根据2014年国际癌症研究机构收集的统计数据，肺癌是全球癌症相关死亡的主要原因。提高肺癌患者存活率的主要方法是在早期检测癌性肺结节。胸部计算机断层扫描(CT)是检测肺结节的关键成像模式，因为它具有非侵入性和可视化完整三维胸腔组织的能力。但是，每次CT扫描包含150-500个切片，图像切片厚度在0.5-2mm范围内，这对于放射科医师读取和评估每种情况的大量CT图像数据来说可能是麻烦且耗时的任务。因此，在阅读胸部CT图像时，放射科医师在检测肺结节时存在较大的读者间差异。疲劳的评估过程可能导致不准确和不一致的检测和诊断。因此，开发用于检测肺结节的CT图像的计算机辅助检测(CAD)方案具有广泛的研究兴趣。研究证明了CAD系统在协助放射科医师检测更多肺结节方面的潜力。
　　由于CAD方案的临床应用也高度依赖于CAD的性能，在过去的几十年中，已经开始了许多努力并且已经测试了不同的方法来开发和优化CAD方案，旨在实现在CT图像上检测结节的更好性能。例如，一些研究人员提出了不同的模型来模拟真实结节，并使用模板匹配算法提取候选。随后，许多关于开发CAD方案的研究都集中在特征选择和分类器改进上。为了检测肺容积中的候选结构，K。Murphy使用形状指数和曲率的局部图像特征，并应用两个连续的k-最近邻分类器来减少误报。X. Ye提出了基于形状的CAD方案，通过使用形状指数和点过滤来检测实心结节和磨玻璃不透明(GGO)结节(部分固体和非固体)。支持向量机(SVM)分类器用于进一步减少假阳性(FP)对象的数量。通过对这些研究的回顾，可以得出结论，形状指数和曲线可以深入了解肺容积图像中每个点的表面拓扑。因此，关于形状指数和弯曲度的局部图像特征分析可用于检测肺结节的可疑候选者。尽管通过使用这些特征可以过滤高百分比的假阳性结节，但CAD方案的灵敏度仍然处于相对较低的水平。
　　同时，许多研究人员已经尝试开发和应用增强滤波器，用于从其他背景肺组织结构中提取结节。开发了基于张量结构的不同类型的3D增强滤波器，并应用于选择结节候选物并过滤其他不需要的结构，如血管和气道。例如，W.-J。Choi提出了一种新的基于三维形状的特征描述子来检测CT扫描中的肺结节。为了消除这些非圆形结构，AM Santos使用Hessian矩阵和高斯混合模型搜索了blob形结构。上述研究应用3D张量滤波方法以不同方式检测结节候选物。它表明这些方法可以有效地用3D张量滤波方法检测结节候选，但是要减少大的误报。因此，总是同时采用其他误报减少方法。例如，B。Wang 提出了一种形状约束Chan-Vese(CV)模型，结合计算粘附于结节候选者的血支数来减少假阳性结节。许多其他方法也被用于减少FPs，包括SVM，聚类方法，Fisher线性判别(FLD)分类器，基于遗传编程(GP)的分类器和神经网络 。最近，许多研究应用卷积神经网络(CNN)来检测CT扫描中的肺结节。然而，这些基于CNN的方案需要大量的训练数据集和专用图形处理单元(GPU)来实现。因此，研究人员在本研究中仍然选择构建用于检测肺结节的常规CAD方案。
　　基于对先前研究的回顾，研究人员发现检测候选结构的过程在一定程度上影响最终检测性能。通过使用局部图像特征分析获得CAD系统的低误报率，但同时具有低灵敏度。然而，使用3D张量滤波方法的CAD方案可以获得高灵敏度以及高误报率。因此，为了增强这两种方法的优势并克服其中的弱点，在本研究中，提出了一种将3D张量滤波与局部图像特征分析相结合来检测候选结构的新方法。此外，根据对以前工作的调查，应使用大型公共数据库评估稳健的CAD方案。在公共数据库中，肺部图像数据库联盟(LIDC)由美国和纳尔逊数据库的国家癌症研究所(NCI)发起由乌德勒支大学医学中心提供的是著名的。在本研究中，分别使用从LUNA16数据库和ANODE09数据库收集的两个数据集来评估研究人员的新CAD方案的性能[29]。对于这两个数据库，LUNA16数据库中的CT扫描是从公共可用的LIDC / IDRI数据库中选择的，ANODE09数据集中的所有数据都是从NELSON数据库中收集的。
　　在这项研究中，研究人员开发并测试了一种新的胸部CT图像CAD方案，以检测肺结节。该研究具有许多独特的特征。首先，研究人员探索并整合了多尺度3D 张量滤波算法和局部图像特征分析方法来检测CT扫描中的肺结节。由于大多数肺结节在CT扫描中具有球状或点状结构，研究人员使用多尺度3D张量滤波算法来增强结节区域的灰度值并消除干扰结构，然后评估每个表面拓扑结构。通过使用局部图像特征分析指向肺结节。通过使用ANODE09数据集观察检测结果，新方案在提高灵敏度和降低FP方面优于TFS和LIFAS。与先前文献和相关研究中发展的LIFAS 报道的TFS相比较，研究人员的新方法有可能提高CAD方案的性能。为了进一步比较所提出的方案的性能，研究人员使用LUNA16数据库列出了现有传统CAD方案的结果。将拟议的CAD方案与近年来先前报道的一些CAD方案进行了比较。在LUNA挑战中，使用和报告了两种典型类型的CAD方案，即基于深度学习方法的方案和基于传统方法的方案。这两种不同类型的CAD方案使用不同的架构和解决方案。由于研究人员的方案是传统的CAD方案，研究人员只是选择这些传统方案进行比较。结果表明，应用研究人员的新CAD方案在竞争性能指标(CMP)中实现了比T2，T3和T4更好和更高的性能。尽管T1达到了相同的分数，但在相对较低的误报率下，研究人员获得了比T1更好的性能。因此，可以观察到研究人员的新CAD方案表现出更高或非常可比的检测性能。
　　其次，在这项研究中，研究人员最初计算了每个可疑肺结节候选者共442个特征，以建立定量图像特征池以供进一步检测。为了覆盖或表示结节的强度异质性，形状和纹理特征，研究人员计算了六种类型的定量图像特征，即强度特征，形状特征，GLCM纹理特征，Gabor纹理特征，游程纹理特征和基于直方图的特征。 。为了减少初始特征池的维度或冗余，研究人员使用Best-First启发式特征搜索应用CFS子集评估器属性选择来选择最佳特征。然后，研究人员建立了一套最佳的19个图像特征来开发和训练用于减少FP的机器学习分类器。在分析了所选特征的AUC值后，研究人员发现大多数这些特征都有可能在结节和非结节之间进行分类。实验结果表明，选择最佳定量图像特征可以为提高方案性能做出贡献。
　　第三，通过使用两个公开可用的数据集来测试和验证方案性能。虽然在以前的工作中已经提出了许多肺结节检测的CAD方案，但本文描述了一种新的CAD方案的完整设计，并对LUNA16数据库进行了详细的性能分析。同时，为了避免或最小化偏差，选择从ANODE09数据库收集的独立数据集来验证研究人员的方案的性能。通过使用从公共数据库获取的两个数据集，研究人员可以在相同标准下比较和评估不同算法的性能。
第四，为了细化和校正3D候选区域的边界，研究人员使用混合3D水平集算法基于粗略检测过程生成的初始边界来分割结节候选。虽然许多不同的自动分割算法可用于分割和细化结节候选，但3D水平集算法有可能确定结节与正常解剖结构(胸壁或血管)之间不可见边界的位置或异质性结节，已在多项研究中得到验证。因此，为了去除FP，研究人员应用3D水平集方法来分割和细化结节候选。
　　尽管结果很有希望，但研究人员也认识到这项研究中存在许多局限性。首先，CAD方案在公共可用的LUNA16数据集上进行了训练和测试。独立验证数据集是一个非常有限的数据集，仅包含39个结节。此外，由于缺乏一些“真相”数据，如肺结节的类型或特征，只评估了整个结节的CAD表现，并没有评估每个子结节的CAD表现。因此，本研究报告结果的稳健性需要在未来使用涉及多种肺结节的大型图像数据集进行测试和验证。此外，研究人员们应该测试和验证研究人员的方案的性能与特定类型的结节，如GGO结节，亚固体结节和实心结节。
　　其次，由于方案是基于结节是球状或点状结构的假设而建立的，因此该方案可以省略一些不规则形状的结节。由于数据集中缺乏结节类别信息，如孤立结节，血管化结节和近端胸膜结节，因此尚未对不同类型结节的方案性能进行研究和验证。虽然应用混合三维水平集算法来细化结节候选区域，但不确定是否可以很好地分割和检测所有类型的结节。因此，为了进一步提高CAD性能和稳健性，应该在未来的研究中使用包含具有不同形状特征的结节的大型数据集来构建和训练该方案。
　　第三，即使研究人员计算并提取了442个图像特征来代表肺结节，但其中许多可能是多??余的。由于人类和计算机视觉之间的差距，一些其他潜在有用的图像特征，被放射科医师广泛用于肺结节的检测和诊断，(即不透明度，推测和腔)尚未进行探索。这些图像特征还可以提供用于在结节和非结节之间进行分类的补充信息。因此，应该研究更有效的定量图像特征，并应用于未来研究中的方案构建。
　　最后，这只是一项主要的技术开发研究，应用这种新的CAD方案的潜在临床效用尚未通过多读者和多案例的观察者表现研究进行测试。CAD性能是否以及如何转化为人类(放射科医师)的表现尚不清楚。重点关注的其他研究应探讨调查该方案在协助放射科医师改善肺结节检测和诊断性能方面的功效。然而，尽管有这种限制，这项研究是有效的。以前的研究表明，改善CAD性能对于未来的临床应用非常重要，因为仅使用高度执行的CAD方案可以帮助提高放射科医师在解释医学图像方面的表现，而使用较低的CAD将会降低放射科医师的表现。
　　这项研究中，研究人员研究并开发了一种新的CAD方案，通过结合3D 张量滤波算法和局部图像特征分析，自动检测CT图像中的肺结节。实验结果表明，新方法是提高CAD性能的有效可行方法。由于提高肺结节检测的CAD性能对放射科医师的表现及其接受CAD标记检测的置信水平的重要性和潜在的高临床影响，将继续探索使用多分类器提高CAD性能的新方法并使用验证CAD性能未来更大，更多样化的图像数据库。