CN104000619A - 一种甲状腺ct图像计算机辅助诊断系统及方法 - Google Patents

Abstract

本发明涉及一种甲状腺CT图像计算机辅助诊断系统及方法。解决目前通过体检、超声、同位素扫描对甲状腺疾病诊断存在许多缺陷的问题。系统包括有依次连接的输入模块、图像纹理特征提取模块、分类诊断模块和输出模块。方法包括先对图像进行轮廓分割和提取，然后对图像进行纹理特征分析，得到28维纹理特征，最后代入诊断模型得到诊断结果以及统计学指标。本发明的优点是：无创性，具有快速及时的特点；不需要化学试剂等，具有成本低的特点；有效的降低病变甲状腺纹理特征样本集的复杂程度，可以进一步提高鉴别准确度；结果没有人为主观因素影响，避免了病理检查和其他检查的人为主观因素影响。

Description

一种甲状腺CT图像计算机辅助诊断系统及方法

技术领域

本发明涉及医学图像分析技术领域，尤其是涉及一种甲状腺CT图像计算机辅助诊断系统及方法。

背景技术

2012年，北京市卫生局发布的《北京市居民恶性肿瘤发病报告》显示，从2000年到2010年，甲状腺癌发病率增长了223.75％，位列各类癌症发病率(增长幅度)首位，引起了社会的普遍关注。中国健康教育中心2013年6月公布的最新数据，目前我国有超过2亿甲状腺疾病患者，然而甲状腺疾病发现率非常低，整体规范治疗率不足5.0％。

目前，对于甲状腺疾病的诊断主要根据病史、体检、超声、CT和同位素扫描等检查确定，以上检查技术各有优劣，如同位素甲状腺扫描只能反映出结节的形态及其摄取同位素功能，难以确定其性质，对甲状腺肿瘤的诊断其准确率和敏感性差。彩色B超检查不仅可以分辨甲状腺肿块是囊性还是实质性，还可以观察肿块的血供情况，以此为诊断良、恶性肿瘤提供参考，但是B超检查不能识别肿瘤周围的组织结构、肿瘤与周围组织的关系、喉上神经、喉返神经的走形等，对手术不能提供相应的帮助。而CT在空间分辨率和密度分辨率上比超声更具有优势，能提供更多的断面信息，但是CT图像在甲状腺结节良恶性鉴别诊断正确率不及超声检查。诊断方式仍基本停留在医生直接读片来获得诊断结果的阶段，而这种方式由于知识背景、从业经验、疲劳程度以及情绪影响等因素的作用，容易得出错误的结论。

随着计算机图像处理技术的快速发展，计算机辅助诊断技术的应用，能够降低这些人为因素对医学诊断带来的影响。其方法之一是通过分析医学图像所表现的病变组织(器官)的纹理结构特征，为诊断、治疗以及随访提供科学的依据。例如，在一些病例中，相关解剖结构的组织因病变而发生变化，可通过组织学检查而确诊，但却通常无法由影像学检查直接探明，而通过图像纹理参数的统计分析，则能表现出组织的这种变化。以往医学图像的纹理分析大都集中于MR图像，随着成像质量的不断提高，现在几乎可以对所有类型的医学图像实现纹理分析。

发明内容

本发明主要是解决目前通过体检、超声、同位素扫描对甲状腺疾病诊断存在许多缺陷的问题，提供了一种甲状腺CT图像计算机辅助诊断系统及方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种甲状腺CT图像计算机辅助诊断系统，包括有依次连接的输入模块、图像纹理特征提取模块、分类诊断模块和输出模块；

输入模块：导入经过轮廓分割和提取的甲状腺图像；

图像纹理特征提取模块：对提取含病变的甲状腺图像进行图像纹理分析，获得目标图像的图像特征，图像特征为13维灰度共生纹理特征和15维灰度梯度共生纹理特征；

分类诊断模块：模块内包括分类器，模块包含有多例经手术后病理确诊的甲状腺良恶性CT图像纹理特征数据库，根据已有数据库建立的诊断模型，对输入的图像纹理特征进行统计分析，分类判断；

输出模块：将分类统计结果输出显示，统计结果包括分类判断结果和准确度、敏感度、特异性、真阳性和假阳性统计指标。

一种甲状腺CT图像计算机辅助诊断方法，包括以下步骤：

(1).预先对甲状腺CT图像进行轮廓分割和提取，并标记恶性或良性，将预处理后的图像导入到系统中；

(2).图像纹理特征提取模块对导入病变甲状腺图像进行图像纹理分析，获取病变甲状腺图像中的13维灰度共生纹理特征和15维灰度梯度共生纹理特征；

(3).分类诊断模块内存储由多例经手术后病理证实的甲状腺良恶结节图像纹理特征构成的数据库，根据数据库建立诊断模型，将输入的甲状腺图像纹理特征代入诊断模型中进行处理，得到诊断结果，以及准确度、敏感度、特异度、真阳性和假阳性指标。本发明通过计算机对甲状腺CT图像进行纹理统计分析，自动得出该甲状腺CT图像的诊断结果和若干统计学指标，具有无创性，快速及时的特点，且不需要化学试剂，成本低；并且通过对训练样本特征优化，可以有效的降低病变甲状腺纹理特征样本集的复杂程度，进一步提高鉴别准确度；另外本方法结果由于没有人为主观因素影响，避免了病理检查盒其他检查的人为主观因素影响。

作为一种优选方案，步骤(1)中对甲状腺CT图像进行轮廓分割和提取的过程为：在甲状腺肿块患者CT扫描图像中选取肿块最大横径的横断面图像，在图像中将含有肿块的甲状腺边缘勾画出，然后在将勾画出的含甲状腺图像提取出来，并设定图像灰度级为256级，将所有提取的含肿块的甲状腺图像构成病变甲状腺图像集。

作为一种优选方案，步骤(2)中获取13维灰度共生纹理特征过程为：

在图像中任取一像素点A(x，y)，然后获得与像素点A距离为d的另一个像素点B(x+a，y+b)，像素点A和B形成一个点对，记录这一点对的灰度值(i，j)，固定a和b的值，使像素点A(x，y)在图像上移动，获得种像素点对组合，N_g为图像灰度级别值，i∈[0，N_g-1]，j∈[0，N_g-1]，改变d和θ，θ为像素点对连线与水平先的夹角，统计图像中的像素点对的灰度值，构成灰度共生矩阵P(i，j，θ，d)，

$P(i,j,\mathrm{\θ},d)=\#\{(x,y),(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ})|\left.\begin{array}{c}F(x,y)=i,\\ F(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ})=j\end{array}\right\}$

其中#{x}是集合x中的所有元素的个数；然后根据灰度共生矩阵提取13维纹理特征，分别为角二阶矩、相关度、熵、对比度、逆差矩、平均和、和熵、方差和、方差、差平均、惯性、差方差、差熵。

作为一种优选方案，所述13维灰度共生纹理特征的公式为：

1).角二阶矩：

角二阶矩是灰度共生矩阵中所有像素的平方和，表现了图像灰度的分布均匀程度和纹理的粗细程度。

2).相关度：

$f_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}[i\×j\×P(i,j,\mathrm{\θ},d)-{\mathrm{\μ}}_1\×{\mathrm{\μ}}_2]/({\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)$

其中，

${\mathrm{\μ}}_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}i\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],{\mathrm{\μ}}_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}j\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],$

${{\mathrm{\σ}}_1}^2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1)}^2\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],$

${{\mathrm{\σ}}_2}^2=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(j-{\mathrm{\μ}}_2)}^2\left[\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right];$

相关度反映了灰度共生矩阵中的元素在水平方向和竖直方向的变化情况，当灰度共生矩阵中像素的元素分布均匀且数值接近，则相关度值较高。对于有方向性的纹理图像，如果特定θ方向的相关度较强，则可以反映了图像纹理的主要走向。

3).熵：

$f_3=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\×{\log }_{2}P(i,j,\mathrm{\θ},d);$

熵是灰度共生矩阵中信息量的表征，反映了灰度共生矩阵中元素随机性的程度，可以反映图像中纹理的复杂程度。当图像中所有像素分布均匀，没有任何纹理时，灰度共生矩阵的元素几乎全为0，则熵值较小；当图像中纹理非常复杂，像素分布杂乱时，灰度共生矩阵中的元素会存在较大的差异，则熵值较大。

4).对比度：

$f_4=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^2\×{\left[P(i,j,\mathrm{\θ},d)\right]}^2;$

对比度是灰度共生矩阵相对主对角线的惯性矩。若灰度共生矩阵中的元素距离主对角线越远且元素值越大，则对比度较大，反之亦然。而距离主对角线越远，则图像中纹理基元的灰度差值越大；此类元素越多，则反映图像中此类纹理基元越明显。对比度可以反映图像中纹理基元强度，即沟纹的深浅程度。纹理基元表现越强，沟纹越深，则对比度越大；反之亦然。

5).逆差矩：

$f_5=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{P(i,j,\mathrm{\θ},d)}{1+{(i-j)}^2};$

逆差矩也可称为局部平稳，可以反映图像纹理的同质性。当图像的纹理在不同区域变化较小时，图像的像素点对灰度更为接近，则逆差矩较大。

6).平均和：

$f_6=\underset{k=2}{\overset{2N_g}{\mathrm{\Σ}}}{\mathrm{kP}}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；平均和反映了图像中像素点对的平均灰度值，反映了图像纹理的明暗程度。

7).和熵：

$f_7=-\underset{k=2}{\overset{2N_g}{\mathrm{\Σ}}}{P}_{x+y}\left(k\right)\left[{\log }_2{P}_{x+y}\left(k\right)\right],$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；和熵反映了图像中像素点对的分布变化，像素点对的变化越随机，分布范围越大，则和熵值越大。

8).方差和：

$f_8=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(k-f_6)}^2{P}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；方差和是图像中像素点对的变化程度，反映了图像纹理的周期性。图像中纹理的周期越大，则方差和越大。

9).方差：

$f_9=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-m)}^{2}P(i,j,\mathrm{\θ},d),$ 其中m是灰度共生矩阵P(i，j，θ，d)所有元素的均值；灰度共生矩阵的方差反映了图像像素点对的变化，图像中纹理分布越复杂，则方差越大。

10).差平均：

$f_{10}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k{P}_{x-y}\left(k\right),$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；差平均反映了图像的像素点对的平均灰度差异，如果图像纹理基元具有较强的灰度对比，并且分布空间较广，则差平均值较大。

11).惯性：

$f_{11}=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^{2}P(i,j,\mathrm{\θ},d);$

惯性描绘了图像纹理基元的对比度。如果图像中的像素点对具有较大的灰度差异，像素点对的数量较多，则惯性值较大。

12).差方差：

$f_{12}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{[k-\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{\mathrm{kP}}_{x-y}\left(k\right)]}^2\×P_{x-y}\left(k\right),$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；差方差是图像中像素点对的灰度差的方差，描绘了图像纹理的对比度。当图像的纹理越显著，对比度越强强烈，则差方差越大。

13).熵差：

$f_{13}=-\underset{k=0}{\overset{N_g}{\mathrm{\Σ}}}{P}_{x-y}\left(k\right)\left[{\log }_2\left(P_{x-y}\left(k\right)\right)\right],$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1。

作为一种优选方案，步骤(2)中获取15维灰度梯度共生纹理特征过程为：对图像f求取梯度图像g，其中图像f大小为N_x×N_y，图像f的最高灰度级为N，灰度范围为[0，N-1]，则有其中g_x和g_y分别为边缘检测算子，对图像f在水平方向和竖直方向上计算得到梯度图像g，对灰度图像f和梯度图像g分别进行归一化处理，对应得到图像F和图像G，并且使得归一化后的图像G灰度分布范围为[0，N_g-1]，图像F的灰度分布范围为[0，N_f-1]，计算公式如下：

F＝[f×(N_f-1)/f_max]+1，G＝[g×(N_g-1)/g_max]+1，

其中f_max是灰度图像f中的灰度最大值，g_max是梯度图像g的灰度最大值；

对图像f中任一像素点(x，y)，归一化处理后的灰度值F(x，y)为i，且归一化后的梯度值G(x，y)为j，得到灰度梯度共生矩阵中坐标为(i，j)的元素，记为h(i，j)，

h(i，j)＝#{(x，y)|F(x，y)＝i，G(x，y)＝j}

其中#{X}是集合X中的所有元素的个数；对h(i，j)进行归一化处理，得到

H(i，j)＝h(i，j)/(N_g×N_f)

其中，i＝1，2，…，N_f，j＝1，2，…，N_g，根据灰度梯度共生矩阵提取15维纹理特征，分别为小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均值、梯度平均值、灰度标准差、梯度标准差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。对于灰度图像，不仅可以使用灰度信息统计分析图像的纹理特征，而且可以使用灰度的邻域变化信息分析图像纹理。梯度就是灰度的邻域变化信息，构成了图像的边缘轮廓。灰度梯度共生矩阵可以综合图像的灰度和梯度信息，更为全面的反映图像中每个像素点的灰度和梯度的分布特征，反映像素点与其邻域各像素点的空间位置关系。

作为一种优选方案，所述15维灰度梯度共生纹理特征的公式为，

1).小梯度优势：

$t_1=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{h(i,j)}{j^2}\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$ 小梯度优势反映了图像中小梯度的分布强度。当图像的灰度变化较平缓，图像大部分区域的梯度值较小，则小梯度优势值大。

2).大梯度优势：

$t_2=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{j}^{2}h(i,j)\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$ 大梯度优势反映了图像中的大梯度的分布强度。如果图像中的灰度变化非常剧烈，大梯度在图像中分布较广泛，则大梯度优势值大。

3).灰度分布的不均匀性：

$t_3=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$ 如果图像中不同区域的灰度差别比较大，则灰度分布的不均匀性值较大。

4).梯度分布的不均匀性：

$t_4=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$ 如果图像中不同区域的梯度变化较大，则梯度分布的不均匀性值较大。

5).能量：

能量反映了图像纹理的强度和密集程度。如果图像中灰度和梯度变化比较强烈，且较为密集，则能量值较大。

6).灰度平均值：

灰度平均值反映了图像中的灰度强度，即图像的整体亮度。

7).梯度平均值：

梯度平均值反映了图像中的梯度的平均强度。

8).灰度标准差：

$t_8={\left\{\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{(i-t_6)}^2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$ 灰度标准差反映了图像中灰度的变化强度。

9).梯度标准差：

$t_9={\left\{\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(j-t_7)}^2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$ 梯度标准差反映了图像中梯度的变化强度。如果图像中的梯度大小较为接近，则梯度标准差值较小，反之亦然。

10).相关性：

$t_{10}=\frac{1}{t_8{t}_9}\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}(i-t_6)(j-t_7)H(i,j);$ 相关性反映了图像中灰度和梯度的相互关系。如果图像中纹理基元的分布比较规则，那么灰度和梯度的变化存在一致性，则相关性值较大。

11).灰度熵：

$t_{11}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\left\{\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\};$ 灰度熵反映了图像中灰度分布的规律性，即图像中的平均信息量。

12).梯度：

$t_{12}=-\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\left\{\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\};$ 梯度熵反映了图像中梯度分布的规律性，即梯度图像的平均信息量。

13).混合熵：

$t_{13}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left[{\log }_{2}H(i,j)\right];$ 混合熵反映了灰度-梯度共生矩阵的平均信息量。如果图像中灰度和梯度的变化较复杂，则混合熵值较大。

14).差分矩：

差分矩描绘了图像纹理基元的对比度。如果图像中像素点对的灰度较高并且灰度变化很小，那么图像的差分矩较大。

15).逆差矩：

$t_{15}=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}H(i,j).$ 逆差矩，即局部平稳，可以反映图像纹理的同质性。当图像纹理基元的灰度与梯度非常接近，并且覆盖图像的大部分区域，则逆差矩较大。

作为一种优选方案，步骤(3)中建立诊断模型的过程为：从数据库内选取n个病变甲状腺纹理特征数据样本作为训练样本集，用训练样本集对分类器进行训练，其中n为正整数，且为整个样本集的1/2至3/4个数，并将除n各训练样本外的剩余样本作为验证样本集，使用训练后分类器对验证样本集进行分类，获得验证样本集的良恶性鉴别争端准确率，然后再随机选取n个样本重复上述步骤，多次操作，最后选取得到最大诊断准确率维目标建立诊断模型。

作为一种优选方案，从数据库内选取病变甲状腺纹理特征数据样本，分为训练样本集合验证样本集，使用支持向量机分类方法，使用训练样本集对分类器进行训练，并用留一交叉检验的方法评估训练后的支持向量机的泛化能力。选择支持向量机的参数，核函数优选为径向基函数，惩罚因子和核宽度分别为5和6，两个参数采用网格搜索的方法进行选取，对5×6个惩罚因子和核宽度的组合训练支持向量机，采用交叉检验的方法评估支持向量机的泛化能力，利用支持向量机对样本进行分类，并用留一检验的方法计算出分类准确率、灵敏度、特异度、真阳性和假阳性结果参数，以评估所使用的的支持向量机的推广能力，并得到分类结果，以及准确度、敏感度、特异度、真阳性和假阳性指标

因此，本发明的优点是：1.使用的CT图像是在活检或手术前获得，因此具有无创性，具有快速及时的特点；2.通过CT图像获得甲状腺肿块的良恶性鉴别，不需要化学试剂等，具有成本低的特点；3.通过对训练样本的特征优化，可以有效的降低病变甲状腺纹理特征样本集的复杂程度，可以进一步提高鉴别准确度；4.通过甲状腺CT图像的纹理特征数据集训练后的分类器来鉴别肿块的良恶性，其结果没有人为主观因素影响，避免了病理检查和其他检查的人为主观因素影响。

附图说明

附图1是本发明系统的一种结构框示图；

附图2是本发明方法的一种流程示意图；

附图3是本发明获取13维灰度共生纹理特征过程中灰度矩阵像素点对的一种示意图。

1-输入模块  2-图像纹理特征提取模块  3-分类诊断模块  4-输出模块

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例一种甲状腺CT图像计算机辅助诊断系统，如图1所示，包括有依次连接的输入模块1、图像纹理特征提取模块2、分类诊断模块3和输出模块4。该输入模块用以导入经过轮廓分割和提取的甲状腺图像。图像纹理特征提取模块对提取含病变的甲状腺图像进行图像纹理分析，获得目标图像的图像特征，图像特征为13维灰度共生纹理特征和15维灰度梯度共生纹理特征。分类诊断模块，在模块内包括分类器，模块包含有多例经手术后病理确诊的甲状腺良恶性CT图像纹理特征数据库，根据已有数据库建立的诊断模型，对输入的图像纹理特征进行统计分析，分类判断。输出模块将分类统计结果输出显示，统计结果包括分类判断结果和准确度、敏感度、特异性、真阳性和假阳性统计指标。

该甲状腺CT图像计算机辅助诊断方法，如图2所示，包括以下步骤：

步骤一：预先对甲状腺CT图像进行轮廓分割和提取，并标记恶性或良性，将预处理后的图像导入到系统中。

通过使用CT扫描仪器对患者采集甲状腺CT图像，CT扫描仪采用西门子Sensation 16层螺旋CT，采集甲状腺肿块患者的CT平扫横断面图像，图像格式为DICOM。CT设备扫描参数为球管电压120kV，管电流220mAs，层厚为2-5mm，层间距2-5mm，螺距为1-1.5，图像重建类型为B40，软组织显示窗，横断面图像的分辨率为512×512像素，每位患者10-15个横断面图像。然后在甲状腺肿块患者的CT扫描图像中，选取肿块所在最大横径的横断面图像，进行轮廓分隔和提取。

对甲状腺CT图像进行轮廓分割和提取的过程为：在图像中将含有肿块的甲状腺边缘勾画出，具体的可使用microMRI软件。然后在将勾画出的含甲状腺图像提取出来，并设定图像灰度级为256级，具体的可使用matlab10。将所有提取的含肿块的甲状腺图像构成病变甲状腺图像集。在获得病变甲状腺图像集的同时，用手术后病理证实的结果将病变甲状腺图像相应的标记为恶性或良性，例如良性肿块包括甲状腺腺瘤、甲状腺肿和桥本氏病灯良性病变，恶性肿块包括乳头状腺癌和滤泡状腺癌。

步骤二：图像纹理特征提取模块对导入病变甲状腺图像进行图像纹理分析，获取病变甲状腺图像中的13维灰度共生纹理特征和15维灰度梯度共生纹理特征。

获取13维灰度共生纹理特征过程为：

如图3所示，在图像中任取一像素点A(x，y)，然后获得与像素点A距离为d的另一个像素点B(x+a，y+b)，像素点A和B形成一个点对，记录这一点对的灰度值(i，j)，固定a和b的值，使像素点A(x，y)在图像上移动，获得种像素点对组合，N_g为图像灰度级别值，i∈[0，N_g-1]，j∈[0，N_g-1]，改变d和θ，θ为像素点对连线与水平先的夹角，统计图像中的像素点对的灰度值，构成灰度共生矩阵P(i，j，θ，d)，

$P(i,j,\mathrm{\θ},d)=\#\{(x,y),(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ})\left|\begin{array}{c}F(x,y)=i\\ F(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ}=j)\end{array}\right.\}$

其中#{x}是集合x中的所有元素的个数；预先设定d值，分别计算0°、45°、90°和135°四个方向的灰度共生矩阵，如果灰度范围为[0，N_g-1]，则每个方向的灰度共生矩阵的尺寸是N_g×N_g。本实施例中，预先设定d＝1，分别计算0°、45°、90°和135°的灰度共生矩阵，然后基于每个方向的矩阵计算纹理特征，将四个方向的纹理特征求取平均值，得到旋转不变的纹理特征。根据灰度共生矩阵提取13维纹理特征。它们分别为：

1).角二阶矩：

$f_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[P(i,j,\mathrm{\θ},d)\right]}^2;$

2).相关度：

$f_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}[i\×j\×P(i,j,\mathrm{\θ},d)-{\mathrm{\μ}}_1\×{\mathrm{\μ}}_2]/({\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)$

其中，

${\mathrm{\μ}}_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}i\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],{\mathrm{\μ}}_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}j\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],$

${{\mathrm{\σ}}_1}^2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1)}^2\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],$

${{\mathrm{\σ}}_2}^2=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(j-{\mathrm{\μ}}_2)}^2\left[\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right];$

3).熵：

$f_3=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\×{\log }_{2}P(i,j,\mathrm{\θ},d);$

4).对比度：

$f_4=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^2\×{\left[P(i,j,\mathrm{\θ},d)\right]}^2;$

5).逆差矩：

$f_5=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{P(i,j,\mathrm{\θ},d)}{1+{(i-j)}^2};$

6).平均和：

$f_6=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{\mathrm{kP}}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

7).和熵：

$f_7=-\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{P}_{x+y}\left(k\right)\left[{\log }_2{P}_{x+y}\left(k\right)\right],$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

8).方差和：

$f_8=\underset{k=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(k-f_6)}^2{P}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

9).方差：

$f_9=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-m)}^{2}P(i,j,\mathrm{\θ},d),$ 其中m是灰度共生矩阵P(i，j，θ，d)所有元素的均值；

10).差平均：

$f_{10}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{\mathrm{kP}}_{x-y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；

11).惯性：

$f_{11}=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^{2}P(i,j,\mathrm{\θ},d);$

12).差方差：

$f_{12}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{[k-\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k{P}_{x-y}\left(k\right)]}^2\×P_{x-y}\left(k\right),$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；

13).熵差：

$f_{13}=-\underset{k=0}{\overset{N_g}{\mathrm{\Σ}}}{P}_{x-y}\left(k\right)\left[{\log }_2\left(P_{x-y}\left(k\right)\right)\right],$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1。

获取15维灰度梯度共生纹理特征过程为：

对图像f求取梯度图像g，其中图像f大小为N_x×N_y，图像f的最高灰度级为N，灰度范围为[0，N-1]，则有其中g_x和g_y分别为边缘检测算子，本实施例中采用尺寸为3*3的Sobel算子求取梯度图像，Sobel算子是水平方向和竖直方向的两个边界检测算子，其分别为：

对图像f在水平方向和竖直方向上计算得到梯度图像g，对灰度图像f和梯度图像g分别进行归一化处理，对应得到图像F和图像G，并且使得归一化后的图像G灰度分布范围为[0，N_g-1]，图像F的灰度分布范围为[0，N_f-1]，计算公式如下：

F＝[f×(N_f-1)/f_max]+1，G＝[g×(N_g-1)/g_max]+1，

其中f_max是灰度图像f中的灰度最大值，g_max是梯度图像g的灰度最大值；

对图像f中任一像素点(x，y)，归一化处理后的灰度值F(x，y)为i，且归一化后的梯度值G(x，y)为j，得到灰度梯度共生矩阵中坐标为(i，j)的元素，记为h(i，j)，

h(i，j)＝#{(x，y)|F(x，y)＝i，G(x，y)＝j}

其中#{X}是集合X中的所有元素的个数；对h(i，j)进行归一化处理，得到

H(i，j)＝h(i，j)/(N_g×N_f)

其中，i＝1，2，…，N_f，j＝1，2，…，N_g。根据灰度梯度共生矩阵提取15维纹理特征，它们分别为：

1).小梯度优势：

$t_1=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{h(i,j)}{j^2}\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

2).大梯度优势：

$t_2=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{j}^{2}h(i,j)\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

3).灰度分布的不均匀性：

$t_3=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

4).梯度分布的不均匀性：

$t_4=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

5).能量：

$t_5=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[H(i,j)\right]}^2;$

6).灰度平均值：

$t_6=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}i\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\right];$

7).梯度平均值：

$t_7=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}j\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\right];$

8).灰度标准差：

$t_8={\left\{\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{\left({i-t}_6\right)}^2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$

9).梯度标准差：

$t_9={\left\{\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left({j-t}_7\right)}^2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$

10).相关性：

$t_{10}=\frac{1}{t_8{t}_9}\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\left({i-t}_6\right)(j-t_7)H(i,j);$

11).灰度熵：

$t_{11}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\left\{\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\};$

12).梯度：

$t_{12}=-\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\left\{\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\};$

13).混合熵：

$t_{13}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left[{\log }_{2}H(i,j)\right];$

14).差分矩：

$t_{14}=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^{2}H(i,j);$

15).逆差矩：

$t_{15}=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}H(i,j).$

通过以上的纹理特征提取，得到28维特征参数，参数总结如下：

步骤三：分类诊断模块内存储由多例经手术后病理证实的甲状腺良恶结节图像纹理特征构成的数据库，根据数据库建立诊断模型，将输入的甲状腺图像纹理特征代入诊断模型中进行处理，得到诊断结果，以及准确度、敏感度、特异度、真阳性和假阳性指标。

建立诊断模型的过程为：从数据库内选取n个病变甲状腺纹理特征数据样本作为训练样本集，用训练样本集对分类器进行训练，其中n为正整数，且为整个样本集的1/2至3/4个数，并将除n各训练样本外的剩余样本作为验证样本集，使用训练后分类器对验证样本集进行分类，获得验证样本集的良恶性鉴别诊断准确率。本实施例以134例样本为例，整个分类过程就是先将134例随机分成133例训练样本和1例测试样本，这样的分法总共有134种组合；再用其中一种组合的133例测试样本训练分类器，并测试剩下的1例，测试结果与实际结果相同对比，且记录下对比结果；继续使用另外一种组合，记录下对比结果，直到所有134种组合结果记录完毕，即可计算分类准确率、灵敏度、特异性、PPV、NPV这些参数。对比结果有如下几种情况：测试样本检测结果为良性“1”，而实际测试样本也为良性“1”，对比结果为真阳性(TP)。测试样本检测结果为良性“1”，而实际测试样本也为恶性“0”，对比结果为假阳性(FP)。测试样本检测结果为恶性“0”，而实际测试样本也为恶性“0”，对比结果为真阴性(TN)。测试样本检测结果为恶性“0”，而实际测试样本也为良性“1”，对比结果为假阴性(FN)。

对比情况如下表：

假设统计得到各种对比结果情况如下：

再根据：

准确率

accuracyrate＝(TP+TN)/n

灵敏度

Sensitivity＝TP/(TP+FN)

特异性

Specificity＝TN/(TN+FP)

PPV

PPV＝TP/(TP+FP)

NPV

NPV＝TN/(TN+FN)

其中n＝TP+FP+TN+FN

则这样统计出来的准确率、灵敏度、特异性、PPV、NPV如下：

继续选取其他组合样本重复上述步骤，多次操作，直到所有组合都计算完毕。最后选取得到最大诊断准确率维目标建立诊断模型。将输入的甲状腺图像纹理特征代入诊断模型中进行处理，得到诊断结果，以及准确度、敏感度、特异度、真阳性和假阳性指标。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了输入模块、图像纹理特征提取模块、分类诊断模块、输出模块等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (9)

1.一种甲状腺CT图像计算机辅助诊断系统，其特征在于：包括有依次连接的输入模块(1)、图像纹理特征提取模块(2)、分类诊断模块(3)和输出模块(4)；

输入模块：导入经过轮廓分割和提取的甲状腺图像；

图像纹理特征提取模块：对提取含病变的甲状腺图像进行图像纹理分析，获得目标图像的图像特征，图像特征为13维灰度共生纹理特征和15维灰度梯度共生纹理特征；

分类诊断模块：模块内包括分类器，模块包含有多例经手术后病理确诊的甲状腺良恶性CT图像纹理特征数据库，根据已有数据库建立的诊断模型，对输入的图像纹理特征进行统计分析，分类判断；

输出模块：将分类统计结果输出显示，统计结果包括分类判断结果和准确度、敏感度、特异性、真阳性和假阳性统计指标。

2.一种甲状腺CT图像计算机辅助诊断方法，采用权利要求1中系统，其特征是：包括以下步骤：

(1).预先对甲状腺CT图像进行轮廓分割和提取，并标记恶性或良性，将预处理后的图像导入到系统中；

(2).图像纹理特征提取模块对导入病变甲状腺图像进行图像纹理分析，获取病变甲状腺图像中的13维灰度共生纹理特征和15维灰度梯度共生纹理特征；

(3).分类诊断模块内存储由多例经手术后病理证实的甲状腺良恶结节图像纹理特征构成的数据库，根据数据库建立诊断模型，将输入的甲状腺图像纹理特征代入诊断模型中进行处理，得到诊断结果，以及准确度、敏感度、特异度、真阳性和假阳性指标。

3.根据权利要求2所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是步骤(1)中对甲状腺CT图像进行轮廓分割和提取的过程为：在甲状腺肿块患者CT扫描图像中选取肿块最大横径的横断面图像，在图像中将含有肿块的甲状腺边缘勾画出，然后在将勾画出的含甲状腺图像提取出来，并设定图像灰度级为256级，将所有提取的含肿块的甲状腺图像构成病变甲状腺图像集。

4.根据权利要求2所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是步骤(2)中获取13维灰度共生纹理特征过程为：

在图像中任取一像素点A(x，y)，然后获得与像素点A距离为d的另一个像素点B(x+a，y+b)，像素点A和B形成一个点对，记录这一点对的灰度值(i，j)，固定a和b的值，使像素点A(x，y)在图像上移动，获得种像素点对组合，N_g为图像灰度级别值，i∈[0，N_g-1]，j∈[0，N_g-1]，改变d和θ，θ为像素点对连线与水平先的夹角，统计图像中的像素点对的灰度值，构成灰度共生矩阵P(i，j，θ，d)，

$P(i,j,\mathrm{\θ},d)=\#\{(x,y),(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ})|\left.\begin{array}{c}F(x,y)=i,\\ F(x+d\sin \mathrm{\θ},y+d\cos \mathrm{\θ})=j\end{array}\right\}$

其中#{x}是集合x中的所有元素的个数；然后根据灰度共生矩阵提取13维纹理特征，分别为角二阶矩、相关度、熵、对比度、逆差矩、平均和、和熵、方差和、方差、差平均、惯性、差方差、差熵。

5.根据权利要求4所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是所述13维灰度共生纹理特征的公式为：

1).角二阶矩：

$f_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[P(i,j,\mathrm{\θ},d)\right]}^2;$

2).相关度：

$f_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}[i\×j\×P(i,j,\mathrm{\θ},d)-{\mathrm{\μ}}_1\×{\mathrm{\μ}}_2]/({\mathrm{\σ}}_1\×{\mathrm{\σ}}_2)$

其中，

${\mathrm{\μ}}_1=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}i\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],{\mathrm{\μ}}_2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}j\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\right],$

${{\mathrm{\σ}}_1}^2=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1)}^2[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)],$

${{\mathrm{\σ}}_2}^2=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(j-{\mathrm{\μ}}_2)}^2[\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)];$

3).熵：

$f_3=-\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d)\×{\log }_{2}P(i,j,\mathrm{\θ},d);$

4).对比度：

$f_4=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^2\×{\left[P(i,j,\mathrm{\θ},d)\right]}^2;$

5).逆差矩：

$f_5=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{P(i,j,\mathrm{\θ},d)}{1+{(i-j)}^2};$

6).平均和：

$f_6=\underset{k=2}{\overset{2N_g}{\mathrm{\Σ}}}k{P}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

7).和熵：

$f_7=-\underset{k=2}{\overset{2N_g}{\mathrm{\Σ}}}{P}_{x+y}\left(k\right)\left[{\log }_2{P}_{x+y}\left(k\right)\right],$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

8).方差和：

$f_8=\underset{k=2}{\overset{2N_g}{\mathrm{\Σ}}}{(k-f_6)}^2{P}_{x+y}\left(k\right),$

其中 $P_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i+j|＝k，k＝2，3，…，2N_g；

9).方差：

$f_9=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-m)}^{2}P(i,j,\mathrm{\θ},d),$ 其中m是灰度共生矩阵P(i，j，θ，d)所有元素的均值；

10).差平均：

$f_{10}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k{P}_{x-y}\left(k\right),$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；

11).惯性：

$f_{11}=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^{2}P(i,j,\mathrm{\θ},d);$

12).差方差：

$f_{12}=\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}{[k-\underset{k=0}{\overset{N_g-1}{\mathrm{\Σ}}}k{P}_{x-y}\left(k\right)]}^2\×P_{x-y}\left(k\right),$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1；

13).熵差：

$f_{13}=-\underset{k=0}{\overset{N_g}{\mathrm{\Σ}}}{P}_{x-y}\left(k\right)\left[{\log }_2\left(P_{x-y}\left(k\right)\right)\right],$

其中 $P_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}P(i,j,\mathrm{\θ},d),$ 且|i-j|＝k，k＝0，1，…，N_g-1。

6.根据权利要求2所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是步骤(2)中获取15维灰度梯度共生纹理特征过程为：对图像f求取梯度图像g，其中图像f大小为N_x×N_y，图像f的最高灰度级为N，灰度范围为[0，N-1]，则有其中g_x和g_y分别为边缘检测算子，对图像f在水平方向和竖直方向上计算得到梯度图像g，对灰度图像f和梯度图像g分别进行归一化处理，对应得到图像F和图像G，并且使得归一化后的图像G灰度分布范围为[0，N_g-1]，图像F的灰度分布范围为[0，N_f-1]，计算公式如下：

F＝[f×(N_f-1)/f_max]+1，G＝[g×(N_g-1)/g_max]+1，

其中f_max是灰度图像f中的灰度最大值，g_max是梯度图像g的灰度最大值；

对图像f中任一像素点(x，y)，归一化处理后的灰度值F(x，y)为i，且归一化后的梯度值G(x，y)为j，得到灰度梯度共生矩阵中坐标为(i，j)的元素，记为h(i，j)，

h(i，j)＝#{(x，y)|F(x，y)＝i，G(x，y)＝j}

其中#{X}是集合X中的所有元素的个数；对h(i，j)进行归一化处理，得到

H(i，j)＝h(i，j)/(N_g×N_f)

其中，i＝1，2，…，N_f，j＝1，2，…，N_g，根据灰度梯度共生矩阵提取15维纹理特征，分别为小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均值、梯度平均值、灰度标准差、梯度标准差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。

7.根据权利要求6所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是所述15维灰度梯度共生纹理特征的公式为，

1).小梯度优势：

$t_1=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{h(i,j)}{j^2}\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

2).大梯度优势：

$t_2=\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{j}^{2}h(i,j)\right]/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

3).灰度分布的不均匀性：

$t_3=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

4).梯度分布的不均匀性：

$t_4=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}h(i,j)\right]}^2/h,$ 其中 $h=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}h(i,j);$

5).能量：

$t_5=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{\left[H(i,j)\right]}^2;$

6).灰度平均值：

$t_6=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}i\left[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\right];$

7).梯度平均值：

$t_7=\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}j\left[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\right];$

8).灰度标准差：

$t_8={\left\{\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{(i-t_6)}^2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$

9).梯度标准差：

$t_9={\left\{\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(j-t_7)}^2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\}}^{1/2};$

10).相关性：

$t_{10}=\frac{1}{t_8{t}_9}\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}(i-t_6)(j-t_7)H(i,j);$

11).灰度熵：

$t_{11}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\left\{\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left]\right\};$

12).梯度：

$t_{12}=-\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\left\{\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]{\log }_2\right[\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}H(i,j)\left]\right\};$

13).混合熵：

$t_{13}=-\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}H(i,j)\left[{\log }_{2}H(i,j)\right];$

14).差分矩：

$t_{14}=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{(i-j)}^{2}H(i,j);$

15).逆差矩：

$t_{15}=\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}\frac{1}{1+{(i-j)}^2}H(i,j).$

8.根据权利要求2所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是步骤(3)中建立诊断模型的过程为：从数据库内选取n个病变甲状腺纹理特征数据样本作为训练样本集，用训练样本集对分类器进行训练，其中n为正整数，且为整个样本集的1/2至3/4个数，并将除n各训练样本外的剩余样本作为验证样本集，使用训练后分类器对验证样本集进行分类，获得验证样本集的良恶性鉴别争端准确率，然后再另外选取n个样本重复上述步骤，多次操作，最后选取得到最大诊断准确率维目标建立诊断模型。

9.根据权利要求2或8所述的一种甲状腺CT图像计算机辅助诊断方法，其特征是从数据库内选取病变甲状腺纹理特征数据样本，分为训练样本集合验证样本集，使用支持向量机分类方法，使用训练样本集对分类器进行训练，并用留一交叉检验的方法评估训练后的支持向量机的泛化能力。