曹帅，严加勇，崔崤峣，于振坤

(1.上海理工大学医疗器械与食品学院，上海 200093；2.上海健康医学院医疗器械学院，上海 201318；3.上海健康医学院附属周浦医院，上海201318；4.中科院苏州生物医学工程技术研究所，苏州 215163；5.南京同仁医院，南京211102)

1 引 言

目前淋巴结的自动检测方法大多分为两个步骤：(1)提取候选淋巴结；(2)降低假阳性淋巴结数量。步骤(1)包括人为设定特征和采用卷积神经网络(convolution neural networks, CNN)训练两种方式提取候选淋巴结。人为设定特征的方式主要基于淋巴结的形态特征，设计合适的滤波器，用滤波器对CT图像进行滤波，找出具有高响应值的点作为候选淋巴结。Barbu等[1]主要使用Haar滤波器和自适应滤波器级联的方式提取颈部和腹部候选淋巴结。Liu等[2]用阈值法对肺、气管和脊柱等解剖标志点分割，找到纵隔区域，利用空间先验知识和随机森林提取候选淋巴结。与上述方法相类似，Nakamura等[3]使用基于Hessian矩阵的增强滤波器和级联的Haar滤波器提取候选淋巴结。采用卷积神经网络是使用大量的数据训练CNN自动提取特征。Oda等[4]用3D-Unet网络检测和分割纵隔淋巴结，把淋巴结和纵隔区域的一些器官一起训练，来解决淋巴结样本的不平衡和单一目标检测精度较低等问题。秦品乐等[5]使用级联的全卷积网络(fully convolution network, FCN)识别颈部淋巴结，该方法首先提取淋巴结医学分区，之后从分区内提取候选淋巴结，但级联的FCN识别精度有限，可能无法识别和软组织粘连的淋巴结。针对步骤(2)的去除假阳性工作，以往大多采用传统的机器学习的方法进行分类，分类器主要为支持向量机(support vector machine, SVM)[3,6-7]。……