1.4 实验结果及分析

1.4.1 实验数据

表1-1描述了本章中使用的影像数据来源和数据属性。数据来源于LIDC数据库和广州医学院第一附属医院，每套数据的结节都有医生手工标识的“金标准”，即结节的位置。LIDC数据库中的数据是扫描部分的肺影像，而广州医学院第一附属医院的数据是扫描全肺影像。广州医学院第一附属医院的数据库中的影像，是通过东芝16排CT产生的，球管的电压为120kV，电流为130mA。数据被重建成512×512大小的影像。

1.4.2 实验环境

所有实验都是在主频AMD2GHz、内存1.5GB计算机上完成的；操作系统是Windows XP，编程语言为VC++6.0。算法代码的开发都是在东软医学影像处理与分析平台下完成的，该平台是基于NIL库实现的，并负责把3D影像数据读入到内存中，且能把处理后的结果显示到界面上。

1.4.3 实验方案

本章实验共设计2套实验方案，具体方案如下。

1.实验一

目的是分析提取毛玻璃型候选肺结节的必要性。让医生检测LIDC数据库中的所有影像，并画出检测结果。同时和LIDC发布的“金标准”进行比较，并分别统计各种类型结节的漏检情况。

2.实验二

目的是分析所提出的提取毛玻璃型候选肺结节方法的有效性和实用性。首先，找出“金标准”含有毛玻璃型结节的影像；然后，分别对每套影像分割肺实质区域；再次，按照1.3中所述方法，得到GGO结节的“候选点”；最后，统计平均运行时间、“候选点”个数/套、漏检的个数。与此同时，在相同的数据集上对文献[6，8]所述算法进行了评估，并把它们的结果与所提出的方法的结果相比较。

1.4.4 实验结果

实验一的实验结果是：LIDC数据库中共23个结节，医生总共漏检了6个，其中孤立型结节漏检2个，粘连血管型结节和粘连肺壁型结节无漏检，而毛玻璃型结节漏检了4个（漏检率100%）。因此，证明了毛玻璃型结节是医生最易漏检的结节类型，从而说明提取候选毛玻璃型结节的必要性。

实验二中把1.3所述方法中的自适应滤波器的参数 α 设为3，模板的高斯系数 delta 也设定为3。检测结果是：对于广州医学院第一附属医院数据库中的32个毛玻璃型结节，漏检了5个；而对于LIDC数据库中的4个毛玻璃型结节，没有漏检现象发生。表1-2分别列出了3种方法的漏检率、平均每层“候选点”个数，平均每套影像提取“候选点”所需时间。

图1-7为4幅包含GGO结节的影像，箭头标示的为GGO结节。本章方法提取候选毛玻璃型结节的实际效果如图1-8所示，图1-8为本章算法提取GGO结节“候选点”（各分图的左半部分）的结果，且用箭头标示。