通过体积计算机断层扫描检测的肺结节是肺癌的潜在表现。结节表征，包括形状的复杂性、体积大小和毛玻璃不透明度体积的百分比，在与治疗响应。结节形状从良性病例区分恶性提供有用的信息和几个结节形状特性与潜在的病理。在临床实践中，体积测量可以准确地确定结节尺寸来评估小结节的生长并计算它们的体积倍增时间。证明结节生长率有可能使医疗实践受益。此外，相对于固体的部分实性结节的毛玻璃部分的比例是在恶性和固体组分。因此肺结节自动分割被很好地研究以用于诊断提供可再现的定量测量，并避免繁琐的手工劳动。
　　 用于评估实体结节对化学疗法的响应的当前测量方法包括一维最长的切片内维度，来自最长切片内和最长垂直维度的二维区域，以及三维半自动化体积。小肺结节的一维和二维计算机断层扫描测量虽然操作简单，但受到观察者间差异和观察者内部变异以及复杂结节形状的限制。努力处理各种结节形态和外观特性并实现高重复性，肺癌筛查和肿瘤治疗监测经常采用体积增长评估。开发了一种单击集合分割方法，只有一个操作员选择的种子点，便于处理大量案例。虽然这些计算机辅助分割算法利用被充分验证为实性结节的分割，较少的研究结节实际上显示出更高的恶性率比实性结节。
　　 在亚固体结节中，从像素中提取的信息特征量是有限的。因此，具有强异质结构的分段结节显示出不一致的边界，使得这些计算机辅助分割算法在定量分析中不够稳健。主要困难在于估计结核中磨玻璃成分的比例及其空间分布模式。描绘了具有3毫米准直的薄截面计算机断层扫描，显示了磨玻璃显性结节和纯磨玻璃结节。想要分割的肺结节由红色框表示，并且具有各种外观，暗示各种解释。使问题进一步复杂化的是存在具有各种形状和纹理的许多物体。因此，不能依靠视觉评估或阈值进行定量测量。
　　 提出了一种组合分割算法，克服了这些问题。解剖学包装算法由两个基本过程组成：分层分割树构造和解剖学包装。在第一个过程中，图像的感知分组可以定义为按包含顺序排列的区域树。然后利用联合框架从分层分割树中提取分段池。树的每个节点对应于通过由分层分割算子应用的不同比例与嵌套分割族相关联的软边界，分层分割算子用于以结构上相干的方式分解图像。基于区域边界的区域属性和局部轮廓线索，然后将分层分割树表示为超参数等值线图，其将区域的索引层次表示为软边界图像。在第二个过程中，解剖学打包通过优化基于分层分割树的层次条件随机场模型来定位各个对象实例。
　　 本文的其余部分安排如下：回顾了“ 相关工作 ”中关于肺结节分割的相关工作。“ 方法 ”回顾了统计区域合并方法，详细介绍了分层分割树的概念，并提出了提出的解剖学包装算法。“ 结果 ”和“ 讨论 ”讨论了使用解剖学包装进行的实验获得的结果。“ 结论”总结了本文。
　　 在本节中，方法与临床数据集上的多标签图像分割算法进行比较，并研究方法的一些权衡。
　　 基于决策森林概念的方法可用于解决常见的学习任务，如分类、回归、密度估计、流形学习、半监督学习和主动学习。在这些分层树框架中，与每个分割节点相关联的测试和与每个叶相关联的决策预测器是使决策树能够正确运行的两个关键组件，使得输入数据被呈现为高维图像表示。基于外观特征提取图像的高维表示，而不对其个体相关性或其紧凑性进行任何先验假设。它们的邻域近似森林算法可以处理由应用特定距离引起的邻域结构; 因此，预测过程关注于测试图像和到达树木相同叶子的所有数据库图像的共现。通过基于回归森林最大化预测对所有感兴趣器官位置的置信度，实现计算机断层扫描中的解剖学检测和定位。与这些方法相比，分层分割树是基于厘米构建的，通过沿着区域边界使用区域属性和局部轮廓线索来表示每个案例。这有助于理解和分类场景图像。在这里，通过在分层分割树上应用分层来检测和定位各个对象;从而实现同时肺部磨玻璃样病变估计及其周围组织识别。
　　 在临床实践中，基于区域的方案已被证明在医学成像中更有效。将医学图像镶嵌到区域中的优势是双重的。首先，区域结构可以提供从区域内的像素提取的足够的信息特征。其次，区域跨越的搜索空间远小于像素跨越的搜索空间。因此，通过区域找到最佳分割解决方案比通过像素这样做更有效。与基于像素的方法相比，突出的区域结构提供较少的周围组织的负面影响。此外，计算搜索空间在区域中包含相当少的突出数据结构，因此执行更有效。的算法对用户输入不太敏感，但却提供了高质量的分割结果。
　　 在本文中提出了一种基于区域的图切割算法，称为解剖学包装算法，以解决诊断定量测量中的主要挑战：估计肺部磨玻璃样病变的比例并同时识别其周围组织。将肺结节分割的问题制定为多标签功能，结果如下：解剖学包装过程可以通过利用通用优化算法进行优化，特别是图形切割，这在计算机中经常使用视觉社区和肺部磨玻璃样病变与可根据梯度信息检测和定位的固体部分之间的关系。
　　 使用结节临床数据库用于评估所提出的解剖学包装算法的性能，并使用四个评估指标评估其准确性和效率：“修改的威廉姆斯指数”、“百分比统计”、“重叠比率”和“差异比率”。此外，其性能与两种传统的多标签方法相比较，并且在处理高度异质的组织内容方面显示出优越性。由解剖学包装算法生成的边界可以潜在地用或其他相关临床应用的组件。为了将来考虑，将研究强大的高阶势，以便在池段中实施标签一致性。其他重要的任务还包括初始化过程的自动化和通过进一步的性能评估扩展到三维体积测量。