CN101669828A - 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 - Google Patents

Abstract

本发明属于医学数字图像处理技术领域，具体为一种基于PET/CT图像纹理特征的肺部恶性肿瘤与良性结节检测系统。本发明的主要功能是在PET/CT图片中寻找到有用的纹理特征来更好区分肺部肿瘤组织和良性组织。先在PET/CT图像中分割出感兴趣区域ROI，然后提取出ROI的5个纹理特征：粗糙度，对比度，繁忙度，复杂度，强度。再利用距离计算和特征分类器对特征进行分类判别，利用多种特征的组合数据有效地区分恶性肿瘤和良性结节。

Description

基于PET/CT图像纹理特征的肺部恶性肿瘤与良性结节检测系统

技术领域

本发明属于医学数字图像处理技术领域，具体涉及一种基于PET/CT图像纹理特征的肺部恶性肿瘤与良性结节检测系统。

背景技术

肺癌是世界范围内最致命的癌症之一。正电子发射断层显像/X线计算机体层扫描(positron emission tomography/computed tomography，PET/CT)作为一种无创新型影像学诊断技术，近年来在肺癌诊断及术前分期的应用有了很大的发展。与传统的电子计算机断层扫描(computed tomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)或单纯的PET(positron emission tomography，正电子发射断层扫描)等技术相比，PET/CT技术的优势是十分明显的。CT图像在软组织处的对比分辨率很低，而许多恶性肿瘤组织正是存在于软组织中，在CT显像时，其与周围组织的差别不大，十分不明显。这使医生对肺部肿瘤很难区分和定位。MRI与CT技术有一个共同的缺点，即只能显示人体组织的物理位置及解剖结构信息，对于生理上的病变和异常无法表现。PET是一种放射性核素示踪医学影像技术。它以F、C、N、O等组成人体元素的同位素作为标记核素，标记人体生物物质如糖、氨基酸、脂肪、核酸等，使之作为示踪剂显示人体内的生物活动。PET/CT技术实现了PET图像和CT图像的同机融合，形成两种技术的优势互补。

在利用PET/CT影像进行检测和定位肿瘤组织方面，已经出现了一些应用阈值判断和SUV值比较的技术手段，除此之外，还有一些技术使用阈值和隐马尔科夫模型相结合的方法用于定位和划分癌变区域。这些技术都在一定程度上能够起到帮助医生判断病灶状况和肿瘤性质的作用。

纹理特征是图像最基本的视觉特征，在多种针对CT、MRI影像的应用中，基于纹理特征的定量研究取得了较好的效果。同样的，在PET/CT融合图像中，有经验的医生能够通过视觉判断是否发生了癌变，因此癌变组织和良性组织在纹理上应该有一定的不同；CT/PET融合图片的纹理特征应该可以作为癌症判断的一种依据，但目前还没有出现成熟的技术应用使用纹理特征来区分肺部恶性肿瘤和良性结节(如炎症等)。

发明内容

本发明的目的在于提供一种利用计算机图像分析和处理技术能辅助医生更好地检测和定位肺部恶性肿瘤与良性结节检测系统。

本发明提出的检测系统由5个功能模块组成，各个模块分别负责整个处理流程中的一个有机部分。如图1所示。该检测系统由图像预处理模块2、图像分割和ROI标注模块3、纹理特征提取模块4、纹理特征分析与选取模块5和特征分类器6依次连接组成，系统输入包含病人病灶区域的PET/CT图像1，输入图像由图像预处理模块2进行预处理操作；再由图像分割和ROI标注模块3完成病灶区域的准确定位和区域划分；纹理特征提取模块4对划分出的ROI区域进行纹理特征提取；由特征分析与选取模块5根据图像纹理特征选出最具有分类判别价值的特征组合，交给特征分类器6进行分类操作，最终给出病灶判别结果7。下面分别详述各个模块实现的功能和处理过程。

1.图像预处理模块

图像预处理模块的输入为统一格式(JPEG或BMP)的病人病灶区域的PET/CT图像(是指PET图像与CT图像融合而成的融合图像)，输出为经过预处理操作后的PET/CT图像，图像以CBitmap或IPicture的类型存放在内存中，模块支持将图像转换为统一格式(JPEG或BMP)输出。该模块内包含各种基本图像处理操作的功能函数，可以对图像按照预定要求进行预处理操作，包括灰度对比度的增强操作，图像边缘的锐化操作等。模块首先检查图像的各项指标，如对比度是否在预定范围内，图像边缘的清晰程度是否满足要求，如果不满足要求则调用对应的操作函数，对图像进行预处理。

2.图像分割与ROI标注模块

图像分割与ROI标注模块的输入为进过预处理的的PET/CT图像，图像以CBitmap或IPicture的类型存放在内存中，输出为从输入图像中提取出的ROI区域图像，图像同样以CBitmap或IPicture的类型存放在内存中，模块支持将ROI图像转换为统一格式(JPEG或BMP)输出。

所有初始的PET/CT融合图像均为固定分辨率的彩色图像。采用种子区域生长法等图像分割方法对PET/CT图像中的目标区域(ROI)进行自动分割，然后在医生的指导下进行标注，完成病灶区域的准确定位和边界区域的划分。后续提取纹理特征时只针对分割出的ROI中的像素进行提取。

3.纹理特征提取模块

纹理特征提取模块的输入为ROI区域图像，图像以CBitmap或IPicture的类型存储在内存中，输出为由ROI图像的各项纹理特征的特征值组成的特征向量。模块内部包含一个由多个纹理特征计算子模块组成的图像特征计算模块组，该模块组负责完成模块的主要功能，即计算输入图像的各项纹理特征的特征值。

由于肿瘤有不同于正常组织的生长规律和生物特征，肿瘤组织和良性组织会在PET/CT图片中有不同的纹理或模式。并且，医生在临床上判断肿瘤组织时已经用到了其纹理、位置和形状的一些信息，并证明了纹理特征的有效性。同时，纹理特征在一些其他的医学图像研究(如CT、MRI)中已经证明了其价值。因此选取已被证明有效的纹理特征作为分析PET/CT图像感兴趣区域的工具是有可行性的。

本发明研究了5个不同的纹理特征，分别为粗糙度、对比度、繁忙度、复杂度和强度。计算机中分为纹理特征计算的5各子模块，这一类特征是从相邻灰度等级差异矩阵(neighborhood gray-tone difference matrix，NGTDM)中计算得到的。这些特征主要表现了物体纹理给人的视觉感受，不存在对于微观纹理和宏观纹理的处理效果不同的问题。另外，NGTDM矩阵的计算开销不大，实现起来较为方便。

3.1相邻灰度等级差异矩阵(NGTDM)计算子模块。

计算每个视觉特征的具体公式是由对图像感观的描述中得到的，这种描述涉及了灰度的空间变化以及变化的幅度，所有的特征都依赖于这两个因素的不同。在图像中，灰度的空间变化可以通过计算所有像素的灰度值差异以及某一像素与其相邻像素灰度值的差异得到。因此计算这些特征的核心就是要找出一个一维矩阵，这个矩阵的第i个元素代表了灰度等级为i的所有像素，其灰度值i与其周围邻居像素的灰度均值之差的总和。计算特征的方法就是从这个矩阵中引申出来。

设f(k，l)为图像在(k，l)位置上的像素灰度值，并且f(k，l)的值为i。计算以(k，l)为中心的所有相邻像素的灰度平均值，但不包括(k，l)本身。首先计算出相邻差向量：

$\stackrel{\‾}{A_i}=\frac{1}{W-1}\left[\underset{m=-d}{\overset{d}{\mathrm{\Σ}}}\underset{n=-d}{\overset{d}{\mathrm{\Σ}}}f(k+m,l+n)\right],(m+n)\≠\left(\mathrm{0,0}\right)---\left(1\right)$

这里d代表了邻居的远近，即计算(2d+1)·(2d+1)的一个方形邻近区域。W为方形区域的像素个数，W＝(2d+1)²。NGTDM矩阵中的第i个元素为

Ni为灰度值为i的像素点数。

3.2粗糙度计算子模块

粗糙度，是纹理最基础的特征，实际上经常用来描述纹理。一幅图片的纹理比较粗糙，代表了组成图片的基本元素或基本纹理模式比较大。因此，这样的图片的灰度值的局部均匀程度相当高，并且可能在相当大的区域内都有着很高的均匀度。换句话说，灰度值的空间变化率比较小。因此相邻像素之间的灰度值会比较相似，即某一像素与其周围像素的均值之差就会较小。所以图片中所有像素的这样的差的总和代表了粗糙程度的反向。

计算总和时可以将所有NGTDM中的所有元素加起来。同时，根据每个灰度值出现的可能性作为权重。

$f_{\cos }={[\mathrm{\ϵ}+\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_{i}s\left(i\right)]}^{-1}---\left(3\right)$

G_h是图像中最高的灰度等级，ε是用于防止出现无穷大值的调节值。p_i是灰度值i在图像中出现的概率，即

$p_i=N_i/(h*w)---\left(4\right)$

其中N_i为灰度值为i的像素点数，h为图像高，w为图像宽，*表示乘积。

3.3对比度计算子模块

对比度高意味着相邻区域的灰度值之差较大。对比度的计算式为：

$f_{\mathrm{con}}=\left[\frac{1}{N_g(N_g-1)}\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_i{p}_j{(i-j)}^2\right]\left[\frac{1}{n^2}\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}s\left(i\right)\right]---\left(5\right)$

N_g是图像中不同灰度等级的等级总数，即：

这里

对比度f_con是两项的乘积。第一项代表了不同灰度的像素对间的平均加权差平方，并被用来反映图像灰度值的动态变化范围。权重是两个灰度值出现可能性的乘积。第二项是像素灰度与邻居像素灰度均值的平均差；当图像的局部灰度变化程度越高，这个值越大。

3.4繁忙度计算子模块

繁忙度表现了图像灰度值的空间变化率。一幅更忙碌的图片，代表了像素与其周围像素的灰度值变化速度很快，即像素灰度值的空间变化率非常高。如果从较大的范围来看，这样的快速变化造成的像素值实际差异并不大，即不易被人眼感知，那么该区域的局部均匀性还是很高的。但从另一方面讲，如果灰度值的变化速率较低，局部的均匀性依然可能很高。像素灰度值变化的速率决定了图像的忙碌程度，同时这种变化的大小取决于图像的对比度。

$f_{\mathrm{bus}}=\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_{i}s\left(i\right)\right]/\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}\right|{\mathrm{ip}}_i-{\mathrm{jp}}_j\left|\right],$ p_i≠0，p_j≠0  (7)

公式中，分子是一个灰度值空间变化得度量，分母是不同灰度值差异度的和。每个值都以其出现的可能性为权重。分母实际上与对比度成倒数的关系。因此这个表达式强调了灰度值空间变化的频率，即繁忙度。繁忙度越高，图像显得越精细。

3.5复杂度计算子模块

复杂度代表了一幅图片的视觉信息容量大小。复杂的纹理代表信息容量大。一幅图像中如果有很多明显的边或线时，其复杂性较高。复杂度取决于像素灰度模式的重复性和图像具有的灰度值的高低范围，因此与对比度和忙碌度相关。

一般来说，灰度值的空间变化率小的图像，灰度值取值范围可能较小，则其基本元素(即“块”)的平均灰度值可能差异不大，但这些“块”却可能很大。这样的局部均匀性使得纹理中的边数量较小。因此，一幅有着较快空间变化率的图像一般会比一幅有着较大局部均匀性的图像的复杂度大。较快的像素空间变化率意味着不同的像素值较多，则每个像素值出现的概率就会较小。因此一幅图片的基本组成元素的大小以及每个像素出现的概率与复杂度是负相关的。

复杂度的公式表示如下：

$f_{\mathrm{com}}=\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}\{\left(\right|i-j\left|\right)/(n^2(p_i+p_j)\}\{p_{i}s\left(i\right)+p_{j}s\left(j\right)\},$

p_i≠0，p_j≠0                              (8)

复杂度是像素对之间标准化的灰度差之和。这些差用NGTDM矩阵中的对应于两个灰度值的元素的和进行标准化，即进行加权。标准化系数n²(p_i+p_j)用来表示复杂度与图像基本组成元素大小、或者灰度值出现概率的反比例关系。对于粗糙度高的图像，这个系数会较大；对于较繁忙或精细的图像，这个系数会较小。灰度值差的绝对值用来表示复杂度受对比度变化的影响，同时其权值表现了灰度值空间变化的速度。复杂度越高，说明图像的内容越丰富。

3.6强度计算子模块

强度是一个较难描述的特征。通常情况下，一个图片强度大意味着其中的基本组成元素是清晰可见和容易定义的。由于提供了清晰的视觉感受，这一类图片是让人觉得更有吸引力的。这种清晰性与基本组成元素的大小和平均灰度值均相关。一些较大的“块”在平均灰度值差异较小时也很容易区分；然而较小的“块”在平均灰度值差异较大时才显得清晰。因此强度值与粗糙度以及对比度是相关的。强度公式表示如下：

$\mathrm{strength}=\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}(p_i+p_j){(i-j)}^2\right]/[\mathrm{\ϵ}+\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}s\left(i\right)],$

p_i≠0，p_j≠0                                (9)

式中的分子表示了强度与对比度的正比例关系，分母表示了与粗糙度的反比例关系。即灰度差异越大，分子越大，强度越大；组成图像的“块”的尺寸越大，分母越小，则强度越小。

4.纹理特征分析和选取模块

特征选取模块的输入为ROI区域图像的纹理特征的特征值向量，输出为从该向量中选择出的特征值组成的新特征向量。该模块使用纹理特征分析和选取算法判断不同特征的对应ROI图像的选取效果，从中剔选出最具有判别价值的特征向量，组合成为新特征向量。

对纹理特征进行分析，即研究不同特征针对不同区域和类型的肿瘤和良性结节图像的判别效果，为此引入一个“距离”的概念。某一特征对两种ROI(恶化肿瘤ROI和两性结节ROI)的距离越大，说明该特征越有效。距离计算如下

$\mathrm{dist}=|{\mathrm{mean}}_{\mathrm{tumor}}-{\mathrm{mean}}_{\mathrm{normal}}|/\sqrt{{{\mathrm{\σ}}_{\mathrm{tumor}}}^2+{{\mathrm{\σ}}_{\mathrm{normal}}}^2}---\left(10\right)$

其中mean_tumor、σ_tumor和mean_normal、σ_normal分别为肿瘤ROI和良性结节ROI的特征值的平均值和标准差。

特征的分析过程是建立在一个足够大的学习集基础上的。学习集内包含各种类型和区域的肿瘤和良性结节图像，这些图像依据所在区域和图像内容类型的不同被分成不同子类。在对一个特征进行分析时，对分别属于肿瘤ROI和良性结节ROI的两个图像子类进行分类，即计算此种特征对这两个图像子类的距离，距离越大，说明该特征对于这两个子类所对应的图像类型和所在区域的判别价值就越高。通过对整个学习集的分析，就可以选取得到不同特征对应的最具有分类价值的适用区域和图像类型。

5.特征分类器

特征分类器的输入ROI区域图像的部分(或全部)特征值组成的特征向量，输出为对ROI图像的判别结果。该模块使用已有的特征分类算法对输入向量进行判别，并给出最终判别结果。

在对各个特征进行深入分析的基础上，本发明使用K近邻分类器对图像特征进行分类，以判别恶性肿瘤和良性结节。

K近邻分类器与样本集分布无关，当样本分布未知时也能表现的很好。有许多选取特征的方法都假设样本集符合高斯分布，并且样本集中的数据是相互独立的，如基因算法等。K近邻算法在类似的研究中被证明有很好的表现。

利用K近邻分类器在训练样本的基础上学习得到分类边界，再利用分类边界对PET/CT图像进行分类和判别。为了提高分类效果，分类器除了应用K近邻算法进行分类之外，还利用自学习算法不断改进相关参数，从而提高分类的精确率。K近邻分类算法的主要参数为基础分类结果集，近邻个数的选取和对噪声点的排除。算法针对每个分类点，将它与基础分类结果集做比照，选取它距离最近的K个邻居，根据这些邻居中的分类情况决定该点的分类情况。算法还要尽可能地排除噪声点，以减少对分类结果的影响。通过使用自学习算法利用分类结果进行自我校正，改进相关的分类参数，从而不断提高自身的分类性能。

本发明提出的肺部恶性肿瘤和良性结节的检测方法，包括如下步骤：

1.对PET/CT融合图像的预处理，预处理包括图像边缘的锐化，灰度对比度的增强，得到预处理图像；

2.对PET/CT融合图像进行分割和ROI标注准，得到ROI区域图像；

3.对ROI区域图像进行纹理特征提取，提取了纹理特征包括粗糙度、对比度、繁忙度、复杂度、强度5种，这些纹理特征根据相邻灰度等级差异矩阵计算得到；

4.纹理特征分析和选取。使用纹理特征分析和选取算法判别不同特征对应ROI图像的选取效果，从中剔选出最具判别价值的特征向量，组合成新特征向量；

5.特征分类与判别，利用K临近分类器对图像特征进行分类，以判别恶性肿瘤和良性结节。

上述步骤中涉及到的处理方法和计算公式见各模块中的相应部分。

本发明将套图像预处理，图像分割，纹理特征提取，特征分类算法整合为一个紧凑而功能完成的整体系统，大大提高了处理效率和改善了使用体验。系统架构功能完善而不失灵活性，各个模块之间实现了低耦合，能够根据不同的处理需求方便快捷地对系统进行更新和维护。

附图说明

图1表示系统框架示意图。

图2表示肺部癌症患者的PET/CT融合图像，以及分割和标注结果。

图3表示肺部良性结节的PET/CT融合图像，以及分割和标注结果。

图中标号：1为PET/CT图像，2为图像预处理模块，3为图像分割和ROI标注模块，4为纹理特征提取模块，5为纹理特征分析与选取模块，6为特征分类器，7为图像判别结果，A为预处理图像，B为ROI区域图像，C为ROI特征值。

具体实施方式

下面结合附图和实例进一步描述本发明。

患者甲、乙在PET/CT工作台上进行扫描，在实际使用时，可在本系统与PET/CT图形工作站之间搭建接口，使得系统能够直接从图形工作站获得PET/CT融合图像1。图2左是患者甲的PET/CT融合图像，图3是患者乙的PET/CT融合图像。

从PET/CT图形工作站获得的原始的融合图像为经过图像预处理模块2的处理得到预处理图像A。预处理包括图像边缘锐化，对比度增强等操作。模块2还提供一个人工标注接口和图形操作界面，用于人工标注病灶区域。

预处理图像A由图像分割和ROI标注模块3进行进一步处理。该模块从已标注的病灶区域中提取出准确病灶边界，并将病灶区域提取出来，标注为ROI区域。图2右是患者甲PET/CT图像经过分割和标注后的ROI区域，图3右是患者乙经过分割和标注后的ROI区域。

特征提取模块4得到ROI区域图像后，并行或串行地调用图像纹理特征计算子模块，得到5个相应的特征值：粗糙度、对比度、繁忙度、复杂度和强度。将这些特征值组合成为特征值向量，传递给特征选取模块5。

特征选取模块5得到ROI区域特征值后，从上述5个特征值中选出部分(或者全部)具有良好的分类判别价值的特征值组合，如繁忙度，复杂度和强度，将它们组合成新的特征值向量传递给特征分类器6。

特征分类器6依据特征值向量进行分类操作，将分类结果依据一定的准则转化为图像判别结果7，输入给系统用户。图像判别结果7包括PET/CT图像中病灶的准确位置和区域边界，以及该病灶属于恶性肿瘤或良性结节的可能性大小，以概率表示。患者甲的判别结果为属于恶性肿瘤的概率为0.85，属于良性结节的概率为0.15，故患者甲患恶性肿瘤的可能性较大；患者乙的判别结果为属于恶性肿瘤的概率为0.22，属于良性结节的概率为0.78，故患者乙病灶为良性结节的可能性较大。

Claims (3)

1.一种基于PET/CT图像纹理特征的肺部恶性肿瘤和良性结节的检测系统，其特征在于该检测系统由图像预处理模块(2)、图像分割和ROI标注模块(3)、纹理特征提取模块(4)、纹理特征分析与选取模块(5)和特征分类器(6)依次连接组成，系统输入包含病人病灶区域的PET/CT图像(1)，输入图像由图像预处理模块(2)进行预处理操作；再由图像分割和ROI标注模块(3)完成病灶区域的准确定位和区域划分；纹理特征提取模块(4)对划分出的ROI区域进行纹理特征提取；由特征分析与选取模块(5)根据图像纹理特征选出最具有分类判别价值的特征组合，交给特征分类器(6)进行分类操作，最终给出病灶判别结果(7)；其中：

所述的PET/CT图像是由PET图像和CT图像融合而成的融合图像；

所述的图像预处理模块(2)对输入图像进行预处理操作，包括对图像边缘锐化，对比度增强处理；

所述的图像分割与ROI标注模块(3)采用种子区域生长法对PET/CT图像中的ROI进行自动分割，然后在医生指导下进行标注，划分出病灶的准确位置和区域边界；

所述的纹理特征提取模块(4)包含一个动态更新的图像特征计算模块组，计算机自动地调用模块组中的各个特征计算子模块，完成对ROI区域的多种纹理特征计算的过程；所述各个特征计算子模块分述如下：

1)相邻灰度等级差异矩阵计算子模块；

设f(k，l)为图像在(k，l)位置上的像素灰度值，并且f(k，l)的值为i；计算以(k，l)为中心的所有相邻像素的灰度平均值，但不包括(k，l)本身；首先计算出相邻差向量：

$\stackrel{\‾}{A_i}=\frac{1}{W-1}\left[\underset{m=-d}{\overset{d}{\mathrm{\Σ}}}\underset{n=-d}{\overset{d}{\mathrm{\Σ}}}f(k+m,l+n)\right],(m+n)\≠\left(\mathrm{0,0}\right)---\left(1\right)$

这里d代表了邻居的远近，即计算(2d+1)·(2d+1)的一个方形邻近区域；W为方形区域的像素个数，W＝(2d+1)²；相邻灰度等级差异矩阵中的第i个元素为

N_i为灰度值为i的像素点数；

2)粗糙度计算子模块

粗糙度的计算式如下：

$f_{\cos }={[\mathrm{\ϵ}+\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_{i}s\left(i\right)]}^{-1}---\left(3\right)$

G_h是图像中最高的灰度等级，ε是用于防止出现无穷大值的调节值；p_i是灰度值i在图像中出现的概率，即

p_i＝N_i/(h*w)                             (4)

其中N_i为灰度值为i的像素点数，h为图像高，w为图像宽，*表示乘积；

3)对比度计算子模块

对比度的计算式为：

$f_{\mathrm{con}}=\left[\frac{1}{N_g(N_g-1)}\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_i{p}_j{(i-j)}^2\right]\left[\frac{1}{n^2}\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}s\left(i\right)\right]---\left(5\right)$

N_g是图像中不同灰度等级的等级总数，即：

4)繁忙度计算子模块

繁忙度计算式为：

$f_{\mathrm{bus}}=\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}{p}_{i}s\left(i\right)\right]/\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}\right|{\mathrm{ip}}_i-{\mathrm{jp}}_j\left|\right],$ p_i≠0，p_j≠0     (7)

5)复杂度计算子模块

复杂度的计算式如下：

$f_{\mathrm{com}}=\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}\left\{\right(|i-j|)/(n^2(p_i+p_j)\}\{p_{i}s\left(i\right)+p_{j}s\left(j\right)\},$

p_i≠0，p_j≠0  (8)

6)强度计算子模块

强度的计算式如下：

$\mathrm{strength}=\left[\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}\underset{j=0}{\overset{G_h}{\mathrm{\Σ}}}(p_i+p_j){(i-j)}^2\right]/[\mathrm{\ϵ}+\underset{i=0}{\overset{G_h}{\mathrm{\Σ}}}s\left(i\right)],$

p_i≠0，p_j≠0(9)

2.根据权利要求1所述的检测系统，其特征在于所述的纹理特征分析和选取模块(5)中对纹理特征进行分析，即研究不同特征针对不同区域和类型的肿瘤和良性结节图像的判别效果，为此引入一个“距离”的概念；某一特征对恶化肿瘤ROI和两性结节ROI的距离越大，说明该特征越有效；距离计算式如下：

$\mathrm{dist}=|{\mathrm{mean}}_{\mathrm{tumor}}-{\mathrm{mean}}_{\mathrm{normal}}|/\sqrt{{{\mathrm{\σ}}_{\mathrm{tumor}}}^2+{{\mathrm{\σ}}_{\mathrm{normal}}}^2}---\left(10\right)$

其中mean_tumor、σ_tumor和mean_normal、σ_normal分别为肿瘤ROI和良性结节ROI的特征值的平均值和标准差；

特征的分析过程是建立在一个足够大的学习集基础上的；学习集内包含各种类型和区域的肿瘤和良性结节图像，这些图像依据所在区域和图像内容类型的不同被分成不同子类；在对一个特征进行分析时，对分别属于肿瘤ROI和良性结节ROI的两个图像子类进行分类，即计算此种特征对这两个图像子类的距离，距离越大，说明该特征对于这两个子类所对应的图像类型和所在区域的判别价值就越高；通过对整个学习集的分析，就选取得到不同特征对应的最具有分类价值的适用区域和图像类型。

3.根据权利要求1所述的检测系统，其特征在于所述的特征分类器(6)采用K近邻分类器。

Images