肺CT序列中的含隐变量三维模式病灶识别算法

Lung CT set constructs a Three Dimensional (3D) tensor. In order to satisfy internal structure of 3D lung CT and achieve better performance, detection scheme based on 3D matrix patterns would be studied by improving higher-order tensor theory rather than traditional 2D matrix theory. On the segmentation, suitable 3D dynamic contour tracking scheme would be built based on higher-order tensor processing rules, and optimized by finding the connection between texture features and reduced-rank effect of the 3D object. On the recognition, improvement aims at the problem that judgment of the lesion is difficult only from traditional features with limited information. As relationship between the lesion and other structures in the lung play important role for identification，suitable training model would be explored adding the latent relationship based on 3D features of the lesion itself. The project is expected to break the limitation of structure destruction and memory wasting caused by the transforming from the higher-order tensor to lower-order model in the traditional scheme. Segmentation and recognition frames based on higher-order tensor theory would be built and used in the lesion detection of lung CT to explore a new approach in the 3D medical image processing.

肺断层CT序列构成一个三维张量，为了更符合三维CT序列的内部结构以改善检测效果，课题将不局限于二维矩阵理论，而从高维（大于等于三维）张量理论着手，研究一种适合的处理方案。在目标分割方面，拟在高维张量处理规则下建立三维动态轮廓跟踪方法，并通过寻找目标体纹理特征与三维矩阵降秩效果之间的关系来进行优化；在识别方面，针对判断肺部病灶的准确性受制于传统特征所包含的信息有限这一问题，考虑到病灶与肺内其他组织之间的关系对识别及分类的重要辅助作用，拟构建一种训练模式，可以在体现病灶自身三维特征的基础上，隐含其与肺区整体之间的关系。课题的开展有望突破传统高维张量向低维转换所带来的结构破坏和内存浪费等局限，构建可以直接处理三维对象的分割与识别方案，并应用在肺部CT的病灶检测中，为三维医学图像处理领域开拓一种新的途径。

肺部断层CT扫描序列本质上是一个三维张量，为了更符合三维CT序列的内部结构以改善现有的计算机辅助诊疗效果，本课题突破了传统的二维矩阵方法，而从高维（大于等于三维）张量理论着手，研究了一系列适合的处理方案。..肺区分割方面，在高维张量处理规则下构造了一种基于张量模式的三维主动外观模型，针对该模型中存在的张量循环截断方案的循环次序难于确定这一问题，建立了三维目标体的纹理特征与循环截断次序之间的映射关系，完成了分割系统的迭代寻优。实验证明基于这种模型的分割方法的可行性和普适性，它比现有的广泛应用于肺区分割中的基于矩阵模式的主动外观、主动形状模型具有更精准的分割效果和更快的收敛速度，并且，这种基于张量模式的建模理念可以扩展到其他优秀的主动外观模型中。. .肺部病灶识别方面，针对判断肺部病灶的准确性受制于传统特征所包含的信息有限这一问题，考虑到病灶与肺内其他组织之间的关系对识别的重要辅助作用，构建了一种训练模式，可以在体现病灶自身三维特征的基础上，隐含其与肺区整体之间的关系。实验证明隐变量的增加有效弥补了现有病灶识别方法的不足，在识别精确度和运算速度上均有提高。另外，这种将隐变量嵌入到基于张量模式的训练方法对于改进其他传统机器学习具有启发意义。..CT序列图像的传输方面，提出一种基于张量压缩感知的三维联合压缩-加密方法，在压缩的同时进行加密。这种方法有效压缩了CT序列所有方向上的冗余信息，在提高重构精确度的同时增大压缩率；设计非主动调制解调方法将传送数据嵌入到洛伦兹超混沌系统的动态方程中，增加了保密性；另外，张量的展开模式可以作为额外的秘钥，进一步增强安全性。..本课题突破了肺部计算机辅助诊疗中病灶的传统特征所包含的信息量不足，以及高维张量向低维转换所带来的结构破坏和内存浪费等局限，构建可以直接处理三维对象并嵌入隐变量的分割、识别与传输方案，为三维医学图像处理领域探索了一种新的途径。