CN105574871A - 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 - Google Patents

Abstract

分割方法和系统提高了异常病灶的检测准确度，如肺局部性病变，即在放射图像中使用基于区域的数字图像处理和深度学习人工智能。分割的方法和系统就是将肺部划分为不同的区域，以便提高检测的效率。不同的图像增强技术被用于每个不同的区域，以增强局部性病变图像显示，通过在不同的区域应用相应技术，筛选出可疑的异常，提取选择异常对应的图像特征，并对异常进行分类，无论是真或假异常。

Description

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

1.技术领域

本发明是关于一种自动处理数字放射图像的方法和系统，更具体地说，是一种在放射胸片中使用分区数字图像处理和深度学习人工智能技术来检测异常(如肺局部性病变)的方法和系统。

肺癌是发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一。近50年来许多国家都报道肺癌的发病率和死亡率均明显增高，男性肺癌发病率和死亡率均占所有恶性肿瘤的第一位，女性发病率占第二位，死亡率占第二位。成功检测早期癌症能提高加治愈率。通过X光胸片检测和诊断肺癌局部性病变是放射科医生最重要、最困难的任务之一。到目前为止，X线胸片诊断是检测早期、临床上隐匿期肺癌最重要的诊断方法。但是，胸片检测肺癌局部性病变的漏诊率还是相当的高。观测失误会导致错过这些病变，这些失误可能是由于目标局部性病变周围存在解剖背景干扰所致，或者是放射科医生的主观决策标准变化造成。另外读片失误还可以归咎于其它多种原因，比如缺乏临床数据、过于关注其它临床问题产生的异常等等。然而，再次回顾之前漏诊的胸片，大多数周围型肺癌都是可以被发现。因此，需要一种自动化方法和系统对放射图像进行数字图像处理，以提醒放射科医师重点关注高度怀疑异常区域(SAAs)的位置。

早期放射检测肺局部性病变可显著提高肺癌患者生存的机会。通常系统能够在X光胸片上定位被肋骨、支气管、血管和其他正常的解剖组织结构掩盖的局部性病变，将大大提高检测的效率。本发明的自动系统和方法将减少诊断的假阴性，从而实现高精度的检测早期肺癌。

3.发明内容

本发明是通过在放射胸片中应用分割方法检测异常(如，检测肺局部性病变)，它克服了之前提到的问题，解决了已有技术应用于图像切割时产生的问题。基于对胸廓的了解(即肺区的边界)，本发明将所述肺区按照相似图像特征分成不同的区域(包括含有异常局部性病变的解剖结构和正常的解剖结构)，通过利用不同的数字图像处理技术和基于每个区域不同的图像特性来训练深度学习分类，提高了真阳性，并克服了降低假阳性时所遇到的困难。肺区分割成不同的区域，如脊柱、锁骨、纵隔、周围型肺边缘、周围型肺中心和心脏区域。对于每个区域采用不同的图像处理技术，针对性的提高对象-背景的对比度，以筛选出高可疑区。

此外，本发明分别对每个区域进行特征提取、发展并训练神经网络，最终深度学习分类出哪些是高可疑区域，使得从放射图像中检测局部性病变真阳率得到最大化。将每个区域中潜在高可疑区域聚成簇，用来训练深度学习人工智能分类器。为了避免潜在的边界问题，该区域可能会相互重叠。本发明为每个区开发特定的域特征提取算法，并在区域内增强高可疑区的图像特征。然后使用每个特定区域内的高可疑区来训练该定区域的分类器。不同的区域分类器训练之后，在每个区域形成不同的敏感性和特异性。本发明采用SUB-A_z(读“SUB-A-SUB-Z”)验证不同分类器的分类性能。一些分类器将有很高的特异性(即，非常低的假阳性率)但敏感性相对较低，而有些分类器则会有很高的灵敏度。在本发明中可以实现在并行处理环境下进行，每个区域都可以独立处理。各个分类器根据自己的分类敏感度和特定表现输出分类结果，再经系统的组合单元处理，整合输出最终结果。

本发明的一个具体实施案例包括：并行处理系统，不同区域并行处理，组合单元对不同分类器的输出进行组合。其中不同的分类器用各自的高可疑区训练得到。

4.附图说明

为了更彻底理解本发明及其优点，现结合附图描述如下：

图1.图示根据本发明实施方案系统；

图2.是根据本发明实施案例示意图；

图3.是图像分区单元的示意图；

图4.是基于区域的图像增强单元的示意图；

图5.是一个疑似异常区域选择单元的的示意图；

图6.是一个基于区域的特征提取单元的示意图；

图7.是基于区域的分类单元的示意图；

图8.显示了使用的反向传播训练前馈深度学习分类器的系统架构；

图9.表示一个区域数据融合单元，将不同区域分类器中可疑分类评分进行组合；

图10.表示是一个并行处理引擎的架构，平行处理每个区

5.具体实施方式

参照图1的系统示意框图，将感兴趣的解剖区域的图像数据(例如，胸部)传入“图像输入单元20”。例如，一个视频摄像头，计算机X线摄影(CR)系统，数字化X线摄影(DR)系统，或胶片数字化仪可以提供这样的数据。在“图像输入单元20”中的数据被存储在“存储器单元30”中，用于稍后检索和使用，或发送到“图像处理单元40”。任何合适的存储单元设备，如磁带、计算机磁盘、磁光盘、光学激光存储等，都可以利用。在“图像处理单元40”中，应用本发明的方法来检测图像中的肺局部性病变。“图像处理单元40”由三个阶段组成，对应于本发明方法的三个主要步骤。随后，图像发送到“图像存储单元30”存储和/或“图像输出单元50”显示，如显示器，打印机，绘图仪，图表记录器等。

图2说明了本发明“图像处理单元40”的自动方法和系统的示意图。一旦图像数据从胸片图像中获取，该数据会被提交到“图像分区处理单元100”，随后进入基于区域的图像处理和分类方法的多个步骤(200，300，400，500)，以确定被怀疑异常区域。该部分系统包括又包括以下五个阶段。

在第一阶段，数字胸部图像95被“图像分区单元100”处理，产生“分区图像150”。数字胸部图像95在“分区图像150”中被分为肺区和非肺区。在“分区图像150”中的非肺部区域中的象素被丢弃，因此不用于进一步的处理。在“分区图像150”中的肺区被划分成多个重叠的区域，例如外围边缘，隔膜，锁骨，肺门，和外周中央区域。

在第二阶段，“基于区域图像增强单元200”，在不同区域中采用不同的图像增强技术，以产生“区域增强图像250”，从而在“分区图像150”中增强潜在局部性病变的信息。

第三阶段，在“基于区域疑似异常区域选择单元300”中，轮廓搜索和球体轮廓匹配过程在“区域增强图像250”中的每个单独的区域上被执行，以从“数字胸部图像95”中提取按区分组的“疑似异常区域350”图像块(例如，64X64像素)。每个图像块对应“区域增强图像250”中相应位置上的疑似异常区域。

在第四阶段，在“基于区域特征提取单元400”中，开发区域化的特征提取算法，并应用于提取“按区分组疑似异常区域350”的图像特征，在每个疑似异常区域中，产生“按区分组疑似特征450”。

在第五阶段，在“基于区域分类单元500”中，为每个区域开发不同的分类器，并用于“分类按区分组疑似特征450”。不同的分类器通过“按区域分组疑似特征450”来进行训练，对于每个疑似异常分区给出“疑似分类得分550”。通过SUB-A_z的方法对每个分类器进行训练和交叉验证，使分类器训练具有优异的特异性。

最后阶段，在“基于区域数据融合单元600”中，将“疑似分类分值550”和来自不同区域的疑似异常区域进行整合以确认最终“疑似异常区域650”。

各处理单元的更详细的描述如下：

图像分区单元100

图3为图2所示“图像处理单元40”中的“图像分区单元100”的一个实施案例。在图3中，ZN-x表示x区，其中x为I，II，III，IV，V或VI。

分区过程有三个主要步骤：(1)肺区的识别，(2)非遮蔽的肺区的识别，以及(3)非遮蔽的肺区的分割。非隐蔽肺区根据异常(如局部性病变)的几何分布和细微结构分为不同的区域。

使用超过500张包含不同细节、不同特征局部性病变(比如，真阳性)的胸片来确定区域划分，局部性病变的细节通过精确计算来确定，通过大量分析后作出以下判断：1)位于纵隔、脊椎和心脏方面的异常大多不易发现的，因为它们被心脏和脊椎遮挡。2)像肺上沟癌肿瘤这样的异常，因位于锁骨区域，与锁骨重叠而不易发现。3)靠近胸腔边界的异常不易发现，因为对比度很低且周围有胸腔边界的存在。4)面积太小(例如，直径小于10毫米)，而且对比度太低的异常局部性病变不易发现。5)面积较大(例如，直径30mm)、对比度较高的异常局部性病变就比较容易找到。6)与支气管和大血管重叠的异常不易发现。7)异常部分与隔膜(即位于隔膜边缘)重叠的也不易发现。除了对异常区域的细节结构进行分析之外，还对正常解剖结构的图像特征(即，假阳性)也进行了研究，并得出以下观点：(a)脊髓是脊柱区域的主要正常结构，血管是心脏区域的主要正常结构。(b)锁骨、肋骨和锁骨交叉，肋骨和肋骨交叉，是靠近锁骨区域主要的正常结构。(c)肋骨和肋骨交叉是靠近胸腔主要的肺部结构。(d)血管末梢和支气管是靠近肺门的主要肺部结构。(e)沿着隔膜及附近有较小的正常肺部结构。通过分析细节结构、位置和正常解剖肺结构的分布，肺区可划分为六个区域：1)I区–隐蔽肺区，2)II区-锁骨区，3)III区-外围边缘区，4)IV区-外围的中心区，5)V区-肺门区，及6)VI区-隔膜区。

在本发明中，不同的区域之间允许彼此重叠。图3.1表示用六个区(I，II，III，IV，V和VI)标识分区；每个区域被分配一个唯一的恒定灰度值。例如，I区是100，II区是200，III区是300，IV区是400，V区是500，而VI区是600。虚线表示不同区域边界的重叠区域。用于定位区域的方法描述如下：

1.隐蔽肺区域(区域I)是覆盖脊柱、心脏和纵膈的区域。为了识别隐蔽肺区(即脊柱，心脏和纵隔区域)，首先提取在胸部图像中的非隐蔽肺区。在反向传播的训练中，使用了超过100张图像训练移位不变深度学习人工智能。基于文中描述的边界平滑化方法，也能得到非隐蔽肺区，只需从肺部区域中去除隐蔽肺区就是非隐蔽肺区。在分区图像中，非隐蔽左肺区域中的所有像素被设定为32，在非隐蔽右肺区域中的所有像素被设置为64，而在隐蔽肺区域内的所有像素被设定为100。

2.锁骨区(区域II)是靠近锁骨或肩胛骨附近的区域。首先定位到非隐蔽左右肺区的顶部的位置，这可以通过垂直搜索分区图像中非隐蔽左(右)肺区中第一个象素值为32(64)的坐标来获得。锁骨区划定为从非隐蔽左(右)肺区的顶部延长到左(右)肺底部像素距离的五分之一(即，肺的底部和肺的顶部之间，像素距离的五分之一)。位于锁骨区域中的像素全部设置为200。

3.外围边缘区(区域Ⅲ)是靠近胸廓的区域，该区域通过对左右非隐蔽肺区独立应用侵蚀技术获得。沿着胸腔左右两侧的每个点(X,Y)的位置都是使用轮廓跟踪算法确定的(轮廓跟踪算法是用来跟踪区域边界的，其边缘的像素值大于一个阈值)。阀值32和64分别用于轮廓跟踪算法对左边和右边的非隐蔽肺区边缘位置的提取。当左右肺区的边缘位置被确定后，将使用一个矩形结构单元进行图像侵蚀的方法创建边缘区。这个矩形结构单元有宽度和高度，例如，可能分别为100和1。使用以胸廓点为中心的矩形结构单元进行侵蚀，将矩形结构单元扫过每个分区像素的像素值设为300。

4.外围中心区(区域IV)是位于外围边缘区和肺门区(下面将会介绍)之间的区域。外围中心区的获得是采用类似于创建区域Ⅲ使用过的侵蚀技术。在一个优选的案例中，使用了一个具有360像素宽度，另一个具有100像素宽度的双结构单元进行侵蚀。该案例中，两种结构单元采用同一个像素高度，使用双结构单元对左右肺区应用两次侵蚀技术。在每一个肺区，以每个胸廓上的点为中心的两矩形结构单元，会形成两个侵蚀区域。两个侵蚀区域的非重叠部分被定义为外围中心区。所有位于中心区里面的像素设置为定值400。

5.肺门区(区域V)是靠近心脏的区域，肺门区的获得是采用类似于创建区域IV时使用过的侵蚀技术，只是两个结构单元的宽度不同。一个结构单元像素宽度是560，另一个是360。以胸廓的点为中心使用双结构单元在左右肺区应用两次侵蚀技术，，形成两个侵蚀区域。非重叠的部分被定义为外围中心区。肺门区同样也可以通过以心脏边界和脊梁为中心使用侵蚀技术获得。该方法结构单元的像素宽度和高度像素可分别设为100，1。所有位于肺门区里面的像素设置为定值500。

6.隔膜区(区域VI)是沿着隔膜的区域(包括遮蔽区和非遮蔽区)。隔膜区通过在非遮蔽肺区的底部沿着隔膜位置使用侵蚀技术获得。图像侵蚀技术使用矩形结构单元(比如，像素宽度为1，像素高度为180)创建隔膜区，该方法通过以每个隔膜点为中心的矩形结构单元进行侵蚀，将位于矩形结构单元内的每个像素值更改为恒定的600。

基于区域的图像增强单元(200)

图4为图2“图像处理单元40”中的“基于区域图像增强单元200”的一个案例，在图4中，ZN-x表示区域x，EN-x表示用于区域x的增强算法，EZN-x表示增强的区域x,x是区域I,II,III,IV,V,或VI。

由于肺部解剖结构的复杂性，单一的图像增强或滤波技术可能对肺部的某些区域有效(提高局部性病变信号)，但是对其他区域无效。根据肺部每个区域异常的细节结构和特征，肺部区域划分的解剖和异常的具体方法需要进一步的设计和开发。在图像增强阶段，根据图像特征和异常的细节结构使用不同的图像增强方法对每个区域的背景对象进行增强。使用基于区域的解剖特异性图像增强方法可以有经验的使用现有的技术方法消除大量的假阳性并提高检测的精确度。该增强方法在每个区域的使用描述如下：

1.区域I——直方图均衡化用于增强遮蔽肺区的对比度(如区域I)。图像的直方图表示图像各种灰度出现的相对频率。低对比度区域，如遮蔽肺区，直方图比较窄。使用直方图均衡化方法来获得一个均匀的直方图的遮蔽肺区，从而提高遮蔽肺区的对比度。遮蔽肺区(v^*)的直方图均衡化有一下几个步骤：(a)通过统计像素灰度值x_i的出现次数，计算出隐蔽肺区灰度值为x_i的像素的个数的直方图h(x_i)。(b)计算灰度值为x_i的像素概率P_u(x_i):

$P_u\left(x\right)=\frac{h\left(x\right)}{{\Σ}_{i=0}^{L-1}h\left(x_i\right)},$ i＝0,1,…,L-1

(c)相同数量灰度值L的输出图像v^*，计算方法如下：

$v^{*}=Int\[\frac{(v-v_{min})}{1-v_{\min }}(L-1)+0.5$

$v=\underset{x_i=0}{\overset{u}{\Σ}}{P}_u\left(x_i\right)$

Int表示整数(舍位)函数，v_min是v的最小正值。

2.区域II——对于锁骨区，异常与背景之间的对比增强是通过以下几个步骤去除锁骨结构实现：

(a)通过用索贝尔行梯度边缘算法对肺部外围边缘区做空间卷积来增强锁骨和肋骨，索贝尔行梯度边缘算子被定义为:

$\frac{1}{4}\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

(b)用霍夫变换来检测和去掉锁骨和肋骨。霍夫变换用于检测增强的锁骨骨和锁骨区(由索贝尔行梯度边缘算子得到)的直线。所检测到的直线的区域用直线邻近像素的平均像素值替代。

3.区域III——肺部外围边缘区增强步骤如下：

(a)使用索贝尔列梯度边缘算子对肺部外围边缘区做空间卷积增强肋骨边缘。索贝尔列梯度边缘算子的定义:

$\frac{1}{4}\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$

(b)使用霍夫变换检测和删除肋骨边缘，霍夫变换被用于检测增强的肺部肋骨外围(由索贝尔行梯度边缘算子得到)边缘区域的直线。所检测到的直线由直线邻近像素的平均像素值所替代。

(c)使用图像减影技术，以提高异常区域与背景的对比度。图像减影方法从局部性病变增强图像(如直径9毫米球面轮廓的匹配滤波器)减去一个局部性病变抑制图像(如内核尺寸为9毫米的中值滤波器)。该方法是通过在过滤器(匹配或中值)和外围肺边缘区域的图像之间使用的二维空间图像卷积实现。在使用中值滤波器的空间卷积中，过滤窗的中心像素(即9毫米×9毫米的正方形)用窗中像素的中值替代。在使用匹配滤波器的空间卷积中，过滤窗中心像素(即9毫米×9毫米的正方形)是通过匹配滤波器与该区域内图像像素求卷积获得。

4.区域IV——外围中心区增强通过使用三次图像减影(三套中值和匹配滤波器)增强外围中央区异常区域和背景对比度得到。三组减影图像由中值和匹配滤波器产生。其中一组中值和匹配滤波器的参数分别为大小21毫米和球迷轮廓直径21毫米；另一组中值和匹配滤波器的分别为大小15毫米和直径15毫米；第三组中值和匹配滤波器的分别为大小7毫米和直径7毫米。

5.区域V——肺门区增强通过使用两次图像减影(两套中值和匹配滤波器)以增强肺门区异常区域与背景对比度得到。两组中值和匹配滤波器产生了两个减影图像，其中一组中值和匹配滤波器的参数分别为大小15毫米和直径15毫米，另外一组中值和匹配滤波器的分别为9毫米和9毫米。

6.区域VI——隔膜区是通过逆对比度映射技术增强的。该变换会在弱边缘(如地对比度)被增强的地方产生一张图像。这种变换由一下方程式定义：

$\mathrm{\μ}(m,n)=\frac{1}{N_w}\underset{(k,l)\∈W}{\Σ}\Σu(m-k,n-l)$

$\mathrm{\σ}(m,n)={\{\frac{1}{N_w}\underset{(k,l)\∈W}{\Σ}\Σ{\[u(m-k,n-l)-\mathrm{\μ}(m,n)\]}^2\}}^{1/2}$

u(m,n)表示在坐标d点(m,n)的像素值。μ(m,n)和σ(m,n)表示在窗口W测量的均值和标准差。输出图像v(m,n)由下列函数获得：

$v(m,n)=\frac{\mathrm{\μ}(m,n)}{\mathrm{\σ}(m,n)}$

基于区域的疑似选择单元(300)

图5是图2中的“图像处理单元40”的“基于区域疑似选择单元300”的一个案例。图5中SS-x表示被用于区域x中的可疑区域选择算法，SAA-x表示区域x的疑似异常区域，x为I,II,III,IV,V,或VI.

“基于区域疑似选择单元300”用于每个增强区域检测圆形或近圆形物体，这个处理阶段主要是基于灰度轮廓搜索和球面轮廓匹配技术。灰度值轮廓的搜索用于跟踪具有封闭边界区域的灰度值边缘。封闭区域由一个包括疑似异常区域大小(如64X64像素的图像块)的图像块轮廓搜索来检测。该图像块首先经过一个背景校正处理，通过一个二维二阶多项式函数拟合图像块。每个图像块采用背景校正程序处理。球面轮廓匹配技术用于计算可疑区域的背景校正图像块和和一组二维合成球面轮廓的匹配分数，这些球面轮廓具有各种直径，如9毫米，13毫米，17毫米，25毫米，21毫米和29毫米等。每个轮廓具有第三维度，表示归一化强度。球面轮廓是预先计算并存储在存储单元(图1中存储单元30)，匹配得分越高，可疑区域的概率越高。在每个区域检测可疑的异常区域的方法描述如下：

步骤1：在该区域搜索大于最高阀值的像素值。为了决定阈值，首先，在图2的“区域增强图像250”中，为每个区域产生积分分布函数(CDF)。对于每个区域的CDF，根据其对应的概率(通常情况下，CDF的值对应概率为95％，90％，85％等)选出十个不同的码值作为该区域的十个阀值。

步骤2：跟踪包含像素值大于阀值的区域边界。轮廓跟踪算法是用来跟踪边缘上的像素值大于阀值的区域边界。

步骤3：找到该区域质心的位置。

步骤4：计算该区域的面积和有效半径。位四边形法是用来计算该区域的体积、面积A₀和周长P₀。有效半径R_e是通过计算的。

步骤5：生成一个具有同等有效半径R_e的二维合成球面轮廓(或从存储器中检索).

步骤6：计算生成的球体轮廓和疑似异常区域之间的匹配得分。匹配得分(M)的计算：

$M=\frac{\mathrm{\Σ}A(x,y)S(x,y)}{{\[{\mathrm{\ΣA}}^2(x,y)\]}^{1/2}{\[{\mathrm{\ΣS}}^2(x,y)\]}^{1/2}}$

其中S(x,y)是合成局部性病变块，A(x,y)是减去了背景的图像块，它是由下式给出：

A(x,y)＝f′(x,y)-B

其中f′(x,y)图像块背景矫正，B是计算出来的背景值。

不同组的二维球面轮廓用于单独计算每个区域的匹配得分。例如，小直径为9毫米,13毫米,17毫米的球体轮廓被用于区域I，直径较大为21毫米,25毫米,29毫米的球体轮廓用于区域V。通过增强和匹配处理，大部分的圆形或近圆形的对象都被选中。选定的疑似区域根据他们的位置和所属区域类聚在一起。对于不同的区域，用于选择疑似位置的匹配得分阀值不同。例如，区域I和VI的匹配分数阈值较高，而区域II和III的匹配分数阈值较低。

基于区域的疑似特征提取单元(400)

图6为图2中的“图像处理单元40”的“疑似特征提取单元400”的具体实施案例。在图6中，FE-x表示区域-x中的特征提取算法，SF-x表示在区域-x中SAA的疑似特征.x表示I,II,III,IV,V,或VI.

根据异常区域和正常肺解剖结构的图像特性，采用以下方法对可疑异常区域(SAAs)的图像块进行图像特征提取。

1.区域I的特征(如尺寸，圆度和离心率)从不同的疑似异常区域(SAA)中提取出来。尺寸特征可以采用在步骤4中“基于区域疑似选择单元300”中所述的位四边形方法获得。圆度C₀特征被定义为：

$C_0=\frac{4{\mathrm{\πA}}_0}{{\left(P_0\right)}^2}$

离心率E₀的定义为

$E_0=\frac{R_{max}}{R_{min}}$

R_min和R_max分别为从质心到边界的最小和最大距离(见“基于疑似选择单元300”的步骤3所述)。

2.区域II——梯度特征，如幅度和方向图，从每个可疑异常区域提取得到，然后背景校正的图像用一个边缘算法(如3x3索贝尔l边缘算子)进行处理，得到两个边缘图：幅度图和方向图。方向的角度在0到360度之间分布，而振幅在0到最大强度值(例如1023)之间变化，。随后在直方图生成步骤中产生一个幅度和方向的二维直方图；注意不同的解剖结构在二维直方图中能表现出明显的不同。结果发现，与假阳性的相比，真正的局部性病变的方向角分布相对均匀，梯度幅度主要集中在幅度较小的区域，。大多数类型的假阳性局部性病变，其方向角所在的轴上在约180度处会出现两个分裂的峰，除了血管簇。。因为图像块中的骨头比血管更宽，骨和解剖背景之间的对比度强于血管，血管方向角其中一个峰值会比骨头的小得多，但是血管的方向角都在一个相似的范围内。骨梯度图像中的每一个峰比血管梯度图的峰更尖锐(即较小的标准偏差)。由于图像块中的肋骨的方向,肋骨边缘梯度图像在一定角度上表现出较强的振幅分布。肋骨-血管交叉梯度分布由于有相对较大的标准偏差，会在方向轴上表现出更强的峰值。也就是说，在这个范畴内方向信息比幅度信息更为有优势。虽然期望在角度轴上得到一个更尖锐的峰，但是由于血管末端对比度较低，这个就起不到多大的作用了。血管簇梯度图像比局部性病变显示出更粗糙的轮廓(在幅度轴有较大的标准偏差)。由于分布增强处理趋向于抹掉噪声对特征向量的贡献量，所以这种类型的分析和分类算法在噪声存在的条件下表现仍然良好。通过整合边缘分布生成程序中的振幅和方向的二维直方图，得到2组边际分布曲线：一个用于方向分布，另一个用于幅度分布，其中每一个包含64个元素。

3.区域III——圆度(见区域I中C₀的定义)、面积(见区域I中A₀的定义)和矩不变量特征是计算每个疑似异常区域的图像块特征。矩不变量特征是从每个可疑的异常区提取的，经过线性坐标变换(如平移，缩放，旋转和反射)它们是不变的，因此矩不变量是有用的特征。矩被用作图像的特征，给出了二维图像的强度分布f(x，y),(p+q)阶矩(m_p,q),定义为:

m_p，q＝∫∫_Rf(x，y)x^py^qdxdy

p,q＝0,1,2,…

七矩不变量的定义如下：

(a)一阶矩，μ_0,1和μ_1,0，μ_p,q的定义为：

${\mathrm{\μ}}_{p,q}=\∫\∫{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q\mathrm{dxdy}$

$\stackrel{\‾}{x}\≡\frac{m_{1,0}}{m_{0,0}}$

$\stackrel{\‾}{y}=\frac{m_{0,1}}{m_{0,0}}$

(b)二阶矩(p+q＝2):

基于分区的分类单元(500)

图7表示图2中“图像处理单元40”的“基于分区分类单元500”的具体方案。在图7中，CA-x表示用于x区域的分类方法(多个)，SCO-x表示在x区域给SAA的分类器评分，其中x可以是I，II，III，IV，V或VI。

在最后的数字成像阶段、分类阶段，数据首先使用背景校正分析，然后依次是边缘操作，直方图生成，边缘分布的生成，标准化和深度学习人工智能分类和集成。

1、I区-在一个优选的实例中，自组织特征映射(或学习向量量化)用于将疑似异常区分为两大类：一类表示异常和另一类代表假阳性。大小、圆度和离心率的特征用作自组织特征映射的输入。该特征映像配置为具有一个输入节点和两个输出节点，输入节点的输入数据是每个像素的灰度值，一个输出节点对应于真阳性类(即，异常)，而另一个输出节点对应于假阳性类(即，非异常，包括正常肺结构)。在自组织学习过程中，利用欧几里得距离作为匹配准则，寻找最佳匹配。

2、II区——幅度和方向的边缘图是用来训练有监督的反向传播深度学习人工智能(BP神经网络)，该深度学习人工智能用来对异常和假阳性进行分类。在一个合理的例子中，反向传播神经网络包含四个处理层。输入层由64个神经元组成，对应于边缘分布图中(即上述二维直方图)的幅度和取向单元的组合。输入层的每一组神经元(幅度和方向单元)根据各自的特征集进行计算。因此，每组神经元的工作是作为一个单独的分级器。两个隐藏层(例如，分别128和64个神经元)的神经元数为八的倍数，因为每个类的属性需要在网络中均匀地被编码。最后，包含二个神经元的输出层被用来区分真阳性和假阳性。一个S型传递函数，从-1到+1，作为每个神经元的激活函数。此外，S形非线性的两个隐藏层BP神经网络已被理论和实验证实可以区分决策区域的任何形状和简化复杂的非线性函数。在该区域中，包含真阳性和正常肺结构的图像块的数据集被分为训练集和测试集。在学习阶段(权重适应阶段)，深度学习人工智能学习通过呈现给它的训练集进行学习，直到大部分的训练案例得到适当的训练。然后将受到训练的网络运用到测试数据集。大约50％的数据集被用作训练实例，其余的被用作测试集。由于深度学习人工智能通过学习阶段呈现给它数据集进行学习，因此需要训练样本在各类中均匀地分布。这样做可以使深度学习人工智能不会朝向任何特定结果类(在此案例中为真局部性病变类和假局部性病变类)偏置。在一个优选的训练实施方案中，真阳性样本重复训练数次，假阳性样本也根据训练集中真假阳性数量相当这个统计学特性来进行重复多次地训练。

当学习使得接受者操作特征(ROC)曲线下的面积SUB-A_z最大时，训练过程被停止。这种方法称作SUB-A_z或部分ROC面积指数的交叉验证。交叉验证是一种广泛用于确定训练过程停止点(即，在学习过程中获得“最佳”权重系数时，训练停止)的方法。在交叉验证中，数据集被随机分成两个集，一个训练集和一个测试集。训练集被进一步分成两个子集：(1)分类器训练子集(2)分类器性能的评估(即验证泛化性能)子集；评估子集一般是训练集的10至20％左右。通常，交叉验证是在每一次训练时通过找出交叉验证泛化曲线上的最小均方误差(在交叉验证的子集)来完成。在一个优选的实施方案中，在SUB-A_z用于交叉验证训练过程，并且当SUB-A_z达到一个最大值时，训练被停止。

ROC分析是一种广泛使用的评估诊断表现的方法。它提供了敏感性和特异性之间折中的描述。ROC曲线(即，A_z)下的面积通常被用作对整个ROC曲线性能指标的描述。我们通过训练和验证过程来监测SUB-A.sub.z面积的高特异性变化。当SUB-A_z面积(在高特异性的区域)达到最大值时，训练被停止。在深度学习人工智能的训练完成后，整个数据集被应用到网络中，以在每个神经元产生从-1到1范围的输出值，代表真阳性和假阳性的可能性。

3、III区——我们用圆度、大小和矩不变量(上面讨论的七阶矩中的第二和第三阶矩)特征训练误差反向传播神经网络。反向传播神经网络包含四个处理层。输入层由九个神经元的组合而成，并对应圆、大小和七阶矩不变量。两个隐层分别包含，例如，36和18个神经元。最后，包含一个神经元的输出层被用来区分真阳性或假阳性(异常)。一个从-1到+1的S型传递函数作为每个神经元的激活函数。上述讨论的包含S形非线性的两个隐藏层BP神经网络已被理论和实验证实可以区分决策区域的任何形状和近似复杂的非线性函数。可疑异常区图像块的数据集首先被分离为训练集和测试集。在BP神经网络在学习阶段(权重适应阶段)从训练集中开始学习，直到大部分的训练案例得到适当的训练(这就是所谓的反向传播学习算法)结束。经训练的网络，然后被运用到测试数据集。大约50％的数据集被用作训练实例，其余被用作测试集。由于BP神经网络是由在学习阶段(权重适应阶段)提交给它的训练数据集进行学习，训练样本必须在各类中平均分配。通过这样做，BP神经网络将不会偏向任何结果类(在此处指真正的局部性病变类和假局部性病变类)。在一个案例中，真阳性样本重复训练数次，假阳性样本也根据训练数据集中真假阳性数量相当这个统计学特性来进行重复多次地训练。训练过程是交叉验证，特异性高的区域的SUB-A_z面积达到最大时，训练停止。深度学习人工智能的训练结束后，整个数据集，然后应用到网络产生每个神经元范围从-1至+1输出值，代表的发生的真实或假局部性病变的可能性。

IV区-圆度、大小、幅度和方向信息的特征用作输入特征来训练监督BP神经网络。反向传播神经网络包含四个处理层。输入层由对应圆度、大小、边缘分布的幅度和取向仓组合的64个神经元组成。每两个数据集(幅度和方向元素)中输入层的神经元执行基于每个单独的特征集的计算。因此，每个神经元数据集作为一个单独的分类器。同时包含两个隐藏层，例如，132和66神经元。最后，包含两个神经元的输出层被用来为真阳性或假阳性的局部性病变分类。从-1变化到1的S形传递函数，用作每个神经元的激活函数。在这个区域中的图像块数据集被首先分成训练集和测试集。分类器是由反向传播学习算法来训练。大约40％的数据集通常用作训练样本，其余用作测试集。由于BP神经网络对在学习阶段(权重适应阶段)提交给它的训练数据集进行学习，所以训练样本必须按类平均分配。通过这样做，BP神经网络将不会偏向任何结果类(在此处为真正的局部性病变类和假局部性病变类)。在一个案例中，真局部性病变样本重复训练数次，假局部性病变样本也被基于在训练集中真假阳性分别相同数量训练的统计特性重复训练多次。神经网络使用SUB-A_z方法(见III区中的描述)进行训练和交叉验证高特异性。深度学习人工智能的训练结束后，整个数据集，然后应用到网络产生每个神经元范围从-1至+1输出值，代表的发生的真实或假局部性病变的可能性。

V区-疑似异常区域的像素归一化图像被用于训练卷积神经网络。卷积神经网络具有一个输入层，一个隐藏层，和一个输出层。输入层包括归一化的图像块(64X64像素)的像素，输出层由一个输出神经元组成。隐藏层由10组60X60的神经元组成，排列成n个独立的60X60的特征图，其中60等于64-5+1，卷积核对应5X5的面积。隐蔽层的每个隐蔽神经元会把输入传递到输入图像块附近的一个5x5矩阵中。在一张特征图中的的神经元如果是单独开来的，那么它在输入层的感受野为一个单独的像素。同一特征图中的神经元被限制为25个权重值并在输入图像中的相应位置使用相同的算法卷积神经网络采用反向传播学习算法训练和通过SUB-A_z方法交叉验证(见III区描述)。对卷积神经网络进行训练，使其具有高特异性。

VI区–对疑似异常区域的分类规则是基于特征的圆度和有效半径的。圆度和大小的分布被用于异常和假阳性分析，通过为各圆度和尺寸设定一个阀值，可用于筛选出一个潜在的异常，例如，局部性病变，其规则如下：1)对每个不同的区域使用不同的阀值。阀值是基于每个区域特定深度学习分类器的灵敏度和特异性来确定。2)如果圆度小于0.8，则疑似异常区域不作为怀疑对象。3)如直径大于30毫米，则疑似异常区域不作为怀疑对象。4)如果圆度大于或等于0.8，直径尺寸小于30毫米，则疑似异常区域被选择为可疑对象。5)大小*圆度被用作分类分值去判定疑似异常区域。

图8描述了图7所示系统的具体实施情况，显示出了在平行处理结构525中的一些内部结构的细节。

基于区域的数据融合单元(600)

图9描述了“基于区域数据融合单元600”(位于图2中示出的“图像处理单元40”中)的具体实施情况。

不同区域的不同分类器所产生的“疑似分类得分550”通过基于区域得分NO-I，NO-II等标准化得到。同一区域中每个疑似分类评分经过该区域的最高得分标准化得到。标准化处理如下：

${{\mathrm{NS}}_i}^M=\frac{{S_i}^M}{{\mathrm{MAX}}_{\∀i=1,...,N}\left\{{S_i}^M\right\}}$

s_i是在M区第i个怀疑区的分类评分，下标i表示第i个怀疑，max{s_i}设定最大值。

不同区域的疑似区的标准分数被送入一个最终的“疑似选择单元625”。根据标准分数，“疑似选择单元625”使用下列规则选择出异常：1)仅选择标准化疑似分类分数大于预设阀值的疑似区，例如，0.5。2)限制最终的疑似的数目是(例如，对每个图像只能有六个疑似区)。3)如果有一个区域有不止一个异常的标准得分大于的阀值，则从每个区域选择得分最高的一个(即，最高得分的疑似区)。4)选择具有最高得分的6个疑似区作为最终疑似区。

并行处理引擎

图10所示为图2所示“图像处理单元40的一个并行处理案例示意图。

在多处理器环境中实现了肺局部性病变检测的自动化系统和方法。基于每个处理器的处理速度和容量，分别处理方法可以以流水线形式或平行处理的方式来实现。例如，一个处理器可以是处理I区，而其他处理单元正在处理的其他区域。来自不同区域的结果将根据每个处理元件的容量进行组合。

本文所描述的方法和系统可以在本发明的范围内进行修改。例如，虽然本发明的方法和系统是与肺部局部性病变的检测相关，但这些方法和系统可用于检测其它类型的癌症，如在乳腺癌中的微钙化团簇或肿块，在身体其他部位的局部性病变，肿块，不规则性，或肿瘤。它也可以用于其它模式，例如，在计算机断层摄影(CT)下得检测异常，像肺局部性病变。

Claims (10)

1.识别所述胸部放射图像异常的方法，该方法包括以下步骤：接收数字胸部图像；丢弃肺部区域之外的像素；用各个击破的方法将肺部区域分割成紧密、几何形状且不同的重叠区域；通过使用专门为每个区域开发的增强技术提高对异常的识别；初步选择在每个区域可疑异常；提取每个区域中图像特征；在每个区域中用深度学习人工智能分类异常和正常的组织结构；整合来自不同区域的输出；并提供异常的指示。

2.根据权利要求1的方法，其中进一步分割的步骤如下：使用深度学习人工智能提取非遮蔽肺区；并通过从肺部区域中排除非隐蔽肺区图像的像素获得隐蔽肺区。

3.根据权利要求2的方法，其中所述不同重叠区域包括：隐蔽肺区域；锁骨区域；周围型肺边缘区域；周围型肺中心区域；肺门区域；和隔膜区域。

4.根据权利要求3的方法，其中所述锁骨区域包括从非遮蔽肺区的左/右边的顶部延伸并覆盖区域，包括上述非隐蔽肺区域左右部分垂直向下的规定部分。

5.根据权利要求3的方法，其中所述隐蔽肺的区域包括脊柱，心脏和纵隔。

6.根据权利要求3的方法，其中所述周围型肺边缘区域获取方法：采用图像处理的方法，包括用形态学处理沿肋骨轮廓的1个结构要素。

7.根据权利要求6的方法，其中，所述形态处理包括侵蚀。

8.根据权利要求3的方法，其中所述周围型肺中央区域的获取方法：采用图像处理的方法，包括形态学处理沿肋骨轮廓的2个结构要素。

9.根据权利要求8的方法，其中，所述形态处理包括侵蚀。

10.根据权利要求3的方法，其中所述肺门区域的获取方法：执行图像处理的方法，包括形态学处理沿肋骨轮廓的2结构要素；采用图像处理的方法，包括形态学处理沿着心脏和脊柱轮廓的结构要素。