针对肺结节计算机断层（CT）图像具有的细节多样性以及类间相似性的问题，构建了一种集卷积神经网络（Convolutional neural network，CNN）和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先，以窗口多头自注意力和滑动窗口多头自注意力为基础，构建全局特征块，用于捕获结节的形态特征；以大核注意力为基础构建局部特征块，用于提取结节的纹理、密度等内部特征。其次，设计特征融合块用于融合上一阶段的局部与全局特征，使每一条路径都能获得更综合的判别信息。然后，引入KL（Kullback-leibler）散度来增加不同尺度特征之间的分布差异性，优化网络性能。最后，采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验，网络的分类准确率、召回率、精确率、特异性、受试者操作特征（ROC）曲线下的面积（Area under curve，AUC）分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明，所提方法具有较好的肺结节良恶性分类能力。
肺结节良恶性分类 CT图像 局部-全局特征 Transformer 注意力机制 激光与光电子学进展
2024, 61(8): 0837002
1 重庆大学光电技术及系统教育部重点实验室ICT研究中心，重庆 400044
2 重庆大学机械与运载工程学院，重庆 400044
3 重庆大学光电工程学院，重庆 400044
针对X射线扫描得到的工业CT图像重建三角网格模型存在尖锐特征丢失、狭长三角形和三角面片数量多等问题，提出一种自适应三维网格模型重建算法。首先对图像进行预处理；其次采用八叉树结构确定体元；然后利用二次误差函数（QEF）构建自适应八叉树；最后剖分四边形生成三角网格。使用立方体数据和两组实际扫描的CT数据对所提算法的性能进行验证分析，实验结果表明：所提算法在简化网格的同时仍能保持物体的尖锐特征，减少了狭长三角形的数量。利用所提算法生成三角网格模型的简化率可达90%，简化后网格质量大于0.3的三角网格平均占比为99%，有效地提高了由工业CT图像重建三角网格模型的质量。
X射线光学 工业CT图像 三维重建 三角网格 自适应八叉树
1 东华理工大学 地球科学学院，江西 南昌 330013
2 东华理工大学 网络与信息中心，江西 南昌 330013
3 东华理工大学 信息工程学院，江西 南昌 330013
4 江西省数字国土重点实验室，江西 南昌 330013
5 江西省放射性地学大数据技术工程实验室，江西 南昌 330013
6 核资源与环境国家重点实验室，江西 南昌 330013
7 中国科学院 古脊椎动物与古人类研究所，北京 100044
以恐龙蛋为对象，针对大量恐龙蛋壳化石CT图像目标与背景的分离需求，以及传统提取方法繁琐、精确度不高且需要较多人工参与，不能实现完全自动化等问题，提出了一种基于信息熵的CT图像目标自动分离提取方法。首先手动训练样本信息熵参数，将其作为自动分离大量CT图像的参数；再根据灰度图像亮度直方图确定分割阈值；然后基于信息熵算法进行自动分离；最后依据分割阈值和信息熵值，实现目标区域的最终分离和提取。该方法获得了良好的分离提取效果，所获分割阈值范围为66~188，信息熵值范围为0.43~0.65。基于3 329张16位恐龙蛋壳原始切片CT图像样品数据所进行的评价实验表明，对于数量较多的CT图像，所提出的方法自动分离提取具有很高的效率，可达到98.89%，并且能在正确提取出目标方解石的同时保留较为完整的目标与边缘细节，分离处理的准确性和快速性良好。
CT图像 恐龙蛋壳化石 信息熵 分割阈值 自动分离提取 CT image fossilized dinosaur eggshells information entropy segmentation threshold automatic separation and extraction
1 南京理工大学计算机科学与工程学院，江苏 南京 210094
2 重庆大学生物流变科学与技术教育部重点实验室，重庆 400045
肺的呼吸运动估计和校正对图像引导放射治疗肺癌具有重要意义，需要图像配准技术获取运动位移信息。然而，肺器官是典型的运动器官，在呼吸过程中会发生复杂的、不同形式的形变，导致肺部三维Computed Tomography （CT）图像配准难度大且耗时长。目前，肺部CT图像配准依然是一个具有挑战性且亟需解决的难题。提出一种基于自适应正则项的非均匀B样条图像配准方法，首先，以肺部生理结构特点为先验，结合曲率对肺器官网格进行空间自适应稀疏性划分，构建了非均匀B样条形变模型，提高配准效率。然后，通过设计像素点的空间位置权重，对形变场平滑正则项和全变差正则项进行自适应加权，提升配准精度。通过在公共数据集上与其他配准方法的比较，验证了所提方法的有效性。
成像系统 非刚性配准 肺部CT图像 自适应正则项 非均匀B样条 激光与光电子学进展
2022, 59(10): 1011002
光学 精密工程
2021, 29(10): 2517
上海理工大学 医疗器械与食品学院 医学影像处理实验室, 上海 200093
基于电子计算机断层扫描(CT)影像的肺叶分割是医生诊断和治疗肺部疾病的重要参考之一, 但肺叶边界的模糊以及手动分割的巨大工作量使得医生难以准确、快速地分割肺叶。为此, 提出了一种基于新型3D全卷积神经网络的肺叶自动分割方法。对原始CT图像进行预处理, 然后利用预处理后图像训练卷积神经网络,再将待分割图像输入到训练好的网络模型中, 实现CT图像中肺叶的自动分割。实验数据包括来自上海市肺科医院的50例肺部疾病患者的CT图像, 30例被用于训练, 20例被用于测试。对分割结果进行了定量评价, 其中Dice系数为0.961, Jaccard相似系数为0.916。实验结果表明该肺叶自动分割算法具有更好的分割性能以及更强的泛化能力, 即使在训练集数据较少的情况下, 也能够准确、快速的分割肺叶。
X射线光学 CT图像 肺叶分割 深度学习 全卷积神经网络 多任务学习 X-ray optics CT scans lung lobes deep learning convolutional neural network multitasking
哈尔滨理工大学自动化学院，黑龙江 哈尔滨 150080
为了解决CT图像主动轮廓分割方法对初始轮廓的敏感和分割不准确的问题，本文提出一种融合加权随机森林的自动3D椎骨CT主动轮廓分割方法WRF-AC。该方法提出加权随机森林算法和包含边缘能量的主动轮廓能量函数。首先，通过提取椎骨CT的3D Haar-like特征值训练加权随机森林获得的椎骨中心作为分割的初始轮廓，然后，求解包含边缘能量的主动轮廓能量函数最小值完成椎骨CT图像的分割。实验结果表明，本方法在相同数据集上能够更加准确、快速地分割脊柱CT图像提取椎骨部分。
3D分割 CT图像 加权随机森林 主动轮廓 3D segmentation CT images weighted random forest active contour
1 西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
2 西安建筑科技大学土木工程学院, 陕西 西安 710055
3 西安理工大学土木与建筑工程学院, 陕西 西安 710048
采用动态加载仪和医用CT机对混凝土进行单轴原位压缩应力分层扫描,选取试件中部层面的CT图像作为对象,对混凝土的组成部分进行CT阈值划分,分析裂纹的产生及发展过程。利用数字图像相关(DIC)法测量混凝土内部的位移场及应变场,结合位移场与应变场分析变形局部化区域的产生及发展过程,得到高应变产生区域与CT图像的裂纹产生区域一致;结合CT值的平均值与最大主应变随应力的变化曲线,分析混凝土破坏过程的各阶段,得到CT尺度裂纹阶段开始于峰值荷载的70.3%处。实验结果表明,DIC法与先进的CT技术相结合的方法可以直观地以图像的形式对混凝土试件内部的应力应变过程进行呈现,为研究混凝土内部结构的变形、破坏和稳定性提供有效的可视化手段。
探测器 混凝土 数字图像相关法 CT图像 应力应变 激光与光电子学进展
2020, 57(20): 200401
1 重庆大学光电工程学院, 重庆 400044
2 重庆大学工业CT无损检测教育部工程研究中心, 重庆 400044
为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。
图像处理 CT图像测量 区域可伸缩拟合能量最小化 小波变换 弱边缘分割 Chan-Vese模型 光学学报
2020, 40(21): 2110003
上海理工大学 医疗器械与食品学院, 上海 200093
CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率,提出了一种结合气管,血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理,获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果; 整合来自多个解剖结构的信息生成分水岭分割所需成本图像; 通过基于深度学习网络的肺叶粗分割结果,获取肺叶标记区域; 执行基于标记的分水岭分割,实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证,最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度,并且具有较强的鲁棒性。
CT图像 肺叶分割 深度学习 肺部管道 分水岭分割 CT scans lung lobe deep learning lung tubular structure watershed segmentation
