恶性肺结节的分类不确定性信息可视化传递函数研究

Classification uncertainty visualization techniques for malignant pulmonary nodules play an important role in the diagnosis of lung cancer, which can explore and communicate 3D quantitative and visual information about nodules,including the positioning and the relation between the nodule and its adjacent tissues.The goal of the project is to solve the research problem of "classification uncertainty visualization" for malignant pulmonary nodules in multi-modal medical imaging, and to provide technical support for clinical applications of lung cancer. By using techniques of image fusion, information visualization, segmentation and recognition of malignant pulmonary nodules, we aim at constructing the fusion-information-feature-driven transfer function of classification uncertainty visualization. The main research contents include: 1)Constructing the Hybrid Parametric Mixture Model (HPMM) of juxta-vascular nodules and the variational cost function of Fuzzy Integrated Active Contour Model(FIACM), and investigating the segmentation method of different types of pulmonary nodules in a unified framework, which is based on the FIACM model and the HPMM model for blood vessels and attached nodules. 2)Constructing the global dependency relationship model of three dimensional(3D) discrete shift-invariant shearlet coefficients, and presenting a multi-modal medical volumetric data fusion method using 3D discrete Shift-Invariant Shearlet Transform(SIST) and global-to-local fusion rule.3)Constructing the fusion-information-feature-driven multi-dimensional transfer function of classification uncertainty visualization, based on the importance-driven encoding, uncertainty encoding and risk/cost fucntion. Research work of this proposal will help promoting effect of classification uncertainty visualization for malignant pulmonary nodules, and provide technical support for clinical applications of lung cancer.

"分类不确定性可视化技术"传递和揭示恶性肺结节的三维视觉和量化信息，对肺癌诊疗至关重要。为了解决多模态成像中恶性肺结节的"分类不确定性的可视化"这个科学问题，项目拟通过图像融合、信息可视化、肺结节分割及良恶性识别技术构建"基于融合信息特征驱动"的"分类不确定性体可视化"传递函数"。主要研究内容包括：1）构建"模糊集成活动轮廓模型"和"血管粘连性结节的复合参数混合模型"，以及基于该模型的肺结节一体化分割算法；2）构建描述三维离散平移不变剪切波变换（SIST）中"融合系数的全局依赖关系"的模型，以及基于三维离散SIST变换和"全局－局部融合规则"的多模态成像融合方法；3）基于重要性驱动(importance-driven)编码、不确定性编码和风险代价函数，构建"基于融合信息特征驱动"的"分类不确定性可视化"多维传递函数。本项目为实现恶性肺结节的分类不确定性可视化、提高肺癌诊疗水平提供技术支撑。

“分类不确定性可视化技术”传递和揭示恶性肺结节的三维视觉和量化信息，对肺癌诊疗至关重要。为了解决多模态成像中恶性肺结节的“分类不确定性的可视化”这个科学问题，项目通过图像融合、信息可视化、肺结节分割及良恶性识别技术构建“基于融合信息特征驱动”的“分类不确定性体可视化”传递函数”。主要研究内容包括：1）构建“模糊集成活动轮廓模型”和“血管粘连性结节的复合参数混合模型”，以及基于该模型的肺结节一体化分割算法；2）构建描述三维离散平移不变剪切波变换（SIST）中“融合系数的全局依赖关系”的模型，以及基于三维离散SIST 变换和“全局－局部融合规则”的多模态成像融合方法；3）基于重要性驱动(importance-driven)编码、不确定性编码和风险代价函数，构建“基于融合信息特征驱动”的“分类不确定性可视化”多维传递函数。经过三年多的研究工作，业已完成研究目标：(1)项目构建了精确的分割模型和分割算法，实现了对各类型的肺结节较有效分割，所研究的方法在对113个临床胸部CT序列（数据源自LIDC和广东省几个三甲医院收集病例）进行验证，得到磨玻璃样GGO(ground-glass nodule)结节、血管粘连性结节、GGO血管粘连性结节的Tanimoto/Jaccard平均值为分别为0.17, 0.20和0.24，分割效果较好。(2)项目构建了精确的融合系统关系模型、融合规则和方法，实验结果验证，其很好地提高了融合性能，实现了多模态图像的精确融合。(3)项目构建了肺结节良恶性分类算法。经用LIDC数据库1018个临床CT序列进行测试，得到0.92的敏感性和0.95的AUC(area under ROC curve)结果。(4)项目构建了“恶性肺结节的‘基于融合信息特征驱动’的‘分类不确定性体可视化’传递函数”，实现了恶性肺结节“分类不确定性的可视化”，获取了有关恶性肺结节的三维视觉和量化信息（如定位、恶性肺结节与重要组织相对位置等），实现了恶性肺结节的分类不确定性可视化、为提高肺癌诊疗水平提供技术支撑。(5)项目所研究的分割模型和可视化方法具有普遍科学意义和价值。项目组将所研究的方法和成果进行了适当拓展应用，l包括在心肺功能评估的运用上。