CN104616307A - 一种肺部ct图像粘连血管型结节检测方法 - Google Patents

Abstract

本发明提供了一种肺部CT图像粘连血管型结节检测方法。本发明首先从肺部CT图像的肺实质中去除灰度值较低的背景区域，获得高灰度级的目标区域；之后计算符号距离；接着通过形状增强滤波获得候选结节，再利用形状约束的CV模型分割含有候选结节的目标区域，得到分割区域，最后对分割区域周边的形状特征进行分析，即可识别出真正的结节和假阳性结节，从而识别出粘连血管型结节。本发明提供了一种计算机辅助影像诊断的方法，可以帮助医生消除由于主观经验、观察能力等主观因素的不同所导致的诊断差异，并提供出准确率较高的参考识别诊断结果，从而使影像识别更加客观化，提高了识别的效率和正确率。

Description

一种肺部CT图像粘连血管型结节检测方法

技术领域

本发明涉及一种肺结节检测方法，具体地说是一种肺部CT图像粘连血管型结节检测方法。

背景技术

肺癌是目前世界上人类因恶性肿瘤而死亡的主要肿瘤之一。根据我国卫生肿瘤防治办公室提供的资料显示，2000至2005年间，中国肺癌的发病人数估计增加12万人。随着现代科技的发展，虽然肺癌的各种治疗手段都有了很大的进步，但肺癌的五年内存活率只有13.9％。这其中的主要原因是肺癌初期病人没有过多的不适症状，而当病人出现突然的身体消瘦、低烧、咳嗽，甚至咳血及胸部疼痛的症状后，一般来说肺部肿瘤已达到晚期，治愈效果极差。ELCAP(Early Lung Cancer Action Project，早期肺癌研究项目)研究结果表明肺癌的早期诊断和治疗对提高治愈率和预后效果起着至关重要的作用。因此，“早诊断，早发现，早治疗”是降低肺癌死亡率的重要措施。

肺癌早期的影像学检查手段主要包括胸部X线片、计算机断层扫描(CT，ComputedTomography)和磁共振成像(MRI，Magnetic Resonance Imaging)。其中对各种肺部病变组织都具有良好的密度分辨能力的CT图像成为肺癌早期筛查最好的影像学方式。肺结节通常被定义为肺实质内直径不大于3cm的圆形或类圆形组织，在医学影像中主要表现为类圆形的致密区。放射科医生在利用CT图像(或称影像)对肺部疾病进行诊断时，往往带有主观性，而且肺部组织结构比较复杂，肺结节本身大小不一，形状与血管切面相近，仅凭肉眼的观察易造成误诊或漏诊。针对肺部疾病的诊断，越来越广泛的应用计算机辅助诊断系统(Computer-Aided Detection，CAD)，CAD系统被称为放射科医生的“第二双眼睛”，它可以帮助医生在进行大数据量肺部CT影像分析时，提前筛选出正常图像，标记疑似影像，降低医生劳动强度的同时，起到辅助的分析和诊断功能，提高医生的工作效率和诊断率，使得医学影像的诊断更趋于客观准确。

采用CAD系统检测肺结节时，粘连血管型结节因其特殊的性质而不易被分割检测。粘连血管型结节是指与肺内血管粘连在一起的实体型结节，其密度和血管密度相近，呈球形或类球形。粘连血管型结节是目前肺结节计算机辅助检测的难点，其中，关键是如何从候选结节中区分出什么是真正的粘连血管型结节，什么是假阳性血管分叉部分。

发明内容

本发明的目的就是提供一种肺部CT图像粘连血管型结节检测方法，以解决现有技术难以对真正的粘连血管型结节和假阳性血管分叉部分进行区分的问题。

本发明是这样实现的：一种肺部CT图像粘连血管型结节检测方法，包括如下步骤：

a、获取目标区域：采用区域增长方法，从肺部CT图像的肺实质中去除灰度值小于灰度级阈值的背景区域，得到目标区域；

b、计算符号距离：将目标区域的符号记作1，将背景区域的符号记作0；计算肺实质中每一像素点到该像素点所在区域边界的最短距离，再乘以该像素点所在区域的符号，得到该像素点的符号距离；目标区域内每一像素点的符号距离为非0值，即目标区域为非0值区域；背景区域内每一像素点的符号距离为0值，即背景区域为0值区域；

c、通过形状增强滤波获得候选结节：使用基于Hessian矩阵特征值的圆形增强滤波器，对非0值目标区域进行圆形增强处理，获得候选结节；所述候选结节为孤立结节、粘连血管型结节或假阳性结节；

d、用形状约束的CV模型分割含有候选结节的目标区域：使候选结节的边界轮廓作为CV模型的初始轮廓和圆形约束形状，用带有圆形约束的CV模型对目标区域进行有约束的分割，得到包含候选结节的分割区域；

e、对分割区域周边的形状特征进行分析：计算每个分割区域所粘连的管状血管的数量；当分割区域所粘连的管状血管的数量为0时，分割区域内的候选结节为孤立结节；当分割区域所粘连的管状血管的数量为1时，分割区域内的候选结节为粘连血管型结节；当分割区域所粘连的管状血管的数量大于1时，分割区域内的候选结节为假阳性结节。

步骤e中计算每个分割区域所粘连的管状血管的数量，具体为：

将分割区域记作K，将与分割区域K所粘连的区域记作F，将区域K和F的连接部位记作K/F；

判断区域F是否为管状血管，若是，则使分割区域K所粘连的管状血管的数量加1，若否，则忽略不计；直至与分割区域K所粘连的所有区域均判断完毕。

判断区域F是否为管状血管，具体判断过程为：

根据下面公式计算区域F的应力：

$L\left(F\right)=\frac{\underset{x\∈F}{\mathrm{\Σ}}{\min }_{y\∈K/F}\left|\right|x-y\left|\right|}{A(K/F)}---\left(13\right)$

式(13)中，运算符号||·||为像素单元的L2范数，A(K/F)为区域K和F连接部位K/F的面积；

判断L(F)与应力阈值ε的大小，若L(F)＞ε，则区域F为管状血管；若L(F)≤ε，则区域F不是管状血管。

步骤d中带有圆形约束的CV模型的能量函数为：

$\begin{array}{c}E({C,u}_1,u_2)=E_{\mathrm{CV}}(C,u_1,u_2)+{\mathrm{\βE}}_{\mathrm{shape}}\left(\mathrm{\φ}\right)\\ ={\mathrm{\λ}}_1{\∫}_{\mathrm{\Ω}}{|u_0(x,y)-u_1|}^{2}H\left(\mathrm{\φ}(x,y)\right)\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{\mathrm{\Ω}}{|u_0(x,y)-u_2|}^2(1-H\left(\mathrm{\φ}(x,y)\right))\mathrm{dxdy}\\ +\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}(x,y)\right){|\▿\mathrm{\φ}|}^2\mathrm{dxdy}+v{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}(x,y)\right)\mathrm{dxdy}+{\mathrm{\β}\∫}_{\mathrm{\Ω}}{(\mathrm{\φ}-{\mathrm{\φ}}_B)}^2\mathrm{dxdy}\end{array}---\left(11\right)$

式(11)中，E_shape(φ)为能量约束项，E_shape(φ)＝∫_Ω(φ-φ_B)²dxdy；φ为演化曲线C的水平集函数，φ_B为圆形约束形状的水平集函数；β是正参数，用于调节圆形约束形状对曲线演化影响的大小；

E_CV(C,u₁,u₂)为不带圆形约束的CV模型的能量函数，E_CV(C,u₁,u₂)的表达式为：

$\begin{array}{c}{E}_{\mathrm{CV}}(C,u_1,u_2)={\mathrm{\λ}}_1{\∫}_{\mathrm{\Ω}}{|u_0(x,y)-u_1|}^{2}H\left(\mathrm{\φ}(x,y)\right)\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{\mathrm{\Ω}}{|u_0(x,y)-u_2|}^2(1-H\left(\mathrm{\φ}(x,y)\right))\mathrm{dxdy}\\ +\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}(x,y)\right){|\▿\mathrm{\φ}|}^2\mathrm{dxdy}+v{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}(x,y)\right)\mathrm{dxdy}\end{array}---\left(8\right)$

式(8)中，C为演化曲线，演化曲线C将图像Ω分为成两部分，u₁为演化曲线C内的平均灰度值，u₂为演化曲线C外的平均灰度值，u₀为图像Ω的灰度值，μ≥0，ν≥0，λ₁>0，λ₂>0，μ、ν、λ₁和λ₂为权重系数。

本发明是在从肺部CT图像中分割出肺实质的基础上进行的，首先通过区域增长方法去除灰度值较低的背景区域，获得高灰度级的目标区域；之后计算符号距离，目标区域为非0值区域，背景区域为0值区域；接着通过形状增强滤波获得候选结节，再利用形状约束的CV模型分割含有候选结节的目标区域，得到包含候选结节的分割区域，最后对分割区域周边的形状特征进行分析，当分割区域粘连的管状血管的数量为0时，候选结节为孤立结节；当分割区域粘连的管状血管的数量为1时，候选结节为粘连血管型结节；当分割区域粘连的管状血管的数量大于1时，候选结节为假阳性结节；即可判定出候选结节为真正的结节(包括孤立结节和粘连血管型结节)，还是假阳性结节(即由粗血管或血管分叉引起的假阳性结节)，从而识别出粘连血管型结节。

本发明提供了一种计算机辅助影像诊断的方法，可以帮助医生消除由于主观经验、观察能力等主观因素的不同所导致的诊断差异，并提供出准确率较高的参考识别诊断结果，从而使影像识别更加客观化，提高了识别的效率和正确率。

附图说明

图1是本发明的方法流程示意图。

图2是从肺部CT图像中分割出来的肺实质的示意图。

图3是从图2肺实质中提取到的高灰度级的目标区域示意图。

图4是计算图3目标区域中每一像素点的符号距离后而得到的示意图。

图5是通过圆形增强滤波器对图4中的目标区域进行圆形增强处理后的示意图。

图6是用形状约束的CV模型对图5中左侧三角形目标区域进行分割后的分割结果示意图。

图7是用形状约束的CV模型对图5中右侧三角形目标区域进行分割后的分割结果示意图。

图8是分割区域K粘连在区域F末端情形时区域F所受应力的测量模型示意图。

图9是分割区域K粘连在区域F侧面情形时区域F所受应力的测量模型示意图。

图10是分割区域K粘连在多个区域F交叉位置处时区域F所受应力的测量模型示意图。

具体实施方式

本发明实施例所用计算机的软硬件条件是：Dual-Core CPU E58003.20GHz，显卡为NVIDIA GeForce GT 430，内存2.0GB，操作系统为Window 2007，软件编程语言使用C++。

如图1所示，本发明包括如下步骤：

步骤S1，获取目标区域。

本步骤是在从肺部CT图像中分割出肺实质的基础上进行的。参见图2，图2即是从肺部CT图像中分割出来的肺实质原图。

本步骤采用区域增长方法，从背景区域中选取种子点，通过去除肺实质中低灰度级背景区域来获取高灰度级目标区域。背景区域像素的灰度值通常很低，与0值接近。通过分析图2中肺实质的直方图，区域增长的灰度级阈值选择为20有较好的分割效果，既可以去掉背景区域，又不会漏掉具有较低灰度值的毛玻璃型结节，特别是，可以使灰度不均匀的毛玻璃型结节集中到一个团状区域，而不是分散成多个碎片，最终提取到的目标区域如图3所示。

步骤S2，计算符号距离。

将目标区域的符号记作1，将背景区域的符号记作0。计算肺实质中每一像素点到该像素点所在区域边界的最短距离，再乘以该像素点所在区域的符号，得到该像素点的符号距离。目标区域内每一像素点的符号距离为非0值，即目标区域为非0值区域。见图4，目标区域中每一像素点的符号距离的不同，在图4中则表现为明暗的不同，中间点的符号距离较大，表现为比较明亮，边缘点的符号距离较小，表现为较暗。由于背景区域的符号为0，因此背景区域内每一像素点的符号距离为0值，即背景区域为0值区域。

本步骤通过计算符号距离，以获得目标区域内每一像素点的符号距离，为后续准确检测粘连血管型结节打下基础。

步骤S3，通过形状增强滤波获得候选结节。

本步骤中使用带有高斯核的Hessian矩阵特征值增强的滤波器，对非0值目标区域进行圆形增强处理。即通过Hessian矩阵对应的特征值，构建对圆形具有强烈响应的选择性增强滤波器E_circle来识别肺实质中的实体结节(一般为类圆形结构)，同时抑制其他形状，如抑制类似长条形状的血管。

在计算Hessian矩阵之前，需要对目标区域进行高斯平滑滤波处理，只有选择与圆形结构尺度相匹配的高斯尺度参数σ，才能使其滤波后的输出响应最强。针对直径在3～10mm范围内的结节，实验结果显示，σ的取值为结节直径的四分之一可获得良好的形状滤波效果，因此，使σ的取值在0.75～2.5mm之间。本实施例中CT图像像素空间距离为0.75mm左右，所以采用σ取值分别对应1个像素、1.75个像素、2个像素、2.75个像素和3个像素的五个滤波值，并取其中最高输出值作为滤波结果。高斯平滑滤波后的图像计算其Hessian矩阵。

Hessian矩阵是以图像的二阶导数为对角线的对称矩阵，表达式为：

$H=\left|\begin{array}{cc}{f}_{\mathrm{xx}}& f_{\mathrm{xy}}\\ f_{\mathrm{yx}}& f_{\mathrm{yy}}\end{array}\right|---\left(1\right)$

令矩阵H的两个特征值为λ₁和λ₂，且|λ₁|≥|λ₂|。特征值代表与该像素点所在局部区域形状逼近的椭圆形结构的两个轴长，所以λ₁＝λ₂<0时，该点为圆形结构上的像素；因此，构造圆形增强滤波器E_circle：

$E_{\mathrm{circle}}=\left\{\begin{array}{cc}{\left|{\mathrm{\&lambda;}}_2\right|}^2/\left|{\mathrm{\&lambda;}}_1\right|,& \left|{\mathrm{\&lambda;}}_1\right|>0,\left|{\mathrm{\&lambda;}}_2\right|>0\\ 0,& \mathrm{other}\end{array}\right.---\left(2\right)$

设定一个滤波阈值，采用公式(2)中圆形增强滤波器对图4中的非0值目标区域进行圆形增强处理，增强处理后的示意图如图5所示。由图5可知，增强处理后，得到若干圆形的或类圆形的候选结节。这些候选结节可能是孤立结节、粘连血管型结节，或者是由血管分叉部分或粗血管内部结构形成的假阳性结节。

步骤S4，用形状约束的CV模型分割含有候选结节的目标区域，得到分割区域。

曲线演化理论是解决图像分割问题的一种有效方法，它利用闭合曲线或曲面在给定的能量函数作用下有规律地运动，并逐渐逼近目标的轮廓边缘，最终达到分割图像的目的。Chen和Vese提出的水平集演化模型(即CV模型)不依赖于图像的梯度信息，而仅仅与图像的灰度分布相关，具有初始轮廓选取灵活，自动检测目标内部轮廓等优点，在医学图像分割领域得到广泛应用。但由于粘连血管型结节与血管之间没有明显的边界，纹理特征也不突出，结构又复杂，用CV模型分割效果也不理想。针对此问题，本发明提出了一种有效的解决方法：即针对待分割目标，利用目标的先验知识，在先验知识的指导下，对图像目标进行分割。先验知识的介入，使得边界模糊不清、无明显边界的目标分割成为可能，特定目标的分割也获得较高的准确性。粘连血管型结节分割可以利用的先验知识有两个，一是结节在图像中呈现类似圆形影像，二是每个圆形轮廓和模型的初始轮廓位置已经在步骤S3中自动获得。因此，此步骤中将圆形形状约束条件加入到CV模型中，以对含有候选结节的目标区域进行分割。

不带圆形约束的CV模型的数据项能量函数为：

$\begin{array}{c}{E}_{\mathrm{CV}}(C,u_1,u_2)={\mathrm{\&lambda;}}_1\underset{\mathrm{inside}\left(C\right)}{\&Integral;}{|u_0(x,y)-u_1|}^2\mathrm{dxdy}+{\mathrm{\&lambda;}}_2\underset{\mathrm{outside}\left(C\right)}{\&Integral;}{|u_0(x,y)-u_2|}^2\mathrm{dxdy}\\ +\mathrm{\&mu;Length}\left(C\right)+\mathrm{vArea}\left(C\right)\end{array}---\left(3\right)$

式(3)中，曲线C为演化曲线(C任意可变，且C为闭合曲线)，曲线C将图像Ω分成两部分，即曲线C内区域inside(C)和曲线外区域outside(C)，u₀为图像Ω的灰度值，u₁为曲线C内的平均灰度值，u₂为曲线C外的平均灰度值。Length(C)是闭合曲线C的长度，Area(C)是曲线C的内部区域面积。μ≥0，ν≥0，λ₁>0，λ₂>0，μ、ν、λ₁和λ₂为权重系数，一般取ν＝0,λ₁＝λ₂＝1，以便于计算。

为了引入水平集函数φ(t,x,y)，通常将Heaviside函数和Dirac函数引入，如下：

$H\left(z\right)=\frac{1}{2}(1+\frac{2}{\mathrm{\&pi;}}\arctan \left(\frac{z}{\mathrm{\&epsiv;}}\right))---\left(4\right)$

$\mathrm{\&delta;}\left(z\right)=\frac{d}{\mathrm{dx}}H\left(z\right)---\left(5\right)$

$\mathrm{Length}(\mathrm{\&phi;}=0)={\&Integral;}_{\mathrm{\&Omega;}}\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)|\&dtri;\left(\mathrm{\&phi;}\right)\mathrm{dxdy}|---\left(6\right)$

$\mathrm{Area}(\mathrm{\&phi;}\&GreaterEqual;0)={\&Integral;}_{\mathrm{\&Omega;}}|\&dtri;\left(\mathrm{\&phi;}\right)\mathrm{dxdy}|---\left(7\right)$

由上面几个式子可知，能量函数E_CV(C,u₁,u₂)用水平集函数表达，形式为：

$\begin{array}{c}{E}_{\mathrm{CV}}(C,u_1,u_2)={\mathrm{\&lambda;}}_1{\&Integral;}_{\mathrm{\&Omega;}}{|u_0(x,y)-u_1|}^{2}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&lambda;}}_2{\&Integral;}_{\mathrm{\&Omega;}}{|u_0(x,y)-u_2|}^2(1-H\left(\mathrm{\&phi;}(x,y)\right))\mathrm{dxdy}\\ +\mathrm{\&mu;}{\&Integral;}_{\mathrm{\&Omega;}}\mathrm{\&delta;}\left(\mathrm{\&phi;}(x,y)\right){|\&dtri;\mathrm{\&phi;}|}^2\mathrm{dxdy}+v{\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}\end{array}---\left(8\right)$

上述最小化问题可以通过求解能量函数对应的Euler-Lagrange(欧拉-拉格朗日)偏微分方程来实现，最后得到如下的水平集演化方程：

$\frac{\&PartialD;\mathrm{\&phi;}(t,x,y)}{\&PartialD;t}=\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)[\mathrm{\&mu;}\mathrm{div}\left(\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\right)-v-{\mathrm{\&lambda;}}_1{(u_0-u_1)}^2+{\mathrm{\&lambda;}}_2{(u_0-u_2)}^2]=0---\left(9\right)$

其中，φ(0,x,y)＝0为t＝0时刻的初始曲线。利用数值差分，得以求得每次迭代后的φ(n+1,x,y)作为当前时刻零水平集的近似解。

将圆形形状作为能量约束项添加到CV模型中，能量约束项E_shape(φ)定义为：

E_shape(φ)＝∫_Ω(φ-φ_B)²dxdy       (10)

其中，φ表示演化曲线C的水平集函数，φ_B表示圆形约束形状(即先验形状)的水平集函数。所以，带有圆形约束函数的CV模型的能量函数为：

$\begin{array}{c}E({C,u}_1,u_2)=E_{\mathrm{CV}}(C,u_1,u_2)+{\mathrm{\&beta;E}}_{\mathrm{shape}}\left(\mathrm{\&phi;}\right)\\ ={\mathrm{\&lambda;}}_1{\&Integral;}_{\mathrm{\&Omega;}}{|u_0(x,y)-u_1|}^{2}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&lambda;}}_2{\&Integral;}_{\mathrm{\&Omega;}}{|u_0(x,y)-u_2|}^2(1-H\left(\mathrm{\&phi;}(x,y)\right))\mathrm{dxdy}\\ +\mathrm{\&mu;}{\&Integral;}_{\mathrm{\&Omega;}}\mathrm{\&delta;}\left(\mathrm{\&phi;}(x,y)\right){|\&dtri;\mathrm{\&phi;}|}^2\mathrm{dxdy}+v{\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&beta;}\&Integral;}_{\mathrm{\&Omega;}}{(\mathrm{\&phi;}-{\mathrm{\&phi;}}_B)}^2\mathrm{dxdy}\end{array}---\left(11\right)$

式(11)中，β是正参数，用于调节先验形状对曲线演化影响的大小。如果β值太大，则分割后得到的分割区域有可能会成为预定义的约束形状(即候选结节的形状)；如果β太小，则分割后得到的分割区域有可能会在边缘较弱的地方溢出或者无法分割出ROI区域(即想要的区域)，因为形状驱动能量对表面演化的影响力太小。经过实际经验可得，当β为0.02～0.2时分割结果最好。约束形状和初始轮廓选择候选结节的边界轮廓。如图5所示，图5中左侧三角形目标区域中含有一个候选结节，右侧三角形目标区域中也含有一个候选结节；对图5中左侧三角形目标区域进行有约束的分割，得到的分割结果如图6所示，对图5中右侧三角形目标区域进行有约束的分割，得到的分割结果如图7所示。参见图6和图7，分割后得到的分割区域即是图中类圆形区域，该类圆形区域中包含了候选结节。

本步骤中通过形状约束的CV模型进行分割后得到的分割区域，即是候选结节通过扩张而形成的区域，候选结节的扩张不能太小也不能太大，扩张太小(对应β值太大)，则可能会使与候选结节相连的管状血管无法区分；扩张太大(对应β值太小)，则可能会使与候选结节相连的管状血管被割断，这些都会影响步骤S5中的分析判断结果，导致出现差错。

步骤S5，对分割区域周边的形状特征进行分析，得出检测结果。

将步骤S4中分割后所得到的分割区域标记为K。对分割区域K周边的形状特征进行分析，具体是，分析与分割区域K所粘连的是一些管状血管还是一些小的不规则的边界所形成的碎片，对于碎片可以忽略不计，而将与分割区域K所粘连的管状血管的数量进行统计，根据统计结果来判定分割区域K内的结节为真正的结节(孤立结节或粘连血管型结节)，还是假阳性结节(由粗血管或血管分叉引起的假阳性结节)，从而识别出粘连血管型结节。

假设S为与分割区域K所粘连的管状血管的集合，N(S)代表集合中管状血管的个数。这里，只考虑CT切片中显示的两种粘连情形，即：结节粘连在血管末端和结节粘连在血管侧面的情形。对于孤立结节和粘连血管型结节而言，其形状特征表现为：与结节粘连的血管分支数量不多于一个，因此，本发明中通过统计与分割区域K所粘连的管状血管的数量，来判断分割区域K所对应的结节为真正的结节，还是假阳性结节，具体判断公式如下：

式(12)表明，当与分割区域K所粘连的管状血管的数量为(即N(S))0时，分割区域K为孤立结节；当与分割区域K所粘连的管状血管的数量为1时，分割区域K为粘连血管型结节；当与分割区域K所粘连的管状血管的数量大于1时(即其他)，分割区域K为由粗血管或血管分叉引起的假阳性结节。

根据式(12)可知，图6中类圆形分割区域为血管分叉所形成的假阳性结节，图7中类圆形分割区域为粘连血管型结节，且结节粘连在血管末端。

由于与分割区域K所粘连的碎片对于结节的判断不起作用，所以将其忽略掉，只找出与分割区域K所粘连的管状血管，并计算他们的数量即可。因此，需要判断与分割区域K所粘连的区域F是否为管状血管。

本发明中给出一个判定管状结构的测量标准，即通过测量区域F的应力来判定区域F是否为管状结构，区域F的应力公式为：

$L\left(F\right)=\frac{\underset{x\&Element;F}{\mathrm{\&Sigma;}}{\min }_{y\&Element;K/F}\left|\right|x-y\left|\right|}{A(K/F)}---\left(13\right)$

式(13)中，运算符号||·||为像素单元的L2范数，“·”指代求L2范数的任意元素；A(K/F)为分割区域K和区域F的连接部位K/F的面积。区域F的应力是计算区域F中每个像素值到连接部位的距离，主要模拟的是连接部位的平均作用力。区域F的应力与连接部位面积成反比，如果区域F的应力越大，则说明K与F连接的部分越小；而与F中的每个点到连接处的距离之和成正比，说明如果区域F的应力越大，则此区域结构越狭长。因此，若F为管状结构(如血管)，则区域F的应力较大；而当区域F为分割区域K周围的碎片时，区域F的应力较小。因此，此处需定义一个区域F的应力阈值ε。如果L(F)≤ε，说明区域F为碎片结构；如果L(F)＞ε，说明区域F为类似血管的管状结构。实验中，可将ε设为150个像素。

参见图8～图10，图8是分割区域K粘连在区域F末端的情形，图9是分割区域K粘连在区域F侧面的情形，图10是分割区域K粘连多个区域F末端的情形。对图8中的区域F进行应力测量，可根据上面所述测量方法直接测得区域F的应力，进而来确定该区域F是否为管状血管。对于图9所示情形，可首先计算区域F中的最长直径d，然后将分割区域K移到区域F的最长直径所在直线的一端，变成图8所示情形，再计算区域F的应力。图10中，针对每一个区域F，均可按照图8所示情形，计算区域F的应力。

Claims (4)

1.一种肺部CT图像粘连血管型结节检测方法，其特征是，包括如下步骤：

a、获取目标区域：采用区域增长方法，从肺部CT图像的肺实质中去除灰度值小于灰度级阈值的背景区域，得到目标区域；

b、计算符号距离：将目标区域的符号记作1，将背景区域的符号记作0；计算肺实质中每一像素点到该像素点所在区域边界的最短距离，再乘以该像素点所在区域的符号，得到该像素点的符号距离；目标区域内每一像素点的符号距离为非0值，即目标区域为非0值区域；背景区域内每一像素点的符号距离为0值，即背景区域为0值区域；

c、通过形状增强滤波获得候选结节：使用基于Hessian矩阵特征值的圆形增强滤波器，对非0值目标区域进行圆形增强处理，获得候选结节；所述候选结节为孤立结节、粘连血管型结节或假阳性结节；

d、用形状约束的CV模型分割含有候选结节的目标区域：使候选结节的边界轮廓作为CV模型的初始轮廓和圆形约束形状，用带有圆形约束的CV模型对目标区域进行有约束的分割，得到包含候选结节的分割区域；

e、对分割区域周边的形状特征进行分析：计算每个分割区域所粘连的管状血管的数量；当分割区域所粘连的管状血管的数量为0时，分割区域内的候选结节为孤立结节；当分割区域所粘连的管状血管的数量为1时，分割区域内的候选结节为粘连血管型结节；当分割区域所粘连的管状血管的数量大于1时，分割区域内的候选结节为假阳性结节。

2.根据权利要求1所述的肺部CT图像粘连血管型结节检测方法，其特征是，步骤e中计算每个分割区域所粘连的管状血管的数量，具体为：

将分割区域记作K，将与分割区域K所粘连的区域记作F，将区域K和F的连接部位记作K/F；

判断区域F是否为管状血管，若是，则使分割区域K所粘连的管状血管的数量加1，若否，则忽略不计；直至与分割区域K所粘连的所有区域均判断完毕。

3.根据权利要求2所述的肺部CT图像粘连血管型结节检测方法，其特征是，判断区域F是否为管状血管，具体判断过程为：

根据下面公式计算区域F的应力：

$L\left(F\right)=\frac{\underset{x\&Element;F}{\mathrm{\&Sigma;}}{\min }_{y\&Element;K/F}\left|\right|x-y\left|\right|}{A(K/F)}---\left(13\right)$

式(13)中，运算符号||·||为像素单元的L2范数，A(K/F)为区域K和F连接部位K/F的面积；

判断L(F)与应力阈值ε的大小，若L(F)＞ε，则区域F为管状血管；若L(F)≤ε，则区域F不是管状血管。

4.根据权利要求1所述的肺部CT图像粘连血管型结节检测方法，其特征是，步骤d中带有圆形约束的CV模型的能量函数为：

$\begin{array}{c}E(C,u_1,u_2)=E_{\mathrm{CV}}(C,u_1,u_2)+{\mathrm{\&beta;E}}_{\mathrm{shape}}\left(\mathrm{\&phi;}\right)\\ ={\mathrm{\&lambda;}}_1{\&Integral;}_{\mathrm{\&Omega;}}|u_0(x,y)-u_1{|}^{2}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&lambda;}}_2{\&Integral;}_{\mathrm{\&Omega;}}|u_0(x,y)-u_2{|}^2(1-H\left(\mathrm{\&phi;}(x,y)\right))\mathrm{dxdy}\\ +{\mathrm{\&mu;}\&Integral;}_{\mathrm{\&Omega;}}\mathrm{\&delta;}\left(\mathrm{\&phi;}(x,y)\right){|\&dtri;\mathrm{\&phi;}|}^2\mathrm{dxdy}+{v\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&beta;}\&Integral;}_{\mathrm{\&Omega;}}{(\mathrm{\&phi;}-{\mathrm{\&phi;}}_B)}^2\mathrm{dxdy}\end{array}---\left(11\right)$

式(11)中，E_shape(φ)为能量约束项，E_shape(φ)＝∫_Ω(φ-φ_B)²dxdy；φ为演化曲线C的水平集函数，φ_B为圆形约束形状的水平集函数；β是正参数，用于调节圆形约束形状对曲线演化影响的大小；

E_CV(C,u₁,u₂)为不带圆形约束的CV模型的能量函数，E_CV(C,u₁,u₂)的表达式为：

$\begin{array}{c}{E}_{\mathrm{CV}}(C,u_1,u_2)={\mathrm{\&lambda;}}_1{\&Integral;}_{\mathrm{\&Omega;}}|u_0(x,y)-u_1{|}^{2}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}+{\mathrm{\&lambda;}}_2{\&Integral;}_{\mathrm{\&Omega;}}|u_0(x,y)-u_2{|}^2(1-H\left(\mathrm{\&phi;}(x,y)\right))\mathrm{dxdy}\\ +{\mathrm{\&mu;}\&Integral;}_{\mathrm{\&Omega;}}\mathrm{\&delta;}\left(\mathrm{\&phi;}(x,y)\right){|\&dtri;\mathrm{\&phi;}|}^2\mathrm{dxdy}+{v\&Integral;}_{\mathrm{\&Omega;}}H\left(\mathrm{\&phi;}(x,y)\right)\mathrm{dxdy}\end{array}---\left(8\right)$

式(8)中，C为演化曲线，演化曲线C将图像Ω分为成两部分，u₁为演化曲线C内的平均灰度值，u₂为演化曲线C外的平均灰度值，u₀为图像Ω的灰度值，μ≥0，ν≥0，λ₁>0，λ₂>0，μ、ν、λ₁和λ₂为权重系数。