，在肺結(jié)節(jié)內(nèi)包含部分假陽性結(jié)節(jié)，即血管或氣管及噪聲等。對肺結(jié)節(jié)的特征進行定性和定量的分析，并提取結(jié)節(jié)的特征，可以更精確地區(qū)分出肺結(jié)節(jié)，提高了檢測結(jié)節(jié)的準確率，也降低假陽率。目前，肺結(jié)節(jié)的特征有形狀、灰度、位置等三大類。本文主要在結(jié)節(jié)的大小、外部形狀、內(nèi)部特征^[12]等方面進行特征提取，通過對提取出的特征進行合理的排列，選擇一組最佳的特征組合，放入分類器中提取并識別肺結(jié)節(jié)。具體的特征如下：

4.1 形狀特征

    為了反應結(jié)節(jié)的形狀、大小等方面的差異性，本文計算的形狀特征值有如下幾個，其中I表示像素數(shù)，C₁表示結(jié)節(jié)區(qū)域內(nèi)接圓的面積，C₀表示結(jié)節(jié)區(qū)域外接圓的面積，R是結(jié)節(jié)區(qū)域的長軸與短軸形成的矩形。

    (1)面積A：

4.2 灰度特征

    灰度特征統(tǒng)計了圖像中像素點灰度值的分布情況，本文主要提取肺結(jié)節(jié)中以下幾個灰度特征值，其中面積C_x表示結(jié)節(jié)包含的像素數(shù)，I(x，y)表示每個像素點的灰度值。

    (1)灰度平均值M_x：

4.3 位置特征

    位置特征反應肺結(jié)節(jié)在肺區(qū)域內(nèi)所處的位置信息，本文主要提取中心距、中心角兩個位置特征，(x_p，y_p)表示肺結(jié)節(jié)質(zhì)心p的坐標值，(x_o，y_o)表示肺實質(zhì)質(zhì)心o的坐標值。中心距EU表示p與o的歐式距離。中心角AX表示質(zhì)心p對肺實質(zhì)質(zhì)心o的輻角，令(0≤≤2π)為op與x軸的夾角。

    (1)中心距EU：

5 GGO型結(jié)節(jié)特征選擇及分類算法

    特征選擇^[13]就是從特征集中挑選能準確地區(qū)分肺結(jié)節(jié)和其他組織器官的最佳特征組合，本文應用遺傳算法選擇特征值，根據(jù)最佳特征組合去除錯分的肺結(jié)節(jié)，把選擇好的最佳特征組合值放入SVM分類器進行訓練，提取出更精確的肺結(jié)節(jié)。圖2給出特征選擇的框架圖。

    最后把最佳特征組合放入SVM分類器中訓練，訓練的算法過程為：(1)繪制結(jié)節(jié)區(qū)域的灰度圖；(2)提取結(jié)節(jié)的特征值；(3)設置特征維數(shù)I(1~9)；(4)根據(jù)維數(shù)選擇特征組合；(5)將組合值代入SVM分類器進行運算，得出參數(shù)值；(6)繼續(xù)對訓練樣本進行檢測，得出特征組成的檢測率；(7)檢測是否為最佳的特征組合，若是，則結(jié)束；(8)特征維數(shù)I=I+1，繼續(xù)選擇最佳特征組合，重復步驟(1)。

6 實驗結(jié)果與分析

6.1 實驗數(shù)據(jù)

    實驗數(shù)據(jù)來源于LIDC(Lung Image Database Consortium)數(shù)據(jù)庫，從數(shù)據(jù)庫中隨機選取40張病例影像CT圖像。影像數(shù)據(jù)圖像里共含有結(jié)節(jié)229個，經(jīng)過篩查，包含粘連血管型結(jié)節(jié)有69個，孤立型結(jié)節(jié)90個，毛玻璃型結(jié)節(jié)有42個，肺壁型結(jié)節(jié)有28個，結(jié)節(jié)的直徑在3 mm~30 mm之間，毛玻璃型結(jié)節(jié)是本實驗要檢測的結(jié)節(jié)，樣本的部分結(jié)節(jié)的特征值如表2所示。

6.2 實驗環(huán)境

    本實驗所有數(shù)據(jù)是在Windows 7、主頻2 GHz、內(nèi)存4 GB的計算機配置上完成的，編程軟件為MATLAB2012，開發(fā)平臺是在NIL庫下實現(xiàn)的。

6.3 實驗結(jié)果

    圖3給出了利用形狀指數(shù)提取GGO型結(jié)節(jié)的過程。圖4給出了利用閾值法提取剩余結(jié)節(jié)的過程，圖4(d)圖中黑色圈標注區(qū)域即為提取的GGO型肺結(jié)節(jié)。

    對于實驗數(shù)據(jù)及算法的評價，通過敏感性和特異性來評估實驗結(jié)果。敏感性(Me)^[14]：算法能否把金標準指定的結(jié)節(jié)全部檢測出來，有多少漏檢情況。特異性(Te)：根據(jù)金標準，能否把不是結(jié)節(jié)的判斷出來，有多少誤檢情況。敏感性值高，漏檢的少。特異性值低，誤檢率低。定義TP為檢測出真結(jié)節(jié)的個數(shù)，即真陽性；FN為沒有檢測出真結(jié)節(jié)的個數(shù)，即假陰性；TN為檢測不是結(jié)節(jié)的個數(shù)，即真陰性；FP為檢測出假結(jié)節(jié)的個數(shù)，即假陽性。定義公式如下所示：

    根據(jù)結(jié)節(jié)的“金標準”區(qū)域，按照如下3個準則統(tǒng)計該算法的敏感性和特異性，共檢測出42個毛玻璃型結(jié)節(jié)中的39個結(jié)節(jié)，檢測的敏感性達到92.8%時，特異性達到15.6%。

    去除假陽性結(jié)節(jié)后，把最佳特征組合放入分類器中，提取出肺結(jié)節(jié)，本文的算法與現(xiàn)有的文獻[3]以及文獻[5]的方法相比，結(jié)果如表3所示，該算法在性能上都有所改進。

6.4 實驗分析

    本文提出的分兩階段檢測毛玻璃型結(jié)節(jié)的算法，從檢測性能上來看，效果比現(xiàn)有的方法要好。應用形狀指數(shù)檢測GGO型結(jié)節(jié)，其中閾值的選取對結(jié)節(jié)檢測的敏感性和特異性影響比較大。圖5繪制了受試者工作特征(ROC)曲線圖^[15]，以假陽性率(FPS)表示橫坐標，以真陽性率(TPF)表示縱坐標。從曲線圖可以得知，閾值取0.88~0.91之間，敏感性達到最大，即漏檢的結(jié)節(jié)數(shù)最少。

7 結(jié)論

    在分析了GGO型結(jié)節(jié)的特征后，在現(xiàn)有方法的基礎上，提出了一種提取GGO型結(jié)節(jié)的新方法。該方法主要針對4 mm～30 mm的肺結(jié)節(jié)進行檢測，首先檢測類球型肺結(jié)節(jié)，再用濾波器增強的閾值法檢測非球型肺結(jié)節(jié)。兩個部分相結(jié)合，降低了結(jié)節(jié)的漏檢率。接下來提取結(jié)節(jié)的部分特征，通過遺傳算法進行特征選擇。最后，根據(jù)最佳特征組合去除假陽性結(jié)節(jié)，利用SVM分類器識別出GGO型肺結(jié)節(jié)。

    從LIDC數(shù)據(jù)庫中下載100張CT圖像來評估本文的算法，在檢測敏感性達到92.8%時，特異性為15.6%，評估結(jié)果表明本文的方法能較好地提取出GGO型肺結(jié)節(jié)。

參考文獻

[1] 楊瑞森.肺癌流行病學和早期診斷新技術[J].腫瘤防治雜志，2011，11(7)：745-748.

[2] 賈同，魏穎，趙大哲.一種基于CT影像的肺癌病灶檢測新方法[J].電子學報，2010(11)：83-87.

[3] MAEKADO M，KIM H，ISHIKAWA S，et al.Automatic extraction of ground-glass opacity on lung CT images by histogram analy sis[C].International Conference on Control，Automation and Systems，2013：2352-2355.

[4] KATSUMATA Y，ITAI Y，MAEDA S.Automatic detection of GGO candidate regions employing four statistical features on thoracic MDCT image[C].International Conference on Control，Automation and system，2007.

[5] ZHOU J H，CHANG S，METAXAS D N，et al.Automatic detection and segmentation of ground glass opacity nodules[C].Medical Image Computing and Computer-Assisted Intervention MICCAI，2006，4190：784-791.

[6] 曹蕾，占杰，余曉鍔，等.基于自動閾值的CT圖像快速肺實質(zhì)分割算法[J].計算機工程與應用，2008(12)：182-185.

[7] 翟志偉.基于CT圖像的肺部腫瘤檢測與診斷[D].哈爾濱：哈爾濱工業(yè)大學，2015.

[8] 孫明磊.基于肺部CT圖像的肺結(jié)節(jié)自動檢測與識別[D].上海：華東理工大學，2012.

[9] 王青竹.基于三維SVM的肺部CT中的結(jié)節(jié)檢測算法[D].長春：吉林大學，2011.

[10] 林紅利.基于CT影像的肺結(jié)節(jié)病變計算機輔助診斷關鍵技術研究[D].長沙：中南大學，2011：76-78.

[11] ARMATO S G，ALTMAN M B，WILKIE J.Automated lung nodule classification following automated nodule detection on CT：a serial approach[J].Medical Physics，2013，30(6)：1188-1197.

[12] 孫申申.基于影像的肺結(jié)節(jié)檢測與分割方法研究[D].沈陽：東北大學，2009.

[13] 張立蘭.基于數(shù)學形態(tài)學的組織切片細胞圖像分割算法的研究[D].錦州：遼寧工業(yè)大學，2015.

[14] NAKAMURA Y，F(xiàn)UKANO G，TAKIZAWA H.Eigen nodule: view-based recognition of lung nodule in chest x-ray CT images using subspace method[C].Proceeding of the 17th International Conference on Pattern Recognition(ICPR'04)，2004：1051-4651.

[15] 賈同，孟琭，趙大哲，等.基于CT圖像的自動肺實質(zhì)分割方法[J].東北大學學報(自然科學版)，2008(7)：55-57.