苗 语 丰振航 杨华民 蒋振刚 师为礼

(长春理工大学计算机科学技术学院 吉林 长春 130022)

0 引 言

目前，肺癌是发病率和死亡率最高的癌症之一[1]。由于环境的日益恶化和吸烟人数的逐年增加，肺癌患者的数量不断增长。文献[1]的研究表明，如果能及时发现和治疗肺癌，那么肺癌患者的5年存活率将提高50%左右。肺癌早期一般表现为结节，为了防止错过最佳治疗时间，需要提前进行肺结节检测，而肺结节分割是肺结节检测中最重要的步骤。

低剂量胸部电子计算机断层扫描(CT)是目前在肺癌检查中最常用的方法，但仅靠医生进行人工检测，不仅工作量很大，而且会因假阳性等问题而容易出错，因此对肺部CT等医学图片的检测和分割是非常热门的研究方向[2]。目前，对医学图片进行分割的传统方法很多，其中比较经典的有支持向量机[3]、阈值分割法[4]、区域增长法[5]、聚类问题[6]等。John等[7]使用多阈值法提取候选结节，但其他组织的灰度值与肺结节的灰度值范围重叠，提取的候选结节含有肺结节小区域，不利于假阳性的去除。Boroczky等[8]将提取了疑似肺结节的23个特征送入SVM分类器进行训练。但SVM需要人工提取结节特征，算法的准确率很大程度取决于提取方法的选择。

传统肺结节检测方法过程复杂，结果依赖于各个阶段的运行效果，并且不能实现端到端的检测。近年来，深度学习的迅猛发展给肺结节分割带来了新的可能。卷积神经网络是一种以端到端的形式识别特征的网络，与传统的机器学习方法相比，其优势在于特征提取不需要人工参与，各层的特征提取都是在通用的学习过程中进行。……