CN103186703A - 一种基于胸片的计算机辅助检测肺结节的方法 - Google Patents

Abstract

本发明公开了一种基于胸片的计算机辅助检测肺结节的方法，其特征在于，包括：通过基于活动形状模型的肺区分割方法和肺区背景噪声去除技术对图像进行预处理；利用两步结节增强技术，选取可疑结节，所述两步结节增强技术具体包括：获取结节肋骨图像；获取结节可能值图像；引入分水岭算法分割所述可疑结节，基于分割结果提取区分真实结节和假结节的特征；以及基于提取的特征引入经典线性分类器获取最终结节检测结果。本发明能够检测到更多被肋骨等结构遮挡的结节，同时，降低假阳性。

Description

一种基于胸片的计算机辅助检测肺结节的方法

技术领域

本发明涉及肺结节检测领域，尤其涉及一种基于胸片的计算机辅助检测肺结节的方法。

背景技术

近年来，肺癌死亡人数已经占到所有癌症死亡人数的第一位，美国癌症协会估计在2009年，肺癌将占整个癌症病例的28％，而肺癌病人的5年存活率只有14％，但如果能检测到作为早期肺癌的肺结节，再配合适当的治疗，病人的存活率可以提高到50％。

CT被认为是检测肺结节的最佳方法——“金标准”，然而，因为经济、方便和放射剂量适中等原因，X光胸片更常用，事实上，几乎所有的早期肺癌都是通过胸片发现的，但对放射科医生来说，基于胸片发现早期肺癌是一件很困难的任务。

近20年来，基于胸片肺结节计算机辅助检测系统一直是研究热点。虽然基于胸片的肺结节检测系统性能在近10年提高了很多，但还是面临检测结果存在大量假阳性的问题。研究表明，如果检测系统的假阳性达到每副图像11个，哪怕它的结节检出率达到80％，也不能帮助医生提高诊断精度.但如果系统的假阳性只有4个，医生对结节的检出率会得到有效的提高。对于当前的检测系统，最大问题是如何在提高结节检测率的同时，降低检测结果中的假阳性。

发明内容

本发明所要解决的技术问题在于提供一种基于胸片的计算机辅助检测肺结节的方法，能够解决检测率不高，假阳性过多的问题。

为解决上述技术问题，本发明实施例提供的一种基于胸片的计算机辅助检测肺结节的方法，具体技术方案如下：

一种基于胸片的计算机辅助检测肺结节的方法，包括：

a.通过基于活动形状模型的肺区分割方法和肺区背景噪声去除技术对图像进行预处理；

b.为了选取到更多被肋骨等结构遮挡的真实结节，有效提高最终的结节检出率，利用两步结节增强技术，选择可疑结节，所述两步结节增强技术具体包括：

b1.获取结节肋骨图像；

b2.获取结节可能值图像；

c.为了有效降低了检测结果中的假阳性，引入分水岭算法分割所述可疑结节，基于分割结果提取区分真实结节和假结节的特征；以及

d.基于提取的特征引入经典线性分类器获取最终结节检测结果。

优选地，所述区分真实结节和假结节的特征包括5类特征。

具体的，所述获取结节肋骨图像具体包括：首先，用结节模板对所述预处理图像作灰度形态学开运算获取结节增强的结节图像，所述结节模板为一幅灰度值服从正态分布的小图像；然后，用所述灰度形态学开运算增强肋骨结构。

具体的，所述可疑结节选取步骤包括：从结节可能值图像中选取若干个峰值点作为可疑结节的初始位置；如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑结节。

具体的，所述可疑结节分割步骤包括：首先，以某一可疑结节位置为中心点从结节肋骨图像上截取一感兴趣区域；其次，用灰度阈值法获得初始分割区域；然后，用二值的形态学腐蚀运算去除初始分割区域中一些不属于结节的部分；再后，用膨胀运算还原分割区域的大小；最后，采用分水岭算法对分割区域中的结节进行精分割。

本发明提供的一种基于胸片的计算机辅助检测肺结节的方法，由于方法中引入两步结节增强技术使系统能够检测到更多被肋骨等结构遮挡的结节；同时，为了降低假阳性，引入分水岭分割方法，使得基于分割结果提取的特征值更有效。

附图说明

图1为本发明一种基于胸片的计算机辅助检测肺结节的方法中感兴趣点O的结节可能值计算圆环示意图。

具体实施方式

本发明实施例提供一种基于胸片的计算机辅助检测肺结节的方法，能够检测到更多被肋骨等结构遮挡的结节，同时降低假阳性。

下面结合附图对本发明实施例基于胸片计算机辅助检测肺结节的方法进行详细描述。

一种基于胸片的计算机辅助检测肺结节的方法，包括：

通过基于活动形状模型的肺区分割方法和肺区背景噪声去除技术对图像进行预处理。为了和其他学者研究结果作比较，我们使用日本放射技术学会(Japanese Society of Radiology Technology，JSRT)提供的公共数据库测试本文系统的检测性能。图像中所有肺结节经过CT确认，结节大小从5mm到40mm不等.肺结节按照明显度不同被放射科医生分为5类：很明显、明显、不明显、很不明显和极其不明显。我们把以下图像从测试库中去除：(1)含有大于35mm结节的图像；(2)一个病人多于两个结节的图像；(3)放射科医生不能确定结节边缘的图像；(4)结节被心脏、横隔遮挡的图像。所述分割方法以ASM模型为基础，在模型中固定不同类型边界的转换点.模型在分割过程中每段边缘只要匹配所属类型边缘的特征即可.获得肺分割结果后，将左右肺区分别拟合到一二阶多项式式(1)，用原图减肺区拟合多项式获取背景噪声去除的预处理图像。

$F^n(x,y)=\underset{k=1}{\overset{n+1}{\mathrm{\Σ}}}\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{a}_{{(k-1)}^{k/2+m}}{x}^{k-m}{y}^{m-1}---\left(1\right)$

其中，a_k是kth系数，k和m是变量。

为了选取到更多被肋骨等结构遮挡的真实结节，有效提高最终的结节检出率，利用两步结节增强技术，选择可疑结节，所述两步结节增强技术具体包括：

第一步为获取结节肋骨图像。首先用结节模板对预处理图像作灰度形态学开运算获取结节增强的结节图像，结节模板为一幅灰度值服从正态分布的小图像，然后用同样的灰度形态学开运算增强肋骨结构，由于图像中肋骨方向随位置变化而变化，因此本发明采用7个不同方向的线性结构模板，对于每个象素，7次开运算后的最大值输出到对应的肋骨图像。

第二步结节增强为获取结节可能性大小图像。图像中，每个象素的灰度值表示该点为结节的可能性.为了计算肺区中某一感兴趣象素O为结节的可能值，给出以此象素为中心的一圆环(如图1)，圆环大小和获取结节肋骨图像中使用的结节模板尺度一致.感兴趣点O的结节可能值按照下列方法计算：首先对于扇区0中的任一象素A，该点的梯度方向以及指向O点的方向如图1，它们之间的夹角为θ.如果O点为结节，那么cosθ值应当接近于1，0，但如果A点的梯度值M太小，那么它的梯度方向具有不可靠性；如果它的梯度值过大，那么A点可能是肋骨边缘.基于这些假设，肺区中任一感兴趣点的结节可能值由下列公式获得：

${\mathrm{\φ}}_{\mathrm{ij}}^k=\frac{1}{N_k}\underset{\mathrm{mn}\∈\mathrm{inner}\sec \mathrm{tork}}{\mathrm{\Σ}}\cos {\mathrm{\θ}}_{\mathrm{mn}}---\left(2\right)$

t₁≤M_mn≤t₂

其中，t1和t2是最大和最小的梯度阈值，Nk为扇区k中的像素数。ij表示感兴趣点，mn为扇区k中的任一象素。

式(2)给出了感兴趣点在扇区k为结节的可能性，如果感兴趣点为一个结节的中心，那么值

应当比较大且在所有扇区上均匀分布，所以，感兴趣点的结节可能值定义为：

$\mathrm{Nodlihoo}{d}_{\mathrm{ij}}={\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}}/{\mathrm{\σ}}_{\mathrm{ij}}---\left(3\right)$

这里

${\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}}=\frac{1}{S}\underset{k=0}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\φ}}_{\mathrm{ij}}^k---\left(4\right)$

${\mathrm{\σ}}_{\mathrm{ij}}=\sqrt{\frac{1}{S}\underset{k=0}{\overset{S}{\mathrm{\Σ}}}{({\mathrm{\φ}}_{\mathrm{ij}}^k-{\stackrel{\‾}{\mathrm{\φ}}}_{\mathrm{ij}})}^2}$

为了有效降低了检测结果中的假阳性，引入分水岭算法分割所述可疑结节，基于分割结果提取区分真实结节和假结节的特征。从结节可能值图像中选取若干个峰值点作为可疑结节的初始位置。如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑结节。为了提取可疑结节的特征，需要对其进行分割。对某一可疑结节，首先以该可疑结节位置为中心点从结节肋骨图像上截取一感兴趣区域.然后用灰度阈值法获得初始分割区域。接着用二值的形态学腐蚀运算去除初始分割区域中一些不属于结节的部分，再用同样的膨胀运算还原分割区域的大小。最后采用分水岭算法对分割区域中的结节进行精分割。首先在分割区域中提取若干个局部峰值，利用这些峰值位置初始化分水岭算法。分割后，分割区域被分成若干个象素聚类，每个极小值都有一个与其相关的象素聚类。可疑结节的分割结果首先由含有感兴趣区域中心点的主象素聚类构成，然后将其它与主象素聚类有相同特性的次象素聚类加入到结节分割结果中。

本发明实施例提取了五类特征。

首先计算基于分割结果的形状特征，计算方法如下：

Shape₁＝A_region

Shape₂＝D_major/D_minor                    (5)

${\mathrm{Shape}}_3=1-d_{\mathrm{candidate}-\mathrm{center}}/\sqrt{A_{\mathrm{region}}/\mathrm{\π}}$

其中，形状特征Shape₁为可疑结节分割面积，特征Shape₂：是拟合到结节分割形状的椭圆长短轴之比，Shape₃：为可疑结节位置与分割结果中心距离相关特征。

第二类特征为基于结节分割区域以及周围区域的灰度值统计特征，周围区域由二值的形态学膨胀运算后减分割区域获得，

Stat₁＝μ^region-μ^surround

Stat₂＝σ^region-σ^surround                    (6)

Stat₃＝min^region-min^surround

Stat₄＝max^region-max^surround

其中：μ，σ，min，和max分别是象素的均值，方差，最小值和最大值。

第三类特征是将分割后的可疑结节灰度值拟合到一个4次多项式，计算最高点的曲率特征.拟合多项式的二阶偏导形成Hessian矩阵，该矩阵的最大和最小特征值λ_max和λ_min为主要曲率：

Surface₁＝λ_min

Surface₂＝λ_max                        (7)

Surface₃＝λ_minλ_max

同计算某一象素点的结节可能值相似，第四类的梯度特征为计算可疑结节分割区域内的结节可能值，计算范围由分割区域代替圆环，第五类特征用来去除由肋骨交叉引起的假阳性，首先用Canny算子检测感兴趣区域中的主要边缘，然后定义这些边缘与可疑结节分割结果的重叠特征：

${\mathrm{Overlap}}_1=\frac{L_{\mathrm{overlap}}}{L_{\mathrm{region}}}---\left(8\right)$

其中，L_region是可疑结节区域的边界长度，L_overlap是Canny检测算子形成边界长度。

基于提取的特征引入经典线性分类器获取最终结节检测结果。获取可疑结节的所有特征值后，引入FDA对可疑结节进行分类.FDA的统计分类由下式给出：

d_i＝w^Tx_i                            (9)

其中，w＝(C_TP+C_FP)^-1(μ_TP-μ_FP)     (10)

其中，x_i为一可疑结节i的M×1特征向量，w为一维的权向量，C_TP和C_FP分别代表真实结节和假结节的协方差矩阵，μ_TP和μ_FP是真实结节和假结节的均值向量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种基于胸片的计算机辅助检测肺结节的方法，其特征在于，包括：

a.通过基于活动形状模型的肺区分割方法和肺区背景噪声去除技术对图像进行预处理；

b.利用两步结节增强技术，选取可疑结节，所述两步结节增强技术具体包括：

b1.获取结节肋骨图像；

b2.获取结节可能值图像；

c.引入分水岭算法分割所述可疑结节，基于分割结果提取区分真实结节和假结节的特征；以及

d.基于提取的特征引入经典线性分类器获取最终结节检测结果。

2.根据权利要求1所述的基于胸片的计算机辅助检测肺结节的方法，其特征在于，所述区分真实结节和假结节的特征包括5类特征。

3.根据权利要求2所述的基于胸片的计算机辅助检测肺结节的方法，其特征在于，所述获取结节肋骨图像具体包括：首先，用结节模板对所述预处理图像作灰度形态学开运算获取结节增强的结节图像，所述结节模板为一幅灰度值服从正态分布的小图像；然后，用所述灰度形态学开运算增强肋骨结构。

4.根据权利要求3所述的基于胸片的计算机辅助检测肺结节的方法，其特征在于，所述可疑结节选取步骤包括：从结节可能值图像中选取若干个峰值点作为可疑结节的初始位置；如果任意两个峰值点之间的距离小于阈值，则具有更大值的点被选作可疑结节。

5.根据权利要求4所述的基于胸片的计算机辅助检测肺结节的方法，其特征在于，所述可疑结节分割步骤包括：首先，以某一可疑结节位置为中心点从结节肋骨图像上截取一感兴趣区域；其次，用灰度阈值法获得初始分割区域；然后，用二值的形态学腐蚀运算去除初始分割区域中一些不属于结节的部分；再后，用膨胀运算还原分割区域的大小；最后，采用分水岭算法对分割区域中的结节进行精分割。

Images