马金林，魏 萌，马自萍

（北方民族大学计算机科学与工程学院，银川 750021）

（*通信作者电子邮箱624160@163.com）

0 引言

肺癌是全世界发病率和死亡率最高的恶性肿瘤之一，但是肺癌的筛查和预防仍然存在很大的挑战。在进行肺癌诊断时，需要精确的肺结节数据来进行判断，影像科医生需要反复逐层地检查三维计算机断层扫描（Computed Tomography，CT）图像，来寻找肺结节区域，然后再对肺结节进行良恶性的诊断，因此CT图像中肺结节的分割是对肺癌进一步定量分析的关键。但是肺结节在CT 图像上表现为一种体积小、密度高，直径只有3～30 mm的阴影，给肺结节图像分割造成很大困难。

近年来，肺结节的分割方法有很多。常见的分割方法分为两类：基于传统的无监督分割方法［1］和基于机器学习的分割方法［2］。基于传统的无监督分割方法中常用方法包括形态学方法、阈值分割法、聚类法等。尽管这些方法既快速又简单，但是仍然存在诸如分割不足或者过度分割的问题。形态学方法［1］可以去除肺结节的边缘毛刺，但操作中涉及的参数不容易被控制。阈值分割法［2］在进行血管粘连性肺结节分割时效果并不理想。孙申申等［3］使用最大期望（Expectation-Maximization，EM）算法和均值漂移法提取肺结节，获得了较好效果，但是，对于附着结节的数量大于或等于2 的情况，该方法的分割效果并不理想。除此之外，其他的传统方法也有不足，如Armato等［4］提出的灰度阈值方法，虽然提高了分割精度，但是这种方法费时，受限并且使用不便；Kanazawa 等［5］使用模糊聚类算法提取肺和肺血管区域，但是丢失了3D空间特征信息；……