CN103150723A - 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，主要解决现有胃部CT图像中疑似淋巴结自动获取存在漏检或遗留无关信息过多的问题。其由预处理、感兴趣边界点检测、边界椭圆拟合、区域合并和淋巴结跟踪提取这些功能模块组成。预处理模块对待检测图像进行预处理，感兴趣边界点检测模块对预处理后的图像做进一步处理，得到感兴趣边界点，边界椭圆拟合模块对感兴趣边界点形成的曲线进行椭圆拟合，得到类椭圆闭合区域，区域合并模块消除椭圆相交形成的歧义区域，淋巴结跟踪提取模块，对疑似淋巴结进行窗口特征匹配跟踪，完成淋巴结提取。本发明能自动有效地提取医生感兴趣的疑似淋巴结区域并最终检测出淋巴结，可用于医学图像处理。

Description

基于形状和椭圆拟合的胃部CT图像淋巴结检测系统及方法

技术领域

本发明属于图像处理技术领域，特别是涉及医学影像处理，可用于医学影像的淋巴结检测及其辅助诊断。

背景技术

近年来医学影像技术发展迅速，使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。计算机辅助诊断CAD技术被称为医生的“第二双眼睛”，主要研究如何通过图像处理技术对这些医学影像信息进行有效的处理，辅助医生的诊断甚至进行手术规划，具有重大的社会效益和广泛的应用前景。医学图像处理技术作为计算机辅助诊断的关键不断发展，各学科的交叉已是必然的趋势，但其中还有很多问题亟待解决，特别是随着远程医疗的蓬勃发展，对医学图像处理与分析提出的要求也越来越高，所以进一步研究医学图像处理与分析具有十分重要的意义。

目前的医学影像研究主要为乳腺X线影像，肝部CT影像，由于胃部CT影像包含内容较为复杂，所以对于胃部CT影像的研究仍处于初期阶段。2000年全球新发胃癌病例87.6万，死亡64.6万，死亡率位居第二，其中新发病例35％在我国统计数据表明，胃癌占全部恶性肿瘤死亡的23.2％，在恶性肿瘤死亡率中位居第一位，所以对胃部CT图像的研究具有十分重要的意义。现有胃癌的诊断与治疗手段包括传统根治手段、腹腔镜手术、内镜切除手术等，医生在术前一般需要先对病人的CT影像进行初步的诊断，通过发生癌变的淋巴结数目以及大小等信息判断病人的N分期，然后依据判断结果进行手术。而依据医生的临床经验，淋巴结一般只存在于脂肪组织中且连续出现在2~18帧之间，其他脏器如肝脏、胰脏、血管等在检测淋巴结时都属于影响医生判断的冗余信息，因此，研究计算机辅助技术检测胃部CT图像的淋巴结具有很大的应用需求。

发明内容

本发明的目的在于针对胃部CT影像所含信息复杂的问题，提出一种基于形状和椭圆拟合的胃部CT图像淋巴结检测系统及方法，通过计算机功能模块检测出胃部CT图像中的淋巴结，以避免因人为因素导致的漏检问题，准确检测出胃部CT图像中的淋巴结。

为实现上述目的，本发明提供基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，包括：

预处理模块1，用于对待检测图像进行初步处理，即去掉胸腔以外的区域以及标记胸腔最外层区域带，得到预处理后的图像；

感兴趣边界点检测模块2，用于对预处理之后的图像做进一步的处理，即从左到右，从上到下，使用半径为r=15的圆形算子探测每个边界点是否为感兴趣边界点；

边界椭圆拟合模型3，用于对感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域，并为闭合区域赋予区域标签；

区域合并模块4，用于合并歧义区域，确定椭圆相交导致的歧义区域，即若某个像素或区域的标签个数大于等于2则说明该像素或区域为歧义区域，计算歧义区域与相邻非歧义区域之间的差异，并将歧义区域与其相似度大的相邻非歧义区域合并；

淋巴结跟踪提取模块5，用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪，得到序列图像上所有待匹配目标出现的起始帧和结束帧，并完成淋巴结的标记提取。

为实现上述目的，本发明基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，包括：

预处理步骤，对待检测图像进行初步处理，即去掉胸腔以外的区域以及标记胸腔最外层区域带，得到预处理后的图像；

感兴趣边界点检测步骤，对预处理之后的图像做进一步的处理，即从左到右，从上到下，使用半径为r=15的圆形算子探测每个边界点是否为感兴趣边界点；

边界椭圆拟合步骤，对感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域，并为该闭合区域赋予区域标签；

区域合并步骤，对歧义区域进行合并，确定椭圆相交导致的歧义区域，即若某个像素或区域的标签个数大于等于2，则该像素或区域为歧义区域，计算歧义区域与相邻非歧义区域之间的差异，并将歧义区域与其相似度最大的相邻非歧义区域合并；

淋巴结跟踪提取步骤，在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪，得到序列图像上所有待匹配目标出现的起始帧和结束帧，并完成淋巴结的标记提取。

所述淋巴结跟踪提取步骤包括：

（1）疑似淋巴结匹配计算子步骤：

计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标，将待跟踪疑似淋巴结记作O，以该疑似淋巴结O为中心，7为半径的圆确定一个圆形窗口区域，并将该区域内所包含的待关联疑似淋巴结的集合记作Ω(O)，从Ω(O)中选取待跟踪疑似淋巴结O的匹配目标；

若集合Ω(O)为空，说明没有与疑似淋巴结O匹配的下一帧目标，则匹配终止；

若集合Ω(O)非空，则依据代价函数：V(O，O_j)=a×l(D(O，O_j))+b×l(A(O，O_j))+c×l(E(O,O_j))，计算疑似淋巴结O与Ω(O)的每个元素之间的代价，从集合Ω(O)中选取代价最小的元素，记为O_next，该最小元素O_next即为疑似淋巴结O在下一帧图像内的匹配目标，

式中a,b,c为权值系数，取值为a=0.6，b=0.2，c=0.2，O_j代表集合Ω(O)中的第j个元素，D(O,O_j)代表O与O_j质心间的欧式距离，l(D(O,O_j))代表位置相似度函数，

A(O,O_j)代表O与O_j的面积之差，l(A(O,O_j))代表面积差异度函数，

E(O,O_j)代表O与O_j的偏心率之差，l(E(O,O_j))代表偏心率差异度函数，

（2）疑似淋巴结跟踪子步骤：

将序列疑似淋巴结图像上的每一个疑似淋巴结O的匹配目标加入到跟踪轨迹中，记跟踪轨迹中的最后一个元素为O_tail，通过疑似淋巴结匹配计算子步骤计算下一帧中与元素O_tail相匹配的目标；

若不存在与元素O_tail相匹配的目标，则跟踪终止，得到疑似淋巴结O完整的跟踪轨迹；

若存在与元素O_tail相匹配的目标O_next，将目标O_next加入疑似淋巴结O的跟踪轨迹中，更新O_tail，再通过疑似淋巴结匹配计算子步骤计算下一帧中与元素O_tail相匹配的目标，将该目标加入到疑似淋巴结O的跟踪轨迹中，并更新Q_tail，直到不存在与元素O_tail相匹配的目标或不存在下一帧图像为止，得到疑似淋巴结O完整的跟踪轨迹；

（2）淋巴结提取子步骤，将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于2且不大于18的疑似淋巴结标记为淋巴结。

本发明具有以下优点:

本发明由于采用计算机辅助技术对胃部CT图像进行淋巴结的检测，能得到很好的检测结果；同时由于本发明采用无监督的图像分割和目标跟踪方法进行淋巴结的检测，不需要人为干预，自动检测能力强。

仿真实验结果表明，本发明能在有效地防止了淋巴结漏检的同时，比较准确地检测出胃部CT图像中的淋巴结，并且能有效地去除胃部CT图像中的无关信息。

附图说明

图1是本发明中检测系统的结构框图；

图2是本发明中感兴趣边界点检测模块的结构框图；

图3是本发明中区域合并模块的结构框图；

图4是本发明中淋巴结跟踪提取模块的结构框图；

图5是本发明的检测方法流程图；

图6是本发明的一幅待检测图像F；

图7是本发明对图6预处理之后的图像F1；

图8是本发明对图7进行otsu二值化标记之后的图F2；

图9是本发明对图8进行canny边缘检测之后的边界图F3；

图10是本发明对图9进行圆形窗口滑动之后得到的感兴趣边界点图F4；

图11是本发明对图10上的边界点连成的边界进行椭圆拟合得到的闭合边界图F5；

图12是本发明表示椭圆相交导致的歧义区域的示例图；

图13是本发明通过区域合并消除图11中的歧义区域得到的疑似淋巴结图F6；

图14是本发明在25序列图像上的疑似淋巴结区域跟踪轨迹图；

图15是本发明在两幅胃部CT图像上淋巴结提取结果。

具体实施方式

下面结合附图对基于形状和椭圆拟合的胃部CT图像淋巴结检测系统做进一步描述。

参照图1，基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，包括预处理模块1，感兴趣边界点检测模块2，边界椭圆拟合模块3，区域合并模块4，淋巴结跟踪提取模块5，其中：

预处理模块1，包括形态学运算子模块11和四方向搜索子模块12，该形态学运算子模块11，通过半径分别为3和5的圆盘算子，对待检测图像先进行形态学闭运算再进行形态学腐蚀运算，得到去掉胸腔以外的区域后的图像；该四方向搜索子模块12对去掉胸腔以外的区域后的图像通过上下左右四个方向搜索，得到胸腔最外层像素，将这层像素周围15个像素宽的区域标记为不关注区域，得到预处理之后的图像；

感兴趣边界点检测模块2，用于对预处理之后的图像做进一步的处理，即从左到右，从上到下，使用半径为r=15的圆形算子探测每个边界点是否为感兴趣边界点；

边界椭圆拟合模块3，用于对感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域，并为该闭合区域赋予区域标签；

区域合并模块4，用于合并歧义区域，确定椭圆相交导致的歧义区域，即若某个像素或区域的标签个数大于等于2，则该像素或区域为歧义区域，计算歧义区域与相邻非歧义区域之间的差异，并将歧义区域与其相似度最大的相邻非歧义区域合并；

淋巴结跟踪提取模块5，用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪，得到序列图像上所有待匹配目标出现的起始帧和结束帧，并完成淋巴结的标记提取。

参照图2，所述的感兴趣边界点检测模块2，包括图像二值化子模块21，图像边缘检测子模块22，圆形算子子模块23，比例特征子模块24，感兴趣边界点标记子模块25，其中：

图像二值化子模块21，用于对预处理后的图像进行otsu二值标记，得到两类像素，一类是标签为1的背景和脂肪像素，另一类是标签为2的疑似淋巴结和脏器等灰度值较大的像素；

图像边缘检测子模块22，用于对预处理后的图像进行canny边缘检测，得到边界图；

圆形算子子模块23，用于对边界图，从左到右，从上到下，按照公式

得到过边界图上一点e，且半径为r=15的圆内所包含的标签为2的像素所占的比例，这里|S_i|表示过点e的第i个圆内所包含的标签为2的像素个数，|A|表示半径为r=15的圆内所包含像素个数；

比例特征子模块24，用于对过点e且半径为r=15的所有圆，通过圆形算子子模块，得到所有圆的标签为2的像素所占的比例，将其中最大的R_i作为e点处的比例特征，并将该值赋给矩阵H的一个元素H(e^x,e^y)，该矩阵H的维数大小与图像维数大小相同，(e^x,e^y)为点e的坐标；

感兴趣边界点标记子模块25，用于对矩阵H的所有元素进行直方图统计，得到阈值t₁，遍历矩阵H中的每个元素，将比例特征大于t₁的坐标点标记为感兴趣边界点。

参照图3，所述的区域合并模块，包括区域灰度均值子模块31，消除歧义区域子模块32，其中：

区域灰度均值子模块31，用于进行区域灰度均值计算，确定椭圆相交导致的歧义区域和其非歧义区域，若某个区域的标签个数大于等于2，则说明该区域为歧义区域，计算该歧义区域的灰度均值为m_q；若与该歧义区域相邻的某个区域只有一类标签，且这类标签与该歧义区域中的一个标签相同，则说明这个区域为该歧义区域相邻的非歧义区域，计算该非歧义区域的灰度均值为

消除歧义区域子模块32，用于对歧义区域赋予唯一的标签，即通过计算歧义区域与其所有非歧义区域之间的灰度均值差，将该歧义区域与具有最小灰度均值差的非歧义区域进行合并，并将该非歧义区域所具有的标签赋给该歧义区域所具有的标签。

参照图4，所述的淋巴结跟踪提取模块，包括疑似淋巴结匹配计算子模块41，疑似淋巴结跟踪子模块42和淋巴结提取子模块43，其中：

疑似淋巴结匹配计算子模块41：用于计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标，将待跟踪疑似淋巴结记作O，以该疑似淋巴结O为中心，7为半径的圆确定一个圆形窗口区域，并将该区域内所包含的待关联疑似淋巴结的集合记作Ω(O)，从Ω(O)中选取待跟踪疑似淋巴结O的匹配目标；

若集合Ω(O)为空，说明没有与疑似淋巴结O匹配的下一帧目标，则匹配终止；

若集合Ω(O)非空，则依据代价函数：V(O，O_j)=a×l(D(O，O_j))+b×l(A(O,O_j))c×l(E(O,O_j))，计算疑似淋巴结O与Ω(O)的每个元素之间的代价，从集合Ω(O)中选取代价最小的元素，记为O_next，该最小元素O_next即为疑似淋巴结O在下一帧图像内的匹配目标；

式中a,b,c为权值系数，取值为a=0.6，b=0.2，c=0.2，O_j代表集合Ω(O)中的第j个元素，D(O,O_j)代表O与O_j质心间的欧式距离，l(D(O,O_j))代表位置相似度函数，

A(O,O_j)代表O与O_j的面积之差，l(A(O,O_j))代表面积差异度函数，

E(O,O_j代表O与O_j的偏心率之差，l(E(O,O_j))代表偏心率差异度函数，

疑似淋巴结跟踪子模块42：用于将序列疑似淋巴结图像上的每一个疑似淋巴结O的匹配目标加入到跟踪轨迹中，记跟踪轨迹中的最后一个元素为O_tail，通过疑似淋巴结匹配计算子模块计算下一帧中与元素O_tail相匹配的目标：

若不存在与元素O_tail相匹配的目标，则跟踪终止，得到疑似淋巴结O完整的跟踪轨迹；

若存在与元素O_tail相匹配的目标O_next，将目标O_next加入疑似淋巴结O的跟踪轨迹中，更新O_tail，再通过疑似淋巴结匹配计算子模块计算下一帧中与元素O_tail相匹配的目标，将该目标加入到疑似淋巴结O的跟踪轨迹中，并更新O_tail，直到不存在与元素O_tail相匹配的目标或不存在下一帧图像为止，得到疑似淋巴结O完整的跟踪轨迹；

淋巴结提取子模块43，用于将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于2且不大于18的疑似淋巴结标记为淋巴结。

下面结合附图对基于形状和椭圆拟合的胃部CT图像淋巴结检测方法做进一步描述。

参照图5，本发明基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，包括如下步骤：

步骤1，预处理

1.1）输入一幅待检测图像F，如图6所示；

1.2）通过半径分别为3和5的圆盘算子，对待检测图像先进行形态学闭运算再进行形态学腐蚀运算，得到去掉胸腔以外的区域后的图像；

1.3）对步骤1.2）处理之后的图像，分别进行四方向搜索子步骤，对去掉胸腔以外的区域后的图像通过上下左右四个方向搜索，得到胸腔最外层像素，将这层像素周围15个像素宽的区域标记为不关注区域，得到预处理之后的图像F1，如图7所示。

步骤2，感兴趣边界点检测

2.1）对预处理后的图像F1进行otsu二值标记，得到两类像素，一类是标签为1的背景和脂肪像素，另一类是标签为2的疑似淋巴结和脏器等灰度值较大的像素，otsu二值化标记之后的图像F2，如图8所示；

2.2）对图像F2进行canny边缘检测，得到边界图F3，如图9所示；

2.3）从左到右，从上到下，按照如下公式统计F3中过点e，且半径为r=15的圆内所包含的F2中标签为2的像素所占的比例：

$R_i=\frac{\left|S_i\right|}{\left|A\right|},$

$S_i=\left\{p_j\right|{(p_j^x-c_i^x)}^2+{(p_j^y-c_i^y)}^2\≤r,{(e^x-c_i^x)}^2+{(e^y-c_i^y)}^2=r,$

i=1,2,...,M,j=1,2,...,N}

这里S_i表示过点e的第i个圆内包含的标签为2的像素的集合，A表示半径为r=15的圆内包含的像素个数，点e处的坐标为(e^x,e^y)，第i个圆的圆心记作c_i，坐标为

相应的圆内一点p_j的坐标为

M表示经过边界点e的圆的总数，N表示图像的像素总数；

2.4）对过点e的所有圆按照步骤2.3）进行处理，得到e处所有半径为r=15的圆包含标签为2的像素的比例R₁,R₂,…R_i,…R_M，将其中最大的R_i作为e点处的比例特征，并将该值赋给矩阵H的一个元素H(e^x,e^y)，该矩阵H的维数大小与图像维数大小相同，(e^x,e^y)为点e的坐标；

2.5）对图像上所有边界点按照步骤2.3）-2.4）处理，得到所有边界点上的比例特征；

2.6）对矩阵H的元素进行直方图统计得到阈值t₁；

2.7）对矩阵H的所有元素进行直方图统计，得到阈值t₁，遍历矩阵H中的每个元素，将比例特征大于t₁的坐标点标记为感兴趣边界点，得到感兴趣边界点图F4，如图10所示。

步骤3，边界椭圆拟合

3.1）将由感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域；

3.2）为闭合区域赋予区域标签；

3.3）对所有感兴趣边界按照步骤3.1）-3.2）处理，得到一幅序列图像上所有感兴趣边界的椭圆拟合结果图F5，如图11所示。

步骤4，区域合并

4.1）确定椭圆相交导致的歧义区域，即若某个区域的标签个数大于等于2，则说明该区域为歧义区域，如图12中标示出的区域；

4.2）设歧义区域q的像素标签为l={t₁,t₂,…,l_i,...,l_n}，n为该区域具有的标签数目，也是与该歧义区域相邻的非歧义区域的个数，计算该歧义区域的灰度均值m_q；

4.3）若与该歧义区域q相邻的某个区域只有一类标签且属于l，则说明这个区域为该歧义区域q相邻的非歧义区域，计算该非歧义区域的灰度均值

4.4）按照步骤4.3）计算与该歧义区域q相邻的所有非歧义区域的灰度均值

i=1,2,…,n；

4.5）按照下列公式获得唯一的类别标签l_q：

$l_q=\underset{l_i\∈l}{\arg \min }|m_{l_i}-m_q|$

4.6）将歧义区域q与唯一的类别标签l_q所指定的相邻非歧义区域合并，并将唯一的类别标签l_q赋给该歧义区域q,即可消除歧义区域；

4.7）对图F5的所有歧义区域按照步骤4.1）-4.6）处理，消除图像上的所有歧义区域，得到区域合并后的疑似淋巴结图F6，如图13所示。

步骤5，对所有待检测序列图像按照步骤1-4进行处理，得到所有待检测序列图像的疑似淋巴结图。

步骤6，序列图像上疑似淋巴结跟踪和淋巴结提取

6.1)对序列疑似淋巴结图上的每个疑似淋巴结进行窗口特征匹配跟踪：

6.1a)将待匹配的疑似淋巴结O加入其初始跟踪轨迹中；

6.1b)将下一帧中以该疑似淋巴结O为中心，7为半径的圆确定一个圆形窗口区域，并将该区域内所包含的待关联疑似淋巴结的集合记作Ω(O)；

6.1c）若集合Ω(O)为空，说明没有与疑似淋巴结O匹配的下一帧目标，则跟踪终止；

6.1d）若集合Ω(O)非空，则按照下列公式计算疑似淋巴结O与集合Ω(O)中每个元素的代价：

V(O,O_j)=a×l(D(O,O_j))+b×l(A(O,O_j))+c×l(E(O,O_j))

这里选取的是欧氏距离特征D(O,O_j)，面积特征A(O,O_j)和偏心率特征E(O,O_j)其中a,b,c为权值系数，取值为a=0.6，b=0.2，c=0.2，O_j代表集合Ω(O)中的第j个元素，D(Q,O_j)代表O与O_j质心间的欧式距离，l(D(O,O_j))代表位置相似度函数，

l(D(O,O_j))越小则说明匹配程度越高，A(O,O_j)代表O与O_j的面积之差，代表面积差异度函数，

l(A(O,O_j))越小则说明匹配程度越高，E(O,O_j)代表O与O_j的偏心率之差，l(E(O,O_j))代表偏心率差异度函数，

l(E(O,O_j))越小则说明匹配程度越高；

6.1e)选取集合Ω(O)中与疑似淋巴结O代价最小的元素，记为O_next，该最小元素O_next即为疑似淋巴结O在下一帧图像内的匹配目标；

6.1f)更新疑似淋巴结O的跟踪轨迹，即将疑似淋巴结O_next加到疑似淋巴结O的跟踪轨迹中；

6.1g）更新待匹配疑似淋巴结O，即疑似淋巴结O_next即为新的待匹配疑似淋巴结O；

6.1h)重复步骤6.1a)-6.1g)，直到集合Ω(O)为空或者处理完所有帧，得到疑似淋巴结O完整的跟踪轨迹；

6.2)对序列图像上所有疑似淋巴结按照步骤6.1)进行处理，得到序列图像上所有疑似淋巴结出现的起始帧和结束帧，得到序列图像上所有疑似淋巴结的跟踪轨迹图，如图14所示；

6.3)将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于2且不大于18的疑似淋巴结标记为淋巴结。

本发明的效果可以通过以下对胃部CT图像的仿真数据进一步说明：

1.实验条件

本发明的仿真在windows XP，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为MatlabR2009a运行，仿真选用的胃部CT图像来自北京肿瘤医院影像数据，且本发明采用的测试图像均有北京肿瘤医院放射科医生进行淋巴结标注的标准图像，根据对已标注的淋巴结的遗漏情况评价本发明系统的有效性。实验中在连续的25幅序列图上进行跟踪，圆形算子半径r=15，窗口特征匹配时欧氏距离特征，面积特征和偏心率特征的系数分别为a=0.6,b=0.2，c=0.2，将连续出现2-18帧的疑似淋巴结区域标记为淋巴结。

2.仿真内容及结果

本实验对2幅胃部CT图像按照以上条件进行仿真，仿真结果如图15，其中图15(a)和图15(b)为医生标注了淋巴结的标准图像，图15(c)和图15(d)为用本发明检测的疑似淋巴结，图15(e)和图15(f)为用本发明检测的淋巴结结果。从图15可见，对2幅存在淋巴结的胃部CT图像，本发明能有效地去除肝脏等无关信息并且检测得到的疑似淋巴结很好的保留了淋巴结信息。

以上结果表明：本发明在去除冗余信息的同时，很好的保留了医生感兴趣的淋巴结信息，是一种能有效检测胃部CT图像淋巴结的自动化方法。

Claims (10)

1.一种基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，包括：

预处理模块，用于对待检测图像进行初步处理，即去掉胸腔以外的区域以及标记胸腔最外层区域带，得到预处理后的图像；

感兴趣边界点检测模块，用于对预处理之后的图像做进一步的处理，即从左到右，从上到下，使用半径为r=15的圆形算子探测每个边界点是否为感兴趣边界点；

边界椭圆拟合模型，用于对感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域，并为该闭合区域赋予区域标签；

区域合并模块，用于对歧义区域进行合并，确定椭圆相交导致的歧义区域，即若某个像素或区域的标签个数大于等于2，则该像素或区域为歧义区域，计算歧义区域与相邻非歧义区域之间的差异，并将歧义区域与其相似度最大的相邻非歧义区域合并；

淋巴结跟踪提取模块，用于在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪，得到序列图像上所有待匹配目标出现的起始帧和结束帧，并完成淋巴结的标记提取。

2.根据权利要求1所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，其中预处理模块包括：

形态学运算子模块，用于通过半径分别为3和5的圆盘算子，对待检测图像先进行形态学闭运算再进行形态学腐蚀运算，得到去掉胸腔以外的区域后的图像；

四方向搜索子模块，用于对去掉胸腔以外的区域后的图像通过上下左右四个方向搜索，得到胸腔最外层像素，将这层像素周围15个像素宽的区域标记为不关注区域，得到预处理之后的图像。

3.根据权利要求1所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，其中感兴趣边界点检测模块包括：

图像二值化子模块，用于对预处理后的图像进行otsu二值标记，得到两类像素，一类是标签为1的背景和脂肪像素，另一类是标签为2的疑似淋巴结和脏器等灰度值较大的像素；

图像边缘检测子模块，用于对预处理后的图像进行canny边缘检测，得到边界图；

圆形算子子模块，用于对边界图，从左到右，从上到下，按照公式

得到过边界图上一点e，且半径为r=15的圆内所包含的标签为2的像素所占的比例，这里|S_i|表示过点e的第i个圆内所包含的标签为2的像素个数，|A|表示半径为r=15的圆内所包含像素个数；

比例特征子模块，用于对过点e且半径为r=15的所有圆，通过圆形算子子模块，得到所有圆的标签为2的像素所占的比例，将其中最大的R_i作为e点处的比例特征，并将该值赋给矩阵H的一个元素H(e^x,e^y)，该矩阵H的维数大小与图像维数大小相同，(e^x,e^y)为点e的坐标；

感兴趣边界点标记子模块，用于对矩阵H的所有元素进行直方图统计，得到阈值t₁，遍历矩阵H中的每个元素，将比例特征大于t₁的坐标点标记为感兴趣边界点。

4.根据权利要求1所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，其中区域合并模块包含：

区域灰度均值子模块，用于进行区域灰度均值计算，确定椭圆相交导致的歧义区域和其非歧义区域，若某个区域的标签个数大于等于2，则说明该区域为歧义区域，计算该歧义区域的灰度均值为m_q；若与该歧义区域相邻的某个区域只有一类标签，且这类标签与该歧义区域中的一个标签相同，则说明这个区域为该歧义区域相邻的非歧义区域，计算该非歧义区域的灰度均值为

消除歧义区域子模块，用于对歧义区域赋予唯一的标签，即通过计算歧义区域与其所有非歧义区域之间的灰度均值差，将该歧义区域与具有最小灰度均值差的非歧义区域进行合并，并将该非歧义区域所具有的标签赋给该歧义区域所具有的标签。

5.根据权利要求1所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测系统，其中淋巴结跟踪提取模块包括：

（1）疑似淋巴结匹配计算子模块：

用于计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标，将待跟踪疑似淋巴结记作O，以该疑似淋巴结O为中心，7为半径的圆确定一个圆形窗口区域，并将该区域内所包含的待关联疑似淋巴结的集合记作Ω(O)，从Ω(O)中选取待跟踪疑似淋巴结O的匹配目标；

若集合Ω(O)为空，说明没有与疑似淋巴结O匹配的下一帧目标，则匹配终止；

若集合Ω(O)非空，则依据代价函数：V(O,O_j)=a×l(D(O,O_j))+b×l(A(O,O_j))+c×l(EO,O_j))，计算疑似淋巴结O与Ω(O)的每个元素之间的代价，从集合Ω(O)中选取代价最小的元素，记为O_next，该最小元素O_next即为疑似淋巴结O在下一帧图像内的匹配目标；

式中a,b，c为权值系数，取值为a=0.6，b=0.2，c=0.2，O_j代表集合Ω(O)中的第j个元素，D(O,O_j)代表O与O_j质心间的欧式距离，l(D(O,O_j))代表位置相似度函数，

A(O,O_j)代表O与O_j的面积之差，l(A(O,O_j))代表面积差异度函数，

E(O,O_j)代表O与O_j的偏心率之差，l(E(O,O_j))代表偏心率差异度函数，

（2）疑似淋巴结跟踪子模块：

将序列疑似淋巴结图像上的每一个疑似淋巴结O的匹配目标加入到跟踪轨迹中，记跟踪轨迹中的最后一个元素为O_tail，通过疑似淋巴结匹配计算子模块计算下一帧中与元素O_tail相匹配的目标；

若不存在与元素O_tail相匹配的目标，则跟踪终止，得到疑似淋巴结O完整的跟踪轨迹；

若存在与元素O_tail相匹配的目标O_next，将目标O_next加入疑似淋巴结O的跟踪轨迹中，更新O_tail，再通过疑似淋巴结匹配计算子模块计算下一帧中与元素O_tail相匹配的目标，将该目标加入到疑似淋巴结O的跟踪轨迹中，并更新O_tail，直到不存在与元素O_tail相匹配的目标或不存在下一帧图像为止，得到疑似淋巴结O完整的跟踪轨迹；

（3）淋巴结提取子模块，用于将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于2且不大于18的疑似淋巴结标记为淋巴结。

6.一种基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，包括：

预处理步骤，对待检测图像进行初步处理，即去掉胸腔以外的区域以及标记胸腔最外层区域带，得到预处理后的图像；

感兴趣边界点检测步骤，对预处理之后的图像做进一步的处理，即从左到右，从上到下，使用半径为r=15的圆形算子探测每个边界点是否为感兴趣边界点；

边界椭圆拟合步骤，对感兴趣边界点组成的每条感兴趣边界进行最小二乘椭圆拟合，得到类椭圆边界的闭合区域，并为该闭合区域赋予区域标签；

区域合并步骤，对歧义区域进行合并，确定椭圆相交导致的歧义区域，即若某个像素或区域的标签个数大于等于2，则该像素或区域为歧义区域，计算歧义区域与相邻非歧义区域之间的差异，并将歧义区域与其相似度最大的相邻非歧义区域合并；

淋巴结跟踪提取步骤，在序列疑似淋巴结图像上逐帧对每一个疑似淋巴结进行窗口特征匹配跟踪，得到序列图像上所有待匹配目标出现的起始帧和结束帧，并完成淋巴结的标记提取。

7.根据权利要求6所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，其中预处理步骤包括：

形态学运算子步骤，通过半径分别为3和5的圆盘算子，对待检测图像先进行形态学闭运算再进行形态学腐蚀运算，得到去掉胸腔以外的区域后的图像；

四方向搜索子步骤，对去掉胸腔以外的区域后的图像通过上下左右四个方向搜索，得到胸腔最外层像素，将这层像素周围15个像素宽的区域标记为不关注区域，得到预处理之后的图像。

8.根据权利要求6所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，其中感兴趣边界点检测步骤包括：

图像二值化子步骤，对预处理后的图像进行otsu二值标记，得到两类像素，一类是标签为1的背景和脂肪像素，另一类是标签为2的疑似淋巴结和脏器等灰度值较大的像素；

图像边缘检测子步骤，对预处理后的图像进行canny边缘检测，得到边界图；

圆形算子子步骤，对边界图，从左到右，从上到下，按照公式

得到过边界图上一点e，且半径为r=15的圆内所包含的标签为2的像素所占的比例，这里|S_i|表示过点e的第i个圆内所包含的标签为2的像素个数，|A|表示半径为r＝15的圆内所包含像素个数；

比例特征子步骤，对过点e且半径为r=15的所有圆，通过圆形算子子模块，得到所有圆的标签为2的像素所占的比例，将其中最大的R_i作为e点处的比例特征，并将该值赋给矩阵H的一个元素H(e^x,e^y)，该矩阵H的维数大小与图像维数大小相同，(e^x,e^y)为点e的坐标；

感兴趣边界点标记子步骤，对矩阵H的所有元素进行直方图统计，得到阈值t₁，遍历矩阵H中的每个元素，将比例特征大于t₁的坐标点标记为感兴趣边界点。

9.根据权利要求6所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，其中区域合并步骤包含：

区域灰度均值子步骤，进行区域灰度均值计算，确定椭圆相交导致的歧义区域和其非歧义区域，若某个区域的标签个数大于等于2，则说明该区域为歧义区域，计算该歧义区域的灰度均值为m_q；若与该歧义区域相邻的某个区域只有一类标签，且这类标签与该歧义区域中的一个标签相同，则说明这个区域为该歧义区域相邻的非歧义区域，计算该非歧义区域的灰度均值为

消除歧义区域子步骤，对歧义区域赋予唯一的标签，即通过计算歧义区域与其所有非歧义区域之间的灰度均值差，将该歧义区域与具有最小灰度均值差的非歧义区域进行合并，并将该非歧义区域所具有的标签赋给该歧义区域所具有的标签。

10.根据权利要求6所述的基于形状和椭圆拟合的胃部CT图像淋巴结检测方法，其中淋巴结跟踪提取步骤包括：

（1）疑似淋巴结匹配计算子步骤：

计算序列疑似淋巴结图像上的每一个待跟踪疑似淋巴结在下一帧图像内的匹配目标，将待跟踪疑似淋巴结记作O，以该疑似淋巴结O为中心，7为半径的圆确定一个圆形窗口区域，并将该区域内所包含的待关联疑似淋巴结的集合记作Ω(O)，从Ω(O)中选取待跟踪疑似淋巴结O的匹配目标；

若集合Ω(O)为空，说明没有与疑似淋巴结O匹配的下一帧目标，则匹配终止；

若集合Ω(O)非空，则依据代价函数：V(O，O_j)=a×l(D(O，O_j))+b×l(A(O,O_j))+c×(E(O,O_j))，计算疑似淋巴结O与Ω(O)的每个元素之间的代价，从集合Ω(O)中选取代价最小的元素，记为O_next，该最小元素O_next即为疑似淋巴结O在下一帧图像内的匹配目标，

式中a,b，c为权值系数，取值为a=0.6，b=0.2，c=0.2，O_j代表集合Ω(O)中的第j个元素，D(O,O_j)代表O与O_j质心间的欧式距离，l(D(O,O_j))代表位置相似度函数，

A(O,O_j)代表O与O_j的面积之差，l(A(O,O_j))代表面积差异度函数，E(O,O_j)代表O与O_j的偏心率之差，l(E(O,O_j))代表偏心率差异度函数，

（2）疑似淋巴结跟踪子步骤：

将序列疑似淋巴结图像上的每一个疑似淋巴结O的匹配目标加入到跟踪轨迹中，记跟踪轨迹中的最后一个元素为O_tail,通过疑似淋巴结匹配计算子步骤计算下一帧中与元素O_tail相匹配的目标；

若不存在与元素O_tail相匹配的目标，则跟踪终止，得到疑似淋巴结O完整的跟踪轨迹；

若存在与元素O_tail相匹配的目标O_next，将目标O_next加入疑似淋巴结O的跟踪轨迹中，更新O_tail，再通过疑似淋巴结匹配计算子步骤计算下一帧中与元素O_tail相匹配的目标，将该目标加入到疑似淋巴结O的跟踪轨迹中，并更新O_tail，直到不存在与元素O_tail相匹配的目标或不存在下一帧图像为止，得到疑似淋巴结O完整的跟踪轨迹；

（3）淋巴结提取子步骤，将序列疑似淋巴结图像上疑似淋巴结跟踪轨迹长度不小于2且不大于18的疑似淋巴结标记为淋巴结。

Images