当前，肺癌已成为一种致死率极高的癌症。通常来说，肺癌的五年存活率在16%左右，如果肺癌能被及早确诊，五年存活率可以达到52%以上；但是若癌症发生扩散，五年存活率则会降至4%以下。因此，对肺癌的早期确诊对延长病人的生命具有至关重要的作用。北京航空航天大学的刘星龙博士等人提出了一种基于人工神经网络的肺结节辅助诊断方法，该论文发表在SCIENCE CHINA Information Sciences 2017 第7期中——

对于早期肺癌诊断，计算机断层扫描（CT）由于其能够为诊断小的组织病变提供更可靠的切片信息而成为诊断肺结节的金标准。但是，另一方面，CT成像的高敏感性也造成了成像数据量大、各种歧义结构多的缺点。这些缺点使得医生辨别结节和正常健康组织非常困难。最近几年来，计算机辅助检测（CADe）系统发展起来，并在减少医生工作量、帮助医生进行精确诊断等方面显现出巨大的潜力。肺部结节的检测对肺癌的诊断和治疗都具有非常重要的指导性意义。然而，由于肺部结节的外形变化较大，结节密度与周围密度差异较小，甚至有些结节与周围的血管、肺壁等组织有粘连，因此准确的判断肺结节并不是一个容易的问题。

基于人们在这个领域已经取得的成果，SCIENCE CHINA Information Sciences 2017 第7期发表的一项研究提出了一种基于人工神经网络（ANN）的从肺胸部CT中获取肺结节的方法，该方法的流程如图1所示，所使用的ANN网络结构如图2所示。不同于传统的方法，该方法的着重点在于分析结节体素之间的相互关系，并使用ANN对这些特征进行归纳。该方法并非针对CT体数据逐层处理，而是直接使用基于三维体素及周边邻域的分析，能够方便的集成到现有CADe系统，并在少量操作交互下快速处理新的输入CT数据进行结节判断的框架；此外，该方法基于几何结构和数值统计特征的投票算法，能够在压制歧义结构的同时更好的确定初始候选结节结构；提出了一种基于3D候选体素邻域采样的多ANN结节阴阳性判断模型，克服了传统手工选取结节特征精度低的缺点。

图1 基于ANN的肺结节诊断流程

图2 ANN网络结构图

###

研究详情请参见文章Liu X, Hou F, Qin H, et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network[J]. Science China Information Sciences, 2017, 60(7):072106.，访问中国科学信息科学英文版官方网站，了解并下载原文：http://engine.scichina.com/doi/10.1007/s11432-016-9008-0.