文献速递：人工智能医学影像分割--- 使用带有主动轮廓和CNN分类器的FCM对CT肺部图像进行分割

文献速递：人工智能医学影像分割— 使用带有主动轮廓和CNN分类器的FCM对CT肺部图像进行分割

01

文献速递介绍

肺是呼吸道中最重要的部分。肺的上呼吸道和下呼吸道是两个通道。身体的每个层面都需要氧气来维持健康生活。肺是位于我们胸部两个倒置的锥体中的海绵状、略带粉红色的器官。右肺有三个叶，左肺有两个叶，以为我们的心脏腾出空间。肺从气管（风管）的底部开始。它能够将空气吸入和排出肺部。肺从气管（风管）的下方开始。它能够将空气吸入和从肺部排出。支气管帮助连接气管和肺。支气管气道和气管在胸部形成一个倒置的“Y”形。它被称为支气管树。支气管有许多较小的支气管和较不显著的管道称为细支气管。就像一棵树，这些微小的管道延伸到肺的每个分支。其中一些非常细小，以至于它们的厚度像一根头发。我们的每个肺部都有30,000个细支气管。细支气管管道末端有一组称为肺泡（单数形式为肺泡）的小气囊。我们的肺部有6亿个肺泡。口腔和鼻腔、咽喉（咽部）和声带箱（喉）是上呼吸道的部分。下呼吸道包括肺、气管（风管）、支气管、细支气管和肺泡。肺的主要目的是从环境中获取氧气并将其传输到血液中。肺部疾病有许多种，其中癌症是影响肺部的疾病之一。它可能是恶性的或良性的。吸烟是肺癌的主要原因。人体内的血液从心脏流经肺部。因此，癌症有很大的机会扩散到身体的其他部位。早期诊断肺癌有助于延长患者的寿命。CT扫描成像是识别从捕获图像中的肿瘤组织的最佳成像技术之一。因此，作者提出了计算机辅助诊断，以准确识别恶性细胞。近年来，许多图像处理和机器学习技术已被研究和实施。本研究的主要目的是分析最佳的图像分割和分类方法，以准确定位肿瘤细胞。

Title

题目

Segmentation of CT Lung Images Using FCM with Active Contour and CNN Classifier

使用带有主动轮廓和CNN分类器的FCM对CT肺部图像进行分割

Abstract

摘要

Lung cancer is one of the unsafe diseases for human which reduces the patient life time. Generally, most of the lung cancers are identified after it has been spread into the lung parts and moreover it is difficult to find the lung cancer at the early stage. It requires radiologist and special doctors to find the tumoral tissue of the lung cancer. For this reason, the recommended work helps to segment the tumoral tissue of CT lung image in an effective way.

肺癌是一种对人类健康极为不利的疾病，它会缩短患者的寿命。通常，大多数肺癌在扩散到肺部其他部位后才被发现，而且在早期阶段很难发现肺癌。这需要放射科医生和专业医生来识别肺癌的肿瘤组织。因此，推荐的工作有助于有效地分割CT肺部图像中的肿瘤组织

Methods

方法

The research work uses hybrid segmentation technique to separate the lung cancer cells to diagnose the lung tumour. It is a technique which combines active contour along with Fuzzy c means to diagnose the tumoral tissue. Further the segmented portion was trained by Convolutional Neural Network (CNN) in order to classify the segmented region as normal or abnormal.

本研究工作使用混合分割技术来分离肺癌细胞，以诊断肺肿瘤。这是一种结合了主动轮廓和模糊C均值的技术，用于诊断肿瘤组织。接下来，分割部分通过卷积神经网络（CNN）进行训练，以便将分割区域分类为正常或异常

Results

结果

The evaluation of the proposed method was done by analyzing the results of test image with the ground truth image. Finally, the results of the implemented technique provided good accuracy, Peak signal to noise ratio (PSNR), Mean Square Error (MSE) value. In future the other techniques can be utilized to improve the details before segmentation. The proposed work provides 96.67 % accuracy.

通过分析测试图像与实际图像的结果来评估所提出方法的效果。最终，实施的技术提供了良好的准确度、峰值信噪比（PSNR）、均方误差（MSE）值。未来可以利用其他技术在分割前改善细节。所提出的工作提供了96.67%的准确度。

Conclusions

结论

Hybrid segmentation technique involves several steps like preprocessing, binarization, thresholding, segmentation and feature extraction using GLCM.

混合分割技术包括预处理、二值化、阈值处理、分割和使用GLCM进行特征提取等多个步骤。

Figure

图

Figure 1. Flow Diagram of Lung Cancer Segmentation

图 1. 肺癌分割的流程图

Figure 2. Input Image

图 2. 输入图像

Figure 3. Input Image after Histogram Equalization

图 3. 直方图均衡后的输入图像

Figure 4. ROI of Normal and Abnormal Images

图 4. 正常与异常图像的感兴趣区域（ROI）

Figure 5. Fuzzy based Clustering

图 5. 基于模糊的聚类

Figure 6. Original Image

图 6. 原始图像

Figure 7. Segmentation Using Active Contour

图 7. 使用活动轮廓进行分割

Figure 8. Input CT Image

图 8. 输入的CT图像

Figure 9. Gaussian Scale Space Filtered Image

图 9. 高斯尺度空间滤波后的图像

Figure 10. Classified Image Using Existing Method

图 10. 使用现有方法分类的图像

Figure 11. Hybrid Segmentation Image

图 11. 混合分割图像

Figure12. Architecture of One Hidden Layer CNN

图12. 单隐藏层CNN的架构

Table

表

Table 1. Features of Normal and Abnormal Images

表 1. 正常与异常图像的特征