CN102542562A - 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 - Google Patents
一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 Download PDFInfo
- Publication number
- CN102542562A CN102542562A CN201110376737XA CN201110376737A CN102542562A CN 102542562 A CN102542562 A CN 102542562A CN 201110376737X A CN201110376737X A CN 201110376737XA CN 201110376737 A CN201110376737 A CN 201110376737A CN 102542562 A CN102542562 A CN 102542562A
- Authority
- CN
- China
- Prior art keywords
- tubercle
- lung
- image
- quadrature position
- quadrature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于肺结节三正交位CT图像纹理的提取方法,包括以下步骤:a、建立肺结节三正交位CT图像体系;b、经离散Curvelet变换法提取肺结节三正交位纹理特征参量。还公开了一种预测肺癌方法,包括以下步骤:a、肺部CT图像纹理特征提取步骤;b、三正交位CT图像影像征象提取步骤;c、对肺结节三正交位CT图像纹理特征、影像学征象等多维度特征参量,通过Gradient Boosting算法,建立预测模型。本发明可用于肺部结节性病变早期诊断。
Description
技术领域
本发明涉及医学影像诊断技术,尤其一种基于肺结节三正交位CT图像纹理的提取方法和预测肺癌方法。
背景技术
近年来,肺癌始终位居世界大多数国家肿瘤死亡率首位(SR Kim,et al.2010)[1],全球每年约有130万人死于肺癌,占全部癌症的18%(JFerlay,et al.2010)[2],并且在未来30年中,肺癌仍将是中国人的主要死因(JW Wang,et al.2005)[3]。尽管科学技术在不断的发展,但是肺癌的预后仍然很差,大多数国家5年生存率仅为10%(G Mountzios,et al.2010)[4]。然而肺癌病人能在早期被诊断,10年生存率可达92%(N Seki,et al.2010)[5]。但是超过80%的病人被确诊时已是中晚期。因此对肺癌进行预防和早期诊断非常必要,探讨肺癌早期有效诊断方法,对提高肺癌患者的5年生存率有重大意义。
虽然目前诊断肺癌最准确的方法是细胞组织学检查,但数字化CT(Computed Tomography)检查在健康体检、疾病早期诊断中的应用越来越广泛,同时它也是肺癌早期诊断的最佳影像检查方法(CIHenschke,et al.2008)[6]。医生通过观察二维断层CT图像,根据观察病变体的影像学特征和自己的经验做出判断。但由于早期肺部恶性肿瘤(周围型肺癌)和结核球、炎性假瘤、错构瘤和肺曲菌病等良性肺部疾病在CT图像上均呈结节状,所以肺结节(指肺野内直径≤3cm的病灶)尤其是直径小于1cm肺小结节性质的判定在CT图像的诊断中一直是国内外的一个难点和关键点(JW Chang,etal.2008)[7]。采用何种先进的技术方法,基于CT图像的特征探讨诊断肺结节的良恶性,提高恶性肺结节的鉴别率,是许多国内外学者研究的热点和难点问题。
通过提取肺部CT图像微观纹理特征建立预测模型进行辅助诊断,近几年越来越引起研究者的关注。图像纹理是一种图像局部特征,是指在图像中反复出现的局部模式和排列规则。图像某一位置的纹理特征与这一位置周围灰度值变化规律密切相关。
G Picozzi(2006)[8]曾采用分形方法对57例轴位良恶性肺小结节患者从形状纹理提取CT图像特征参数,发现良性与恶性肺小结节之间的分形维数差异有统计学意义;采用灰度共生矩阵(Gray-levelco-occurrence matrices)方法提取内部纹理特征是较好方法(OSAl-Kadi.2010)[9]、基于Wavelet变换对肺结节CT图像增强(XH Guo,et al.2010)[10]或提取纹理结合多变量统计方法处理较规则图像结果比较理想(HD Lin,2006)[11]。本项目组(2009)[12]基于灰度共生矩阵与小波变换方法提取轴位肺结节CT图像内部与外部14种纹理建立人工神经网络模型,我们也发现良性与恶性肺结节的主要区别在于边缘纹理。由于CT图像上的许多肺结节周边有复杂毛刺,经图像分割后的二维图像具有不规则性,所以小波变换逼近程度对部分图像不十分理想。RFSS(2010)[13]等人应用多阶段分别提取纹理的方法,提取了五个纹理参数,预测肺结节良恶性的灵敏度和特异度分别为84.84%和96.15%。H Saito(2007)[14]等人应用肺组织周围变换结合肺结节玻璃样变,估计孤立性肺结节恶性可能性大小,灵敏度和特异度为96.6%和86.1%。K Murphy(2009)[15]提取图像的外形指数和曲度来鉴别肺结节的良恶性,灵敏度为80%。本项目组(2010)[16]应用灰度共生矩阵和小波变换提取纹理建立两水平预测模型,灵敏度为90.6%,但特异度较低(<40%)。
在选取肺结节CT图像建立预测模型时,传统方法是以轴位图像——即二维图像为样本进行纹理分析。但肺结节是立体结构,用二维图像分析肺结节会丢失图像的部分信息,不能充分反映结节全部纹理特征。CS Erick(2008)[19]等人尝试利用39例肺结节三维立体图像,应用Ripley’s K公式提取纹理值,逐步判别分析作为分类器预测肺结节良恶性,灵敏度和特异度为70.0%和100.0%。虽然此研究选用三维图像,但是提取纹理和建立预测模型的方法都较为落后。MVoltolini(2011)[20]等人用x线片建立三维立体图像分析火山岩不同类别特点,取得了较好的效果。
在基于CT图像纹理建立诊断模型方面,传统上采用的多元回归模型,都是建立在个体测量值相互独立的假设上,当假设不成立时,模型中各参数估计值的有效性和统计特征均会受到影响。因为每个患者拥有多张肺结节CT图像,内部有聚集性,三正交位图像反映结节性质也具有关联性,不符合传统的统计分析方法中关于独立性的假设。采用Curvelet提取肺结节每一正交位的图像纹理值,可以提取476纹理参数,再加影像学征象等信息,单纯为克服图像的内部聚集性而建立不能筛选变量的多水平模型不太理想。支持向量机(Support Vector Machine,SVM)是美国Vapnik教授于1990年代提出的。它建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。在解决非线性、高维数等模式识别问题中,支持向量机表现出许多特有的优势,本项目组(2010)[21]对129例肺结节患者的2461张DICOM格式轴位CT图像,采用Cuvrelet变换提取纹理建立支持向量机,结果较为理想(灵敏度和特异度均大于90%),但是不能克服数据良恶性样本例数偏性的问题。Y Lee(2009)[22]等人比较多种分类器以鉴别肺部阻塞性疾病,发现支持相机量的分类效果比较好。
良性与恶性肺结节的区别不但在CT图像的纹理上不同,而且与许多危险因素有关,但如何将患者三正交位CT图像上的肺结节Curvelet纹理,结合现场调查了解患者的行为、环境等因素,建立统计模型探讨纹理特征和危险因素的研究尚未见报道。
发明内容
本发明解决的技术问题在于提供一种灵敏度和特异度多很好的特征提取方法和建立预测模型方法。
为了解决以上问题,本发明提供了一种基于肺结节三正交位CT图像纹理的提取方法,包括以下步骤:a、建立肺结节三正交位CT图像体系;b、经离散Curvelet变换法提取肺结节三正交位纹理特征参量。
还提供了一种预测肺癌方法,包括以下步骤:a、肺部CT图像纹理特征提取步骤;b、肺结节三正交位CT图像影像征象提取步骤;c、对肺结节三正交位CT图像纹理特征、影像学征象等多维度特征参量,通过Gradient Boosting算法,建立预测模型。
虽然离散Curvelet变换用于提取其它疾病CT图像的纹理特征已有报道,但肺部的组织结构和小结节特征异常复杂,本发明提出离散Curvelet变换基函数、选取适宜参数用于肺结节边缘纹理特征的提取。Gradient Boosting[23]是一种Boosting方法,它主要的思想是每一次建立模型是在之前建立模型损失函数的梯度下降方向。损失函数描述的是模型的偏离真实情况的程度,损失函数越大,则说明模型越容易出错。经过我们前期研究发现,一个病人有多张CT图像,而多张图像之间有内部聚集性,一般的统计方法都不适合,而使用多水平模型最为合适。但多水平模型对自变量的数量上有一定限制,不能应用于高维数据。本发明采用Gradient Boosting算法建立集成模型,即克服了图像的内部聚集性又克服了高维数据。本发明的有益效果是:灵敏度和特异度都很高,肺部病变诊断准确率高。
具体实施方式
本发明提供了一种基于肺结节三正交位CT图像纹理的提取方法,包括以下步骤:a、建立肺结节三正交位CT图像体系;b、经离散Curvelet变换法提取肺结节三正交位纹理特征参量。
作为本发明的进一步改进,所述三正交位为:冠状位、矢状位和轴位。
作为本发明的进一步改进,所述纹理特征参量为边缘纹理特征参量。
作为本发明的进一步改进,所述纹理特征参量为空域、频域和/或几何特征。
作为本发明的进一步改进,所述空域、频域和/或几何特征为高频比例、熵、能量、均数、标准差等。
作为本发明的进一步改进,在b步骤之前还包括以下步骤:
b’、肺实质的分割与感兴趣区域的提取。
本发明还提供了一种测肺癌方法,包括以下步骤:a、肺部CT图像纹理特征提取步骤;b、肺结节三正交位CT图像影像征象提取步骤;c、对肺结节三正交位CT图像纹理特征、影像学征象等多维度特征参量,通过Gradient Boosting算法,建立预测模型。
作为本发明的进一步改进,所述Gradient Boosting算法为:
模型函数为:Fm(x)=Fm-1(x)+ρmh(x;αm);
损失函数下降最快的方向:
其中:
作为本发明的进一步改进,所述图像影像征象为:结节大小和分布、结节密度、形态和/或边缘状况等。
作为本发明的进一步改进,所述结节密度可以描述为实性结节、磨玻璃密度结节和/或部分磨玻璃密度结节,结节形态可以描述为圆形、类圆形和/或无定形,结节边缘状况可包括分叶征、毛刺征、边缘光滑、边缘模糊、胸膜凹陷、血管集束、空泡征和/或空气支气管征等。
如上所述,对本发明的实施例进行了详细地说明,但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形,这对本领域的技术人员来说是显而易见的。因此,这样的变形例也全部包含在本发明的保护范围之内。
Claims (10)
1.一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,包括以下步骤:
a、建立肺结节三正交位CT图像体系;
b、经离散Curvelet变换法提取肺结节三正交位纹理特征参量。
2.如权利要求1所述一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,所述三正交位为:冠状位、矢状位和轴位。
3.如权利要求1所述一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,所述纹理特征参量为边缘纹理特征参量。
4.如权利要求1所述一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,所述纹理特征参量为空域、频域和/或几何特征。
5.如权利要求4所述一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,所述空域、频域和/或几何特征为高频比例、熵、能量、均数、标准差等。
6.如权利要求1至5之一所述一种基于肺结节三正交位CT图像纹理的提取方法,其特征在于,在b步骤之前还包括以下步骤:
b’、肺实质的分割与感兴趣区域的提取。
7.一种预测肺癌方法,其特征在于,包括以下步骤:
a、如权利要求1至5之一所述一种提取三正交位CT图像肺结节纹理特征值算法步骤;
b、肺结节三正交位CT图像影像征象提取步骤;
c、对肺结节三正交位CT图像纹理特征、影像学征象等多维度特征参量,通过Gradient Boosting算法,建立预测模型。
8.如权利要求7所述一种预测肺癌方法,其特征在于,所述GradientBoosting算法为:
模型函数为:Fm(x)=Fm-1(x)+ρmh(x;αm);
损失函数下降最快的方向:
其中:
9.如权利要求7所述一种预测肺癌方法,其特征在于,所述图像影像征象为:结节大小和分布、结节密度、形态和边缘状况等。
10.如权利要求9所述一种预测肺癌方法,其特征在于,所述结节密度可以描述为实性结节、磨玻璃密度结节和/或部分磨玻璃密度结节,结节形态可以描述为圆形、类圆形和/或无定形,结节边缘状况可包括分叶征、毛刺征、边缘光滑、边缘模糊、胸膜凹陷、血管集束、空泡征和/或空气支气管征等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110376737XA CN102542562A (zh) | 2011-11-23 | 2011-11-23 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110376737XA CN102542562A (zh) | 2011-11-23 | 2011-11-23 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102542562A true CN102542562A (zh) | 2012-07-04 |
Family
ID=46349385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110376737XA Pending CN102542562A (zh) | 2011-11-23 | 2011-11-23 | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542562A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035009A (zh) * | 2012-12-19 | 2013-04-10 | 长春工业大学 | 一种基于ct影像的肺结节边缘重建与分割方法 |
CN105069791A (zh) * | 2015-08-07 | 2015-11-18 | 哈尔滨工业大学 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
US10074190B2 (en) | 2014-10-30 | 2018-09-11 | Koninklijke Philips N.V. | Texture analysis map for image data |
CN108898577A (zh) * | 2018-05-24 | 2018-11-27 | 西南大学 | 基于改进胶囊网络的良恶性肺结节识别装置及方法 |
CN109196554A (zh) * | 2016-05-18 | 2019-01-11 | 豪夫迈·罗氏有限公司 | 肿瘤接近度量 |
CN110428396A (zh) * | 2019-06-25 | 2019-11-08 | 郑州大学第一附属医院 | 一种基于ct影像的特征参数降维方法和系统 |
CN113056232A (zh) * | 2018-09-18 | 2021-06-29 | 牛津大学科技创新有限公司 | 血管周区域的放射组学标签 |
US11200982B2 (en) | 2015-06-02 | 2021-12-14 | Infervision Medical Technology Co., Ltd. | Method for analysing medical treatment data based on deep learning and intelligence analyser thereof |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090097775A1 (en) * | 2006-04-19 | 2009-04-16 | Yusuke Monobe | Visual processing device, visual processing method, program, display device, and integrated circuit |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 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 |
-
2011
- 2011-11-23 CN CN201110376737XA patent/CN102542562A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090097775A1 (en) * | 2006-04-19 | 2009-04-16 | Yusuke Monobe | Visual processing device, visual processing method, program, display device, and integrated circuit |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 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 |
Non-Patent Citations (3)
Title |
---|
吴海丰 等: "基于Curvelet变换的肺结节CT图像良恶性分类研究", 《北京生物医学工程》 * |
李彬 等: "肺结节计算机辅助检测与定位系统", 《计算机应用研究》 * |
郑海军 等: "16层CT在小儿气管支气管异物诊断中的应用", 《中国CT和MRI杂志》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035009A (zh) * | 2012-12-19 | 2013-04-10 | 长春工业大学 | 一种基于ct影像的肺结节边缘重建与分割方法 |
US10074190B2 (en) | 2014-10-30 | 2018-09-11 | Koninklijke Philips N.V. | Texture analysis map for image data |
US11200982B2 (en) | 2015-06-02 | 2021-12-14 | Infervision Medical Technology Co., Ltd. | Method for analysing medical treatment data based on deep learning and intelligence analyser thereof |
CN105069791A (zh) * | 2015-08-07 | 2015-11-18 | 哈尔滨工业大学 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
CN105069791B (zh) * | 2015-08-07 | 2018-09-11 | 哈尔滨工业大学 | 一种从肺ct图像中分割出肺结节图像的处理方法 |
CN109196554A (zh) * | 2016-05-18 | 2019-01-11 | 豪夫迈·罗氏有限公司 | 肿瘤接近度量 |
CN109196554B (zh) * | 2016-05-18 | 2024-02-02 | 豪夫迈·罗氏有限公司 | 肿瘤接近度量 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN108898577A (zh) * | 2018-05-24 | 2018-11-27 | 西南大学 | 基于改进胶囊网络的良恶性肺结节识别装置及方法 |
CN113056232A (zh) * | 2018-09-18 | 2021-06-29 | 牛津大学科技创新有限公司 | 血管周区域的放射组学标签 |
CN110428396A (zh) * | 2019-06-25 | 2019-11-08 | 郑州大学第一附属医院 | 一种基于ct影像的特征参数降维方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542562A (zh) | 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法 | |
Han et al. | A deep learning framework for supporting the classification of breast lesions in ultrasound images | |
Zhang et al. | Sonoelastomics for breast tumor classification: a radiomics approach with clustering-based feature selection on sonoelastography | |
Wang et al. | Multilevel binomial logistic prediction model for malignant pulmonary nodules based on texture features of CT image | |
Lu et al. | A novel computer-aided diagnosis system for breast MRI based on feature selection and ensemble learning | |
Chen et al. | HSN: hybrid segmentation network for small cell lung cancer segmentation | |
Fan et al. | Computer-aided detection of mass in digital breast tomosynthesis using a faster region-based convolutional neural network | |
Gong et al. | Computer-aided diagnosis of lung cancer: the effect of training data sets on classification accuracy of lung nodules | |
CN106203488B (zh) | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 | |
CN105469419A (zh) | 一种基于ct影像的肺结节检测方法 | |
Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
Palma et al. | Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches | |
CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
Lebre et al. | A robust multi-variability model based liver segmentation algorithm for CT-scan and MRI modalities | |
CN111986216B (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
Verma et al. | Classifying Breast Density in Mammographic Images Using Wavelet-Based and Fine-Tuned Sensory Neural Networks | |
Lee et al. | Differentiation of urinary stone and vascular calcifications on non-contrast CT images: an initial experience using computer aided diagnosis | |
Xue et al. | Region-of-interest aware 3D ResNet for classification of COVID-19 chest computerised tomography scans | |
CN109741330A (zh) | 一种混合滤波策略和模糊c均值的医学图像分割方法 | |
Zhang et al. | Structure-preserving low-dose computed tomography image denoising using a deep residual adaptive global context attention network | |
Asad et al. | Early stage breast cancer detection through mammographic feature analysis | |
You et al. | A cGAN-based tumor segmentation method for breast ultrasound images | |
Ali et al. | Semi-automatic segmentation of subcutaneous tumours from micro-computed tomography images | |
Wang et al. | Staging of hepatocellular carcinoma using deep feature in contrast-enhanced MR images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120704 |
|
RJ01 | Rejection of invention patent application after publication |