CN104616307B - 一种肺部ct图像粘连血管型结节检测方法 - Google Patents
一种肺部ct图像粘连血管型结节检测方法 Download PDFInfo
- Publication number
- CN104616307B CN104616307B CN201510075108.1A CN201510075108A CN104616307B CN 104616307 B CN104616307 B CN 104616307B CN 201510075108 A CN201510075108 A CN 201510075108A CN 104616307 B CN104616307 B CN 104616307B
- Authority
- CN
- China
- Prior art keywords
- area
- region
- nodules
- nodule
- circular
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
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
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:
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:
式(11)中,Eshape(φ)为能量约束项,Eshape(φ)=∫Ω(φ-φB)2dxdy;φ为演化曲线C的水平集函数,φB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;
ECV(C,u1,u2)为不带圆形约束的CV模型的能量函数,ECV(C,u1,u2)的表达式为:
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 E5800@3.20GHz,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Ecircle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:
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Ecircle:
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:
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:
由上面几个式子可知,能量函数ECV(C,u1,u2)用水平集函数表达,形式为:
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:
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Eshape(φ)定义为:
Eshape(φ)=∫Ω(φ-φB)2dxdy (10)
其中,φ表示演化曲线C的水平集函数,φB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:
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:
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 (1)
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;灰度级阈值为20;
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;目标区域中每一像素点的符号距离的不同,在图像中则表现为明暗的不同,中间点的符号距离比边缘点的符号距离大,在图像中则表现为中间点比边缘点明亮;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,同时也获得了候选结节的边界轮廓;所述候选结节为孤立结节、粘连血管型结节或假阳性结节;
在计算Hessian矩阵之前,对目标区域进行高斯平滑滤波处理,选择与圆形结构尺度相匹配的高斯尺度参数σ;针对直径在3~10mm范围内的结节,σ的取值在0.75~2.5mm之间;采用若干个σ取值对应的滤波值,并取其中最高输出值作为滤波结果;对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H,表达式为:
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfenced open = "|" close = "|">
<mtable>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>f</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>f</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
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Ecircle:
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>c</mi>
<mi>i</mi>
<mi>r</mi>
<mi>c</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
设定一滤波阈值,采用公式(2)中圆形增强滤波器对非0值目标区域进行圆形增强处理,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;
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:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mi>F</mi>
</mrow>
</munder>
<msub>
<mi>min</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>K</mi>
<mo>/</mo>
<mi>F</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>/</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
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;ε为150个像素;
步骤d中带有圆形约束的CV模型的能量函数为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>C</mi>
<mi>V</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&beta;E</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>a</mi>
<mi>p</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>H</mi>
<mo>(</mo>
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>&beta;</mi>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>-</mo>
<msub>
<mi>&phi;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式(11)中,Eshape(φ)为能量约束项,Eshape(φ)=∫Ω(φ-φB)2dxdy;φ为演化曲线C的水平集函数,φB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;β为0.02~0.2;
ECV(C,u1,u2)为不带圆形约束的CV模型的能量函数,ECV(C,u1,u2)的表达式为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>C</mi>
<mi>V</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<msup>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>H</mi>
<mo>(</mo>
<mrow>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<mi>&mu;</mi>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<msub>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</msub>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075108.1A CN104616307B (zh) | 2015-02-12 | 2015-02-12 | 一种肺部ct图像粘连血管型结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075108.1A CN104616307B (zh) | 2015-02-12 | 2015-02-12 | 一种肺部ct图像粘连血管型结节检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616307A CN104616307A (zh) | 2015-05-13 |
CN104616307B true CN104616307B (zh) | 2018-05-08 |
Family
ID=53150740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510075108.1A Expired - Fee Related CN104616307B (zh) | 2015-02-12 | 2015-02-12 | 一种肺部ct图像粘连血管型结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616307B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574871A (zh) * | 2015-12-16 | 2016-05-11 | 深圳市智影医疗科技有限公司 | 在放射图像中检测肺部局部性病变的分割分类方法和系统 |
CN105741299B (zh) * | 2016-02-02 | 2018-06-29 | 河北大学 | 一种冠状动脉ct血管造影图像分割方法 |
CN107767381B (zh) * | 2016-08-17 | 2021-06-01 | 东芝医疗系统株式会社 | 图像处理装置及图像处理方法 |
CN108537817B (zh) * | 2017-03-02 | 2021-06-22 | 哈尔滨工业大学 | 基于多尺度球状增强滤波器和水平集算法的运动估计方法 |
CN107292890A (zh) * | 2017-06-19 | 2017-10-24 | 北京理工大学 | 一种医学图像分割方法和装置 |
CN108109159B (zh) * | 2017-12-21 | 2020-07-28 | 东北大学 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 |
CN108492300B (zh) * | 2018-03-16 | 2021-07-13 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
CN108537802A (zh) * | 2018-03-30 | 2018-09-14 | 北京灵医灵科技有限公司 | 一种血管分割方法及装置 |
CN109410170B (zh) * | 2018-09-14 | 2022-09-02 | 东软医疗系统股份有限公司 | 图像数据处理方法、装置及设备 |
CN112767411B (zh) * | 2020-12-31 | 2024-08-06 | 罗雄彪 | 一种肺部多器官同步分割方法 |
CN112686898B (zh) * | 2021-03-15 | 2021-08-13 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN114187252B (zh) * | 2021-12-03 | 2022-09-20 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
-
2015
- 2015-02-12 CN CN201510075108.1A patent/CN104616307B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
Non-Patent Citations (1)
Title |
---|
《CT图像肺结节计算机辅助检测和三维可视化技术的研究》;王茜;《中国优秀硕士学位论文全文数据库信息科技辑》;20150115(第1期);第I140-650页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104616307A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616307B (zh) | 一种肺部ct图像粘连血管型结节检测方法 | |
Kasinathan et al. | Automated 3-D lung tumor detection and classification by an active contour model and CNN classifier | |
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
US10004471B2 (en) | Decision support for disease characterization and treatment response with disease and peri-disease radiomics | |
Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
Rossi et al. | Combination of low level processing and active contour techniques for semi-automated volumetric lung lesion segmentation from thoracic CT images | |
Goo | A computer-aided diagnosis for evaluating lung nodules on chest CT: the current status and perspective | |
Abd-Elaziz et al. | Liver tumors segmentation from abdominal CT images using region growing and morphological processing | |
CN101763644B (zh) | 肺结节三维分割与特征提取方法及系统 | |
Hammouda et al. | A multiparametric MRI-based CAD system for accurate diagnosis of bladder cancer staging | |
CN106056596B (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
Wang et al. | Fully automated segmentation of the pectoralis muscle boundary in breast MR images | |
Foruzan et al. | A knowledge-based technique for liver segmentation in CT data | |
Zhou et al. | Systematic and comprehensive automated ventricle segmentation on ventricle images of the elderly patients: a retrospective study | |
Singhal et al. | Automated assessment of endometrium from transvaginal ultrasound using deep learned snake | |
Jeong et al. | Dilated saliency u-net for white matter hyperintensities segmentation using irregularity age map | |
Jamil et al. | Adaptive thresholding technique for segmentation and juxtapleural nodules inclusion in lung segments | |
CN108961214A (zh) | 基于改进的连续型最大流算法的脑肿瘤mri三维分割方法 | |
CN110533667B (zh) | 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法 | |
JP2023501282A (ja) | 非侵襲的放射線イメージングからの肝疾患の重症度の自動的分類 | |
Kayalvizhi et al. | Minkowski functionals based brain to ventricle index for analysis of AD progression in MR images | |
Karwoski et al. | Processing of CT images for analysis of diffuse lung disease in the lung tissue research consortium | |
Lee et al. | Tumor segmentation from small animal PET using region growing based on gradient magnitude | |
Devaki et al. | A novel approach to detect fissures in lung CT images using marker-based watershed transformation | |
Hanuman et al. | Brain tumor segmentation and volume estimation from T1-contrasted and T2 MRIs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180508 Termination date: 20220212 |