CN101859441B - 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法 - Google Patents

Abstract

本发明提供了一种基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法，可反映肿瘤浸润周围组织的程度。从而为肿瘤疾病的监测、筛查以及诊断提供一种完全无创的手段。本发明操作步骤如下：第一步：获得特定部位的影像图像，选定感兴趣区域。第二步：将ROI区域划分为很多的“基准单元”。第三步：计算“基准单元”周围“相邻区域”的纹理特征。第四步：将上步中得到的纹理特征值组成特征向量，将其送入分类器进行检测，得出“相邻区域”属性。第五步：根据“基准单元”周围“相邻区域”属性，计算“基准单元”计分，得出ROI区域的概率分布图。第六步：将概率分布图叠加到原始图像上，得出肿瘤组织与正常组织的边界。第七步：根据肿瘤生长特性，修正上步中得到的良恶性组织边界，由此最终确定肿瘤浸润周围组织的程度。

Description

基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法

技术领域

本发明属于医学影像计算机辅助监测与诊断领域。根据图像中感兴趣区域(图像中包含肿瘤组织及其周围组织的区域)的纹理特征以及本发明提出的肿瘤与周围组织边界寻找方法，就可以确定肿瘤浸润周围组织的程度，进而为手术方案确定及治疗后随访提供依据。

背景技术

图像纹理就是图像像素灰度值的变化规律。为定量描述纹理的变化规律，人们设计了很多的数学模型来度量纹理。这些数学模型被称为图像的纹理特征。纹理分析是将随机纹理或几何纹理的空间结构差异转化为像素灰度值的差异，并用一些数学模型来描述这些差异，从而获得纹理的定量描述，最终对图像的性质、类别进行区分及归类的过程。纹理特征的提取方法大致可以分为两类：统计分析方法和结构分析方法。前者从图像属性的统计分析出发，根据纹理元素及排列规则来描述纹理结构，反映像素之的灰度变化及空间相关规律；后者则着力找出纹理基元，再从结构组成探索纹理的规律。一般来说统计法适用于分析纹理细而且不规则的物体；结构法则适用于纹理基元排列较规则的图像，如织物纹理。由于医学图像的规则性差，纹理较细，因此通常采用基于统计的纹理分析方法。

通常纹理特征与纹理的位置、走向、尺寸、形状等性质有关。常见的基于统计的二维纹理特征有如下几类：1、基于灰度值分布的纹理特征，包括灰度均值(Mean)、方差(standard deviation)、熵(entropy)、均匀度(uniformity)、平滑度(smoothness)、三阶距(third moment)、偏度系数(skewness)、峰度系数(kurtosis)等[H.S.Sheshadri，A.Kandaswamy.Experimental investigation onbreast tissue classification based on statistical featureextraction of mammograms.Computerized Medical Imaging andGraphics，2007，31：46-48.Balaji Ganeshan，Kenneth A.Miles，Rupert C.D.Young，et al.Texture analysis in non-contrastenhanced CT：Impact of malignancy on texture in apparentlydisease-free areas of the liver.Eur J Radiol，2009；70：101-110.]；2、基于视觉心理学的纹理特征(Tamura纹理)，包括粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线像度(linelikeness)、规整度(regularity)粗略度(roughness)[H.Tamura，S.Mori，and T.Yamawaki.Texturefeatures corresponding to visual perception，IEEE Trans.OnSystems，Man，and Cybernetics，1978；Smc-8(6)：460-473.]；3、自协方差系数(Auto-covariance coefficient)[Wen-Jie Wu，WooKyung Moon.Ultrasound Breast Tumor Image Computer-AidedDiagnosis With Texture and Morphological Features.Acad Radiol，2008，15：873-880.]；4、灰度共生矩阵，包括角二阶距(angularsecond moment)、对比度(contrast)、相关(correlation)、熵(entropy)、逆差距等共17项[Robert M.Haralick，K.Shanmugam，Its’hak Dinstein.Textural Features for Image Classification.IEEE transactions on systems，man andcybernetics，1973，SMC-3(6)：PP.610-621；R.W.Conners，M.M.Trivedi，C.A.Harlow.”Segmentation of a High-ResolutionUrban Scene Using Texture Operators.Computer Vision，Graphics，and Image Processing，1984，25：273-310.]；5、灰度梯度共生矩阵，包括小梯度优势(SmallGradsDominance)、大梯度优势(BigGradsDominance)、灰度分布不均匀性(GrayAsymmetry)、梯度分布不均匀性(GradsAsymmetry)、能量(Energy)，相关(Correlation)、灰度熵(GrayEntropy)、梯度熵(GradsEntropy)、混合熵(Entropy)、惯性(Inertia)、逆差距(DifferMoment)共11项。[H Ji-guang，Gray Level-gradient Co-occurrence MatrixTexture Analysis Method.Acta Automatica Sinica，1984]。

随着计算机辅助诊断技术的深入研究，利用纹理分析作为核心方法对肿瘤病灶进行计算机辅助分析逐渐成为研究热点。H.S.Sheshadri等人使用纹理特征在乳腺钼靶X线图像上将软组织分成了四类，并由此确定乳腺癌病灶的位置[H.S.Sheshadri，A.Kandaswamy.Experimental investigation on breast tissueclassification based on statistical feature extraction ofmammograms.Computerized Medical Imaging and Graphics，2007，31：46-48.]。王天、张国鹏等人对结肠CT图像实行三维重建并利用纹理特征实现了结肠肿瘤病灶和结肠息肉病灶的鉴别[王天，张国鹏，刘欣，张军英，卢虹冰.虚拟结肠镜的计算机辅助检测研究.中国生物医学工程学报，2008，27(1)：146-151]。Balaji Ganeshan等人则在CT图像上利用纹理特征实现了早期肝脏肿瘤病灶位置的确定[Balaji Ganeshan，Kenneth A.Miles，Rupert C.D.Young，et al.Texture analysis in non-contrast enhanced CT：Impact ofmalignancy on texture in apparently disease-free areas of theliver.European Journal of Radiology，2009，70：101-110；]。Wen-Jie Wu等利用纹理特征在乳腺B超图像上实现了良性乳腺肿瘤和恶性乳腺肿瘤的鉴别[Wen-Jie Wu，Woo Kyung Moon.UltrasoundBreast Tumor Image Computer-Aided Diagnosis With Texture andMorphological Features.Acad Radiol，2008，15：873-880.]。在肺结节的影像学检查中，利用纹理分析的方法降低人工读片的失误已经是一种相对成熟的技术[Bram van Ginneken*，Bart M.ter HaarRomeny，and Max A.Viergever，Member IEEE，Computer-AidedDiagnosis in Chest Radiography：A Survey，IEEE TRANSACTIONS ONMEDICAL IMAGING，2001；20：1228-1240]。Lingley-Papadopoulos2007年的研究指出，使用纹理分析方法，可以将膀胱壁的层次结构在OCT(Optical Coherence Tomography，光学相干断层成像图像上分割出来[Colleen A.Lingley-Papadopoulos，Murray H.Loew，Jason M.Zara.Real-time bladder-layer recognition：anapproach to optical biopsy[J].ISBI，2007：1279-1279]。Nailon2008年的研究指出在CT图像上膀胱肿瘤组织与其周围组织的纹理特征存在区别[William H.Nailon，Anthony T.Redpath，Duncan B.McLaren.Texture analysis of 3D bladder cancer CT images forimproving radiotherapy planning[J].ISBI 2008：652-655.]。综上所述，二维纹理分析在计算机辅助诊断中的应用已经非常广泛而且取得了较好的效果。

发明内容

本发明的目的是提供一种基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法。该方法以纹理分析作为基础，结合分类器设计(支持向量机SVM)和肿瘤生长特性，在影像图像上标记出了肿瘤组织与其周围正常组织的边界，达到了无创判断肿瘤浸润程度的目的。

本发明将图像上肿瘤组织与周围正常组织交界区域的像素并不简单归类为肿瘤组织或正常组织，而是计算这些像素属于某种组织的概率，再通过这些概率值的分布情况就可以确定肿瘤与正常组织的边界，继而确定浸润周围组织的程度。

本发明方法步骤如下：

第一步：获得特定部位的医学影像图像。在每幅影像图像中确定需要进行分析的区域(感兴趣区域ROI)，即影像图像中肿瘤与周围组织混杂的部分，将其作为研究对象。

第二步：将影像图中ROI区域划分为若干个适当的“基准单元”，其大小与ROI区域大小、肿瘤性质、图像分辨率等因素有关。基准单元”是本发明中对图像进行操作的最小单位。

第三步：计算“基准单元”周围“相邻区域”的纹理特征。“相邻区域”的形状、大小、位置可根据具体问题做适当调整。构造“相邻区域”的目的一方面是保证ROI区域有足够大的面积，防止ROI区域过小而不能表达出纹理；另一方面是通过“基准单元”周围“相邻区域”的属性来获得“基准单元”属于某一组织的概率，从而获得“基准单元”的概率分布图。

第四步：计算“相邻区域”的若干纹理特征值，形成特征向量，并将特征向量送入特定分类器进行检测，得到“相邻区域”的属性。不同部位、不同类型的肿瘤应采用不同组合的纹理特征，以形成特定的特征向量。纹理特征的选择应通过统计分析的方法获得。对分类器而言，应首先使用已知数据对分类器进行训练，之后根据训练得到的参数，设计出针对该肿瘤的特定分类器。

第五步：每个“基准单元”周围有若干“相邻区域”，根据分类器对“相邻区域”的判别结果，可计算出该“基准单元”属于肿瘤组织或良性组织的概率，继而得到ROI区域的概率分布图。本步骤的目的是利用“相邻区域”的属性来估计“基准单元”的属性。

第六步：该步骤的目的是根据概率分布图分析出良恶性组织的边界。从概率分布图上可得到感兴趣区域内肿瘤及良性组织的分布情况，若某些“基准单元”属于两种组织的概率相等(计分为0的“基准单元表”)，则认为它们表示两种组织的交界。将概率分布图叠加到原始图像上便得到肿瘤组织和良性组织的边界。

第七步：肿瘤或良性组织区域在内部是连通的，而且肿瘤的生长具有一定的方向性，根据这一特性修正第六步中得到的被认为是两种组织边界的“基准单元”，若某一“基准单元”明显孤立于其它“基准单元”，则认为该“基准单元”属性判断错误，并舍去。由此最终确定良恶性组织的边界，继而得到肿瘤浸润周围组织的程度及范围。

申请者考虑到之前基于影像图像的纹理分析的研究焦点在于肿瘤组织与良性组织之间的鉴别，虽然可确定肿瘤的大概位置或证明肿瘤组织与良性组织在纹理特征上存在差异，但是对于肿瘤组织的局部扩散情况，即肿瘤侵犯周围组织的程度不能够给出确切的结论。由于纹理特征的计算必须基于一定面积的图像，面积过小则不能表示整个区域的纹理(文献研究提示最小面积为4×4像素)，这也导致在图像上使用纹理分析的方法很难确定肿瘤组织与周围正常组织的分界线。

本发明巧妙规避了这一问题，以“肿瘤组织与周围正常组织纹理不同”这一结论作为基础，结合分类器设计及本发明所提出的肿瘤组织与周围正常组织边界判断方法，将肿瘤浸润周围组织的程度在影像图像上标记出来。从而为肿瘤疾病的监测、筛查以及诊断提供一种完全无创的手段。

本发明适用于可在影像图上成像的肿瘤，如膀胱癌、肝癌、肺癌、乳腺癌、结/直肠癌、宫颈癌、子宫癌等实体性肿瘤。

附图说明

图1a和图1c是显微镜下平滑肌与肿瘤形态影像图。

图1b和图1d是图1a和图1c两图的纹理示意图。

图2a是膀胱肿瘤和膀胱壁的核磁影像图。

图2b是图2a的局部放大图。

图2c是指定的膀胱肿瘤及膀胱壁区域(白色线条区域)。

图2d是将指定区域分割为若干基准单元。

图3是一个基准单元示意图(本例以2*2像素为基准单元)。

图4a-图4d是基准单元及其周围的四个方块区域示意图。

图5是原始核磁共振图像。

图6是原始图像叠加概率分布图后得到的良恶性组织分界示意图。

具体实施方式

膀胱肿瘤组织与其周围的膀胱壁平滑肌组织是两种类型的组织，肿瘤的纹理大多呈现沙粒状如图1a和图1c所示；而膀胱壁是平滑肌，其纹理呈现出条索状的特点如图1b和图1d所示。因此，两者的纹理特征也存在巨大差异，这是本发明的基础。

以膀胱肿瘤为例，发明人首先在统计分析基础上筛选出可在影像图像上区分膀胱肿瘤和膀胱壁组织的纹理特征；继而将计算出的由数个纹理特征构成的特征向量输入SVM分类器，得到交界部分像素属于某一组织的概率；根据概率值的分布情况并结合膀胱肿瘤生长特性便能在影像图像上标记出了膀胱肿瘤组织与膀胱壁组织的边界，实现无创判断膀胱肿瘤浸润深度(膀胱肿瘤分期)。

以下以膀胱肿瘤为例，通过本发明方法确定膀胱肿瘤浸润膀胱壁的深度(膀胱肿瘤分期)。

第一步：获得特定部位的影像图像，在此以特定序列的MRI膀胱图像为例，如图2a和图2b所示，选定感兴趣区域，如图2c所示(白色线条区域)。

第二步：将上步中得到的ROI区域划分为很多的“基准单元”(本例以2×2像素区域作为基准单元)，如图3。ROI区域的边缘通常是不规则的，在划分“基准单元“时会有缺漏。因此需要对边缘部分进行填充或舍去，如图2d所示。

第三步：计算“基准单元”周围“相邻区域”的纹理特征。本例中每个“基准单元”可以和相邻像素构成四个“方块区域”，如图4a-图4d所示，计算“方块区域”的若干类型纹理特征值。

第四步：将上步中得到的纹理特征值组成特征向量，将其送入分类器进行检测，得出“方块区域”属性。

第五步：根据“基准单元”周围“方块区域”属性，计算“基准单元”计分，得出ROI区域的概率分布图。本例中每个“基准单元”周围有四个“方块区域”，根据分类器的判别结果，若四个“方块区域”属性都为肿瘤，则记为4；四个“方块区域”属性都为膀胱壁，则记为-4。若“基准单元”周围有3个肿瘤方块，1个膀胱壁方块，则记为2；反之，则记为-2。若“基准单元”周围肿瘤方块与膀胱壁方块数目相等，则记为0。由此得出“基准单元”属于肿瘤组织的概率，继而得到ROI区域的概率分布图。

第六步：将概率分布图叠加到原始图像图5上，得出肿瘤组织与正常组织的边界。在本例中根据上一步得到的概率分布图，可分析出膀胱肿瘤组织与膀胱壁组织的边界，继而得到膀胱肿瘤浸润膀胱壁的深度(膀胱肿瘤分期)，如图6所示，从中可以清晰看到良恶性组织的分界线(灰色线条为ROI区域，ROI区域中白色与黑色相交部分为良恶性组织分界线，即白色箭头所指部分)。

第七步：根据肿瘤生长特性，修正上步中得到的良恶性组织边界，由此最终确定肿瘤浸润周围组织的程度。本例中则得到膀胱肿瘤浸润膀胱壁的深度(膀胱肿瘤分期)。

Claims (1)

1.一种基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法，其特征是包括以下步骤：

第一步：获得特定部位的影像图像，选定影像图像中肿瘤与周围组织混杂的部分作为感兴趣区域ROI；

第二步：将ROI区域划分为很多的基准单元；

第三步：计算包含基准单元的方块区域的纹理特征；

第四步：将上步中得到的纹理特征值组成特征向量，将其送入分类器进行检测，得出相邻区域属性；

第五步：根据基准单元周围相邻区域属性，计算基准单元计分，得出ROI区域的概率分布图；

第六步：将概率分布图叠加到原始图像上，得出肿瘤组织与正常组织的边界；

第七步：根据肿瘤生长特性，修正上步中得到的良恶性组织边界，由此最终确定肿瘤浸润周围组织的程度。 

Images