一種基于水平集的胸部淋巴結(jié)全自動(dòng)分割算法

宋懿花　葛 晨　宋寧寧　周作建

摘 ?要： 肺癌是世界上發(fā)病率和死亡率最高的惡性腫瘤?，F(xiàn)階段，臨床主要通過(guò)淋巴結(jié)病變程度判斷肺癌惡性程度和預(yù)后情況。針對(duì)淋巴結(jié)的解剖特征及全身分散的問(wèn)題，本文提出了一種全自動(dòng)檢測(cè)和分割胸部病變淋巴結(jié)的方法，首先利用全自動(dòng)解剖識(shí)別方法自動(dòng)識(shí)別定位PET-CT影像中的所有淋巴結(jié)區(qū)域，然后檢測(cè)每個(gè)淋巴結(jié)區(qū)域中潛在的病變淋巴結(jié)，第三步采用水平集模型完成對(duì)各個(gè)淋巴結(jié)區(qū)域內(nèi)部病變淋巴結(jié)的精準(zhǔn)分割。算法分割精度率平均達(dá)到85%。

關(guān)鍵詞：?肺癌;PET-CT;淋巴結(jié)區(qū)域;水平集;檢測(cè)與分割

中圖分類(lèi)號(hào)：?TP399. 41????文獻(xiàn)標(biāo)識(shí)碼：?A????DOI：10.3969/j.issn.1003-6970.2020.02.009

【Abstract】： Lymph node detection is challenging due to the low contrast between lymph nodes as well as surrounding soft tissues and the variation in nodal size and shape.?Currently， the degree of malignancy and prognosis of lung cancer are mainly determined by the degree of lymph node lesions. Aiming at the anatomical features of lymph nodes and the problem of systemic dispersal， this paper proposes a method for fully automatic detection and segmentation of thoracic lymph nodes. Firstly， the automatic anatomical recognition method is used to automatically identify and locate all lymph node regions in PET-CT images， and then detect each. The potential lymph nodes in the lymph node area are detected. The third step uses the level set model to complete segmentation of the diseased lymph nodes in each lymph node region. The algorithm segmentation accuracy rate averages 85%.

【Key words】： Lung cancer; PET-CT; Lymph node zone; Level set; Detection and segmentation

0??引言

肺癌的發(fā)病率為惡性腫瘤之首，患者前五年生存率極低，臨床認(rèn)為，肺癌早期診斷、治療和術(shù)后康復(fù)預(yù)測(cè)等可以有效提高患者生存率。目前，使用術(shù)前影像學(xué)檢查確定腫瘤的惡性程度是最有效的手段。臨床認(rèn)為，肺癌的癌細(xì)胞在轉(zhuǎn)移到身體的其它部位之前率先轉(zhuǎn)移到淋巴結(jié)部位，因此，病變淋巴結(jié)定量分析成為臨床醫(yī)生診斷肺癌的主要信息。

淋巴結(jié)的檢測(cè)和分割是針對(duì)肺癌影像學(xué)研究的熱點(diǎn)之一。18F-FDG-PET-CT肺癌的影像特征可以為預(yù)測(cè)肺癌發(fā)生淋巴結(jié)轉(zhuǎn)移提供有利的影像學(xué)依據(jù)。1929年，Rouviere第一次提出根據(jù)腫瘤的位置預(yù)測(cè)腫瘤細(xì)胞會(huì)轉(zhuǎn)移的淋巴結(jié)。1998年，國(guó)際肺癌研究協(xié)會(huì)（International Association for the Study of Lung Cancer，IASLC）建立了肺癌分期的項(xiàng)目（Lung Cancer Staging Project），促進(jìn)了國(guó)際肺癌數(shù)據(jù)庫(kù)的快速發(fā)展。2009年國(guó)際肺癌研究協(xié)會(huì)提出新的肺癌

淋巴結(jié)分布圖。目前階段，許多的研究學(xué)者提出了多樣化的手段用于識(shí)別、分割并提取淋巴結(jié)，為實(shí)現(xiàn)淋巴結(jié)的量化評(píng)估提供了可能性。Kitasaka等人提出了在CT影像中利用3D最小方向差分濾波器的方法檢測(cè)腹部淋巴結(jié)，3D最小方向差分濾波器主要用于增強(qiáng)點(diǎn)狀結(jié)構(gòu)以識(shí)別淋巴結(jié)目標(biāo)，實(shí)驗(yàn)結(jié)果顯示可以檢測(cè)其中57%的腫大淋巴結(jié)。Feulner等人[1]提出了一種判斷學(xué)習(xí)法，該方法首先根據(jù)淋巴結(jié)的外形檢測(cè)出疑似淋巴結(jié)的中心位置，其次檢測(cè)的結(jié)果作為淋巴結(jié)分割的初始化進(jìn)而分割淋巴結(jié)。然而，此類(lèi)方法的淋巴結(jié)分割精度嚴(yán)重依賴(lài)訓(xùn)練數(shù)據(jù)集的規(guī)模，結(jié)果受訓(xùn)練數(shù)據(jù)集的規(guī)模影響較大。Liu等人[2-6]提出了目標(biāo)尺度的海森分析方法檢測(cè)胸部和腹部的淋巴結(jié)，結(jié)合live wire和活動(dòng)輪廓模型的方法分割胸部淋巴結(jié)，方法分兩步，首先利用live wire模型對(duì)淋巴結(jié)檢測(cè)，然后采用活動(dòng)輪廓模型精確分割淋巴結(jié)。該方法主要依賴(lài)于淋巴結(jié)的形狀信息對(duì)其進(jìn)行檢測(cè)，但是淋巴結(jié)全身分散，無(wú)規(guī)律可循，并未實(shí)現(xiàn)自動(dòng)分割。BarBu等人[7]采用了結(jié)合機(jī)器學(xué)習(xí)和特征提取的方法檢測(cè)和分割淋巴結(jié)，算法首先采用機(jī)器學(xué)習(xí)法檢測(cè)淋巴結(jié)，隨后對(duì)檢測(cè)到的疑似淋巴結(jié)進(jìn)行邊緣提取。Chen等人[8]提出了兩步分割方法分割淋巴結(jié)，首先采用配準(zhǔn)方法定位淋巴結(jié)位置，然后利用灰度信息和邊緣信息改善已檢測(cè)的淋巴結(jié)，最后采用蛇型算法分割淋巴結(jié)。Bui等人[9]采用水平集方法從超聲影像中提取淋巴結(jié)組織，由于超聲影像自身存在的成像缺陷，提取結(jié)果并不十分理想。Hacker等人[10]通過(guò)檢測(cè)淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)癌細(xì)胞的擴(kuò)展?fàn)顟B(tài)，與PET-CT影像信息作對(duì)比。Roth等人[11]采用了深度卷積神經(jīng)網(wǎng)絡(luò)觀察隨機(jī)集方法對(duì)淋巴結(jié)進(jìn)行檢測(cè)與提取，算法復(fù)雜度較高。2017年，Chen等人[12]用彌散加權(quán)磁共振影像檢測(cè)淋巴結(jié)用以作為肺癌診斷的輔助手段。Geppert等人[13]提取一定的病例，通過(guò)分析淋巴結(jié)預(yù)測(cè)子宮內(nèi)膜癌腫瘤，均取得了一定的成果。但是現(xiàn)存的成果依然具有人工干預(yù)大，依賴(lài)手動(dòng)等缺陷，不能滿(mǎn)足臨床全自動(dòng)、準(zhǔn)確量化疾病的目標(biāo)。

本文提出的基于淋巴結(jié)區(qū)域的自動(dòng)識(shí)別和分割病變淋巴結(jié)算法，能夠有效定位和分割病變淋巴結(jié)，滿(mǎn)足臨床醫(yī)生客觀評(píng)價(jià)肺癌的需求，有效為計(jì)算機(jī)輔助診斷提供多渠道方法。

1 ?全自動(dòng)淋巴結(jié)檢測(cè)

全自動(dòng)解剖識(shí)別模型（Automatic Anatomy Recognition）是由Udupa等人在2011[14]年提出的一種能夠全自動(dòng)檢測(cè)識(shí)別全身解剖結(jié)構(gòu)的方法，該方法的主要思想是在識(shí)別人體內(nèi)部各個(gè)器官和組織的同時(shí)能夠突破只識(shí)別單一解剖結(jié)構(gòu)的局限，將器官或組織之間的內(nèi)在解剖關(guān)系利用起來(lái)，并將模糊數(shù)學(xué)理論應(yīng)用于其中的一種識(shí)別與定位。本文將所有的淋巴結(jié)區(qū)域視為解剖結(jié)構(gòu)。針對(duì)淋巴結(jié)區(qū)域建模時(shí)，將主要的解剖器官作為關(guān)鍵參考目標(biāo)并自動(dòng)定位器官和淋巴結(jié)區(qū)域，最終在識(shí)別出的每個(gè)淋巴結(jié)區(qū)域內(nèi)部結(jié)合淋巴結(jié)區(qū)域的位置信息、PET-CT信息和本文引入的球?yàn)V波信息檢測(cè)出淋巴結(jié)。由于淋巴結(jié)的分布具有全身分散性，因此本文將全自動(dòng)解剖識(shí)別的檢測(cè)結(jié)果作為水平集模型的初始化，進(jìn)一步完成全自動(dòng)的淋巴結(jié)檢測(cè)與分割。

1.1??淋巴結(jié)區(qū)域定位與識(shí)別

IASLC按照胸部淋巴結(jié)的分散規(guī)律及癌癥的發(fā)病期淋巴結(jié)的擴(kuò)散規(guī)律定義了13個(gè)胸部淋巴結(jié)區(qū)域，分別是Zone1， Zone2R， Zone2L， Zone3a， Zone3p， Zone4R， Zone4L， Zone5， Zone6， Zone7， Zone89， Zone10R， Zone10L。按照實(shí)際臨床的診斷需求在臨床醫(yī)生的指導(dǎo)下，本文為淋巴結(jié)區(qū)域數(shù)據(jù)集的構(gòu)建添加了另外兩個(gè)淋巴結(jié)，分別是AxillaL 和AxillaR。同時(shí)，由于有些淋巴結(jié)區(qū)域體積較小，如Zone5，因此，本文對(duì)以上淋巴結(jié)區(qū)域按照區(qū)域的位置作了一定的組合。

淋巴結(jié)區(qū)域自動(dòng)解剖識(shí)別算法模型主要包括以下幾步：第一步，數(shù)據(jù)集的準(zhǔn)備，數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集，不含有病變影像數(shù)據(jù)，訓(xùn)練數(shù)據(jù)集用作模糊模型的建立，測(cè)試數(shù)據(jù)集用于全自動(dòng)解剖識(shí)別模型算法并獲得最優(yōu)層級(jí)結(jié)構(gòu)。根據(jù)每個(gè)淋巴結(jié)區(qū)域和器官組織的醫(yī)學(xué)定義，通過(guò)Cavass軟件手動(dòng)分割的方法得到它們的邊界;第二步，構(gòu)建模糊模型，模糊模型主要用于測(cè)試層級(jí)結(jié)構(gòu);第三步，通過(guò)已經(jīng)建立的模糊模型決定最優(yōu)的層級(jí)結(jié)構(gòu)，然后識(shí)別、定位主要器官和淋巴結(jié)區(qū)域。

（1）訓(xùn)練數(shù)據(jù)的構(gòu)建

模型的第一步是數(shù)據(jù)的準(zhǔn)備階段，包括正常數(shù)據(jù)的收集、目標(biāo)關(guān)鍵器官和淋巴結(jié)區(qū)域的分割。訓(xùn)練的數(shù)據(jù)采用正常數(shù)據(jù)，不包含病變數(shù)據(jù)。

（2）構(gòu)建目標(biāo)器官和淋巴結(jié)區(qū)域的模糊模型

構(gòu)建模糊解剖結(jié)構(gòu)FAM（B），其中B表示構(gòu)建的區(qū)域，本文構(gòu)建的區(qū)域是胸部，構(gòu)建模型如下：

FAM（B）=（H， M， ρ， λ， η） （1）

其中，H表示本文將要構(gòu)建模型并通過(guò)測(cè)試得出的層級(jí)結(jié)構(gòu)，M表示一系列的模糊模型，每一個(gè)器官和淋巴結(jié)區(qū)域都對(duì)應(yīng)一個(gè)模糊模型，ρ表示在層級(jí)結(jié)構(gòu)H中父結(jié)點(diǎn)和子結(jié)點(diǎn)的關(guān)系，λ是每一個(gè)器官和淋巴結(jié)所對(duì)應(yīng)的一系列的尺度因子，η表示一系列與物體相關(guān)的測(cè)量值，比如閾值等。

（3）識(shí)別和定位目標(biāo)器官和淋巴結(jié)區(qū)域

識(shí)別的主要目標(biāo)是準(zhǔn)確地識(shí)別和定位淋巴結(jié)區(qū)域以及和淋巴結(jié)區(qū)域有關(guān)的主要器官，然后根據(jù)識(shí)別出的淋巴結(jié)區(qū)域檢測(cè)淋巴結(jié)區(qū)域內(nèi)部的病變淋巴結(jié)并做最終的疾病診斷。層級(jí)結(jié)構(gòu)的選擇能夠?qū)δ繕?biāo)結(jié)構(gòu)的識(shí)別和定位起到關(guān)鍵作用，層級(jí)結(jié)構(gòu)中，控制層級(jí)形狀的父結(jié)點(diǎn)和子結(jié)點(diǎn)的參數(shù)分別是ρ和λ。鑒于此，本文選擇胸外部的皮膚結(jié)構(gòu)作為根結(jié)點(diǎn)，應(yīng)用于整個(gè)層級(jí)結(jié)構(gòu)作為識(shí)別和定位的起始點(diǎn)。

1.2??淋巴結(jié)檢測(cè)

基于淋巴結(jié)的解剖結(jié)構(gòu)和PET-CT成像特點(diǎn)，本文具備一系列病變淋巴結(jié)的先驗(yàn)知識(shí)，其中包括淋巴結(jié)形狀和位置、在CT和PET影像中的灰度值范圍等[15]。當(dāng)淋巴結(jié)區(qū)域被識(shí)別出后，對(duì)于每一個(gè)淋巴結(jié)區(qū)域z，PET-CT影像的每一個(gè)像素v本文有四個(gè)信息可以有效用于檢測(cè)淋巴結(jié)，分別是CT的灰度值fCT（v）， PET灰度值fPET（v），由模糊模型fM（v）得到的淋巴結(jié)區(qū)域隸屬度函數(shù)值以及球型濾波的輸出fg（v）。球形濾波fg（v）定義為：

對(duì)于每一個(gè)以像素v為中心點(diǎn)的球b，本文考慮半徑r范圍從rmin到rmax，最優(yōu)球b可以根據(jù)灰度值信息檢測(cè)到b的外側(cè)和內(nèi)側(cè)。rmin和rmax的取值范圍以覆蓋住淋巴結(jié)為原則。當(dāng)檢測(cè)到真正的淋巴結(jié)的中心時(shí)，d取得最大值，因此本文將此局部最大值認(rèn)為是潛在的淋巴結(jié)中心。在本文中，球形濾波的主要作用是應(yīng)用于lCT。此時(shí)，根據(jù)檢測(cè)到的淋巴結(jié)的位置本文可以做進(jìn)一步的淋巴結(jié)檢測(cè)，結(jié)合簡(jiǎn)單的閾值法本文定義如下：

2 ?基于水平集方法的淋巴結(jié)分割

雖然淋巴結(jié)的分布遵循一定的區(qū)域分布，但是與其它人體解剖結(jié)構(gòu)和組織相比，淋巴結(jié)的分布過(guò)于分散，且一定程度上依附于其它解剖器官和組織，因此，雖然研究學(xué)者近些年來(lái)提出了病變淋巴結(jié)可以作為肺癌早期診斷的指標(biāo)，但是，要想實(shí)現(xiàn)淋巴結(jié)的全自動(dòng)分割和定量評(píng)估卻困難重重?，F(xiàn)階段主要研究的方法主要集中在半自動(dòng)化淋巴結(jié)分割。本文結(jié)合自動(dòng)解剖結(jié)構(gòu)識(shí)別模型和水平集算法[16]，將全自動(dòng)解剖識(shí)別模型的輸出作為水平集算法的輸入，提出了全自動(dòng)提取胸部淋巴結(jié)的方法。

基于前一步的結(jié)果，作為第二部分對(duì)水平集方程進(jìn)行初始化，該算法能夠?qū)崿F(xiàn)淋巴結(jié)自動(dòng)、精準(zhǔn)分割。算法的初始化如下：

3??實(shí)驗(yàn)結(jié)果與分析

3.1??實(shí)驗(yàn)數(shù)據(jù)

數(shù)據(jù)包括45組訓(xùn)練和測(cè)試最優(yōu)層級(jí)結(jié)構(gòu)的正常數(shù)據(jù)（此處正常數(shù)據(jù)是指不涉及胸部肺癌或者淋巴結(jié)等影響判斷淋巴結(jié)情況的數(shù)據(jù)），所有CT掃描影像均要求病人在接受CT掃描期間屏住呼吸。CT的影像大小是512×512 mm，每一幅掃描影像均在50-70層之間，影像分辨率0.77×0.77×5.0 mm3。18F-FDG-PET-CT數(shù)據(jù)的掃描結(jié)果PET大小和分辨率并不與CT正好保持一致，為了接下來(lái)實(shí)驗(yàn)的可操作性，本文將所有的PET數(shù)據(jù)與相對(duì)應(yīng)的CT數(shù)據(jù)做了變換和插值，使PET和CT具有相同的大小和分辨率。

3.2 ?淋巴結(jié)分割結(jié)果

由于檢測(cè)到的淋巴結(jié)邊緣與真實(shí)的淋巴結(jié)邊緣有很大差距，基于之前所得到的淋巴結(jié)檢測(cè)結(jié)果，本文能夠得到比較準(zhǔn)確的水平集初始化區(qū)域，因此本文得到了如下淋巴結(jié)分割結(jié)果。如圖1所示，可以看出本文所提出的方法能夠自動(dòng)而精準(zhǔn)的分割出淋巴結(jié)組織。在淋巴結(jié)有些區(qū)域與附近的組織相連接且灰度值較接近附近區(qū)域的情況下，初始檢測(cè)淋巴結(jié)就變得非常有必要，幫助定位目標(biāo)區(qū)域并分割淋巴結(jié)。

圖1顯示了淋巴結(jié)初步檢測(cè)的結(jié)果，但是存在過(guò)檢測(cè)或少檢測(cè)等問(wèn)題，因此引入了水平集方法作進(jìn)一步精準(zhǔn)分割。圖2顯示了用水平集方法分割之后的結(jié)果，淋巴結(jié)邊界清晰，雖然淋巴結(jié)分散無(wú)序，本文方法依然能夠滿(mǎn)足淋巴結(jié)全自動(dòng)分割的要求。

為了評(píng)估本文所提出的全自動(dòng)淋巴結(jié)分割算法，本文引入Dice值作為評(píng)價(jià)分割結(jié)果好壞的標(biāo)準(zhǔn)。淋巴結(jié)的分割結(jié)果如表1所示，每個(gè)淋巴結(jié)區(qū)域的淋巴結(jié)分割結(jié)果平均Dice值均超過(guò)87%，最大值達(dá)到90%，敏感性和特異性分別是90%和85%。其中，分割結(jié)果顯示最理想的淋巴結(jié)區(qū)域是Axilla區(qū)域，雖然淋巴結(jié)的灰度范圍和肌肉組織最接近，但是由于Axilla區(qū)域的淋巴結(jié)主要位于脂肪組織內(nèi)，受到周?chē)M織的干擾最小，脂肪與淋巴結(jié)的灰度值對(duì)比較大，因此，Axilla區(qū)域的淋巴結(jié)的全自動(dòng)精準(zhǔn)分割效果最好。

本文結(jié)果中個(gè)別淋巴結(jié)區(qū)域的淋巴結(jié)分割結(jié)果相對(duì)不理想，例如Zone10區(qū)域，分割精度最大值只有79%，平均值只有76.6%，最小值低于65.4%，根據(jù)Zone10區(qū)域的解剖結(jié)構(gòu)分析，病變淋巴結(jié)區(qū)域大，與心臟或血管連接，導(dǎo)致被分開(kāi)的可能性減少，分割難度最大，因此，淋巴結(jié)的分割結(jié)果在Zone10區(qū)域并不理想。本方法接下來(lái)的研究重點(diǎn)將是如何有效改善淋巴結(jié)區(qū)域Zone10中淋巴結(jié)檢測(cè)及分割結(jié)果

4??結(jié)論

作為肺癌早期診斷的一項(xiàng)重要指標(biāo)，淋巴結(jié)的準(zhǔn)確檢測(cè)和分割對(duì)于疾病的預(yù)測(cè)以及診斷起到關(guān)鍵作用。由于淋巴結(jié)自身的解剖特點(diǎn)，淋巴結(jié)的檢測(cè)尤其是在PET-CT影像中的檢測(cè)非常具有挑戰(zhàn)性。本文在基于全自動(dòng)解剖識(shí)別模型方法識(shí)別淋巴結(jié)區(qū)域的基礎(chǔ)之上，創(chuàng)新性的將兩種比較新穎的策略融合到一個(gè)分割系統(tǒng)當(dāng)中，結(jié)合水平集方法分割病變淋巴結(jié)，使得病變淋巴結(jié)能夠被準(zhǔn)確分割。首先采用全自動(dòng)解剖識(shí)別模型方法自動(dòng)定位識(shí)別六個(gè)淋巴結(jié)區(qū)域，然后采用球形濾波定位和檢測(cè)點(diǎn)狀物體，第三步結(jié)合CT、PET、隸屬度值和球形濾波的輸出檢測(cè)和定位淋巴結(jié)，最后一步，引入了水平集的方法，將前一步的輸出作為水平集函數(shù)的輸入，實(shí)現(xiàn)了全自動(dòng)淋巴結(jié)分割。實(shí)驗(yàn)結(jié)果顯示分割效率和準(zhǔn)確率較高，據(jù)臨床評(píng)價(jià)，病變淋巴結(jié)的識(shí)別和分割能夠在一定程度上成為肺癌臨床診斷和術(shù)后預(yù)后的依據(jù)。

目前，盡管針對(duì)計(jì)算機(jī)輔助診斷的各種研究已經(jīng)取得較好的實(shí)驗(yàn)結(jié)果，但是醫(yī)學(xué)影像的問(wèn)題復(fù)雜性導(dǎo)致沒(méi)有一種通用的方法可以適用于所有情況，雖然各種影像學(xué)分割方法的分割精度不斷提高[17-21]，針對(duì)淋巴結(jié)的研究依然存在很多值得探討的問(wèn)題。

第一，由于淋巴結(jié)器官自身分布無(wú)規(guī)律的特征，若要實(shí)現(xiàn)全自動(dòng)淋巴結(jié)分割存在一定的困難，因此間接實(shí)現(xiàn)淋巴結(jié)分割是一種較有效的方法，如本文利用國(guó)際肺癌研究協(xié)會(huì)制定的淋巴結(jié)區(qū)域，在淋巴結(jié)區(qū)域分塊的前提下，逐區(qū)域檢測(cè)和分割淋巴結(jié)，但是分割結(jié)果依賴(lài)于淋巴結(jié)區(qū)域的識(shí)別和定位結(jié)果，精確定位淋巴結(jié)區(qū)域是分割淋巴結(jié)的前提。

第二，個(gè)體之間生理解剖結(jié)構(gòu)存在的差異會(huì)影響淋巴結(jié)區(qū)域的識(shí)別精準(zhǔn)度，因此，如何消除個(gè)體差異，使得淋巴結(jié)區(qū)域識(shí)別具有更高的魯棒性也是待解決的難點(diǎn)。

第三，由于訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的龐大，淋巴結(jié)區(qū)域的識(shí)別和定位效率較低，如何提高算法效率也是待改善和研究的問(wèn)題。

參考文獻(xiàn)

Feulner J， Zhou S K， Hammon M， et al. Lymph node detection and segmentation in chest CT data using discriminative learning and a spatial prior.[J]. Medical Image Analysis， 2013， 17（2）：?254-270.

Liu J， Feng C H， Hua J， et al. Automatic detection and segmentation of abdominopelvic lymph nodes on computed tomography scans[C]// IEEE International Symposium on Biomedical Imaging. IEEE， 2012：?1455-1458.

Liu J， Summers R M. Computer-aided lymph node detection in abdominal CT images[J]. Proceedings of SPIE - The International Society for Optical Engineering， 2010， 7624（1）：?95-100.

Liu J， Yao J， Summers R M. Computer-aided abdominal lymph node detection using contrast-enhanced CT images[C]// SPIE Medical Imaging. International Society for Optics and Photonics， 2011：?50-52.

Liu J， Yao J， Wang S， et al. Mediastinal lymph node detection on thoracic CT scans using spatial prior from multi-atlas label fusion[C]// SPIE Medical Imaging. 2014：?90350M.

Liu J， Zhao J， Hoffman J， et al. Detection and station mapping of mediastinal lymph nodes on thoracic computed tomography using spatial prior from multi-atlas label fusion[C]// IEEE， International Symposium on Biomedical Imaging. IEEE， 2014：?1107-1110.

Barbu A， Suehling M， Xu X， et al. Automatic detection and segmentation of lymph nodes from CT data.[J]. IEEE Transactions on Medical Imaging， 2012， 31（2）：?240-250.

Chen Q， Quan F， Xu J， et al. Snake model-based lymphoma segmentation for sequential CT images [J]. Computer Methods

& Programs in Biomedicine， 2013， 111（2）：?366-375.

Bui T M， Coron A， Mamou J， et al. Local Transverse-?Slice-?Based Level-Set Method for Segmentation of 3D， High-?Frequency Ultrasonic Backscatter from Dissected Human Lymph Nodes.[J]. IEEE Trans Biomed Eng. 2016.

H?cker A， Jeschke S， Leeb K， et al. Detection of pelvic lymph node metastases in patients with clinically localized prostate cancer： comparison of [18F]fluorocholine positron emission tomography-computerized tomography and laparoscopic radioisotope guided sentinel lymph node dissection.[J]. Journal of Urology， 2014， 176（5）：?2014-2018.

Roth H R， Lu L， Seff A， et al. A New 2.5D Representation for Lymph Node Detection Using Random Sets of Deep Convolutional Neural Network Observations[M]// Medical Image Computing and Computer-Assisted Intervention – MICCAI 2014. Springer International Publishing， 2014：?520-7.

Chen， Wang， Zheng， et al. Diffusion-weighted magnetic resonance imaging for the detection of metastatic lymph nodes in patients with lung cancer： A meta-analysis[J]. Molecular & Clinical Oncology， 2017， 6（3）：?344-354.

Geppert B， L?nnerfors C， Bollino M， et al. A study on uterine lymphatic anatomy for standardization of pelvic sentinel lymph node detection in endometrial cancer [J]. Gynecologic Oncology， 2017， 145（2）.

Udupa J K， Odhner D， Zhao L， et al. Body-wide hierarchical fuzzy modeling， recognition， and delineation of anatomy in medical images [J]. Medical Image Analysis， 2014， 18（5）：?752-771.

Udupa J K， Odhner D， Tong Y， et al. Fuzzy model-based body-wide anatomy recognition in medical images [J]. Proceedings of SPIE-The International Society for Optical Engineering， 2013， 8671（3）：?767-769.

Chunming L， Chenyang X， Changfeng G， et al. Distance regularized level set evolution and its application to image segmentation [J]. Image Processing IEEE Transactions on， 2010， 19（12）：?3243-3254.

王聰興， 劉寶亮. 一種基于圖像處理的表面故障裂紋檢測(cè)系統(tǒng)[J]. 軟件， 2018， 39（5）： 144-150.

曹妍， 陳偉， 徐森. 圖像去噪方法研究與仿真[J]. 軟件， 2015， 36（4）： 33-36.

楊玚， 謝華成. 基于馬爾科夫隨機(jī)場(chǎng)與模擬退火算法的圖像分割[J]. 軟件， 2015， 36（4）： 40-43.

鄭金志， 鄭金敏， 汪玉琳. 基于優(yōu)化初始聚類(lèi)中心的改進(jìn)WFCM 圖像分割算法[J]. 軟件， 2015， 36（4）： 136-142.

陳園， 侯贊， 劉軍華， 等. 基于改進(jìn)?K-Means 聚類(lèi)醫(yī)學(xué)圖像配準(zhǔn)[J]. 軟件， 2018， 39（01）： 75-82.