CN106530296A - 一种基于pet/ct图像特征的肺部检测方法和装置 - Google Patents

一种基于pet/ct图像特征的肺部检测方法和装置 Download PDF

Info

Publication number
CN106530296A
CN106530296A CN201610978600.4A CN201610978600A CN106530296A CN 106530296 A CN106530296 A CN 106530296A CN 201610978600 A CN201610978600 A CN 201610978600A CN 106530296 A CN106530296 A CN 106530296A
Authority
CN
China
Prior art keywords
information
training image
image
gray
texture
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.)
Pending
Application number
CN201610978600.4A
Other languages
English (en)
Inventor
郭秀花
马圆
陈斯鹏
田思佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Medical University
Original Assignee
Capital Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Capital Medical University filed Critical Capital Medical University
Priority to CN201610978600.4A priority Critical patent/CN106530296A/zh
Publication of CN106530296A publication Critical patent/CN106530296A/zh
Pending legal-status Critical Current

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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于PET/CT图像特征的肺部检测方法和装置，其中，该方法包括：从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；PET/CT图像库包含有多个类型病灶的肺部病灶图像；对训练图像进行变换和滤波处理，得到处理后的训练图像；提取处理后的训练图像的特征信息，特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；根据特征信息建立病灶检测模型；基于病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，从而提高了病灶识别的准确率和灵敏度。

Description

一种基于PET/CT图像特征的肺部检测方法和装置
技术领域
本发明涉及医学数字图像处理技术领域，具体而言，涉及一种基于PET/CT图像特征的肺部检测方法和装置。
背景技术
肺癌是世界范围内最致命的癌症之一。PET/CT(positron emission tomography/computer tomography，正电子发射断层显像/计算机断层扫描)作为一种无创新型影像学诊断技术，近年来在肺癌诊断及术前分期的应用有了很大的发展。与传统的CT(computertomography，计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)或单纯的PET(positron emission tomography，正电子发射断层显像)等技术相比，PET/CT技术的优势是十分明显的。
在利用PET/CT影像进行检测和定位肿瘤组织方面，已经出现了一些应用阈值判断和SUV值比较的技术手段，另外，还有一些技术使用阈值和隐马尔科夫模型相结合的方法来定位和划分癌变区域。上述技术能够一定程度上帮助医生判断病灶状况和肿瘤性质。
另外，考虑到在CT、MRI影像的应用中，基于图像特征(如纹理特征)的定量研究取得了较好的成果。其中，纹理特征作为图像最基本的视觉特征，能够帮助医生对CT、MRI影像做出进一步判断。同样的，对于PET/CT进行图像特征的分析应该可以作为癌症判断的一种依据。但是，目前对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断尚无完善的方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于PET/CT图像特征的肺部检测方法和装置，通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，病灶识别的准确率和灵敏度均较高。
第一方面，本发明实施例提供了一种基于PET/CT图像特征的肺部检测方法，所述方法包括：
从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；所述PET/CT图像库包含有多个类型病灶的肺部病灶图像；
对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像；
提取处理后的所述训练图像的特征信息，所述特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
根据所述特征信息建立病灶检测模型；
基于所述病灶检测模型对待检测肺部图像进行检测，确定所述待检测肺部图像中存在病灶的类型。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像，包括：
依次对所述训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的所述训练图像。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述特征信息包括所述纹理特征信息；所述提取处理后的所述训练图像的特征信息，包括：
对处理后的所述训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的所述训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
利用所述灰度直方图提取处理后的所述训练图像的第一纹理特征信息；其中，所述第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
利用所述灰度共生矩阵提取处理后的所述训练图像的第二纹理特征信息；其中，所述第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
利用所述相邻灰度差分矩阵提取处理后的所述训练图像的第三纹理特征信息；其中，所述第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述特征信息包括所述颜色特征信息；所述提取处理后的所述训练图像的特征信息，包括：
对处理后的所述训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
基于非均匀量化方法对转换处理后的所述训练图像进行量化处理，得到量化处理后的训练图像；
对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
利用所述颜色相关图提取量化处理后的所述训练图像的颜色特征信息；其中，所述颜色特征信息至少包括：相同灰度级别的像素点个数信息。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述特征信息建立病灶检测模型，包括：
基于深度神经网络对所述特征信息进行深度学习，建立对应的病灶检测模型。
第二方面，本发明实施例还提供了一种基于PET/CT图像特征的肺部检测装置，所述装置包括：
获取模块，用于从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；所述PET/CT图像库包含有多个类型病灶的肺部病灶图像；
处理模块，用于对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像；
提取模块，用于提取处理后的所述训练图像的特征信息，所述特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
建立模块，用于根据所述特征信息建立病灶检测模型；
检测模块，用于基于所述病灶检测模型对待检测肺部图像进行检测，确定所述待检测肺部图像中存在病灶的类型。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述处理模块还用于，依次对所述训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的所述训练图像。
结合第二方面或第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述提取模块包括：
灰度生成单元，用于对处理后的所述训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的所述训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
第一纹理提取单元，用于利用所述灰度直方图提取处理后的所述训练图像的第一纹理特征信息；其中，所述第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
第二纹理提取单元，用于利用所述灰度共生矩阵提取处理后的所述训练图像的第二纹理特征信息；其中，所述第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
第三纹理提取单元，用于利用所述相邻灰度差分矩阵提取处理后的所述训练图像的第三纹理特征信息；其中，所述第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
结合第二方面或第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述提取模块还包括：
转换处理单元，用于对处理后的所述训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
量化处理单元，用于基于非均匀量化方法对转换处理后的所述训练图像进行量化处理，得到量化处理后的训练图像；
颜色生成单元，用于对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
颜色提取单元，用于利用所述颜色相关图提取量化处理后的所述训练图像的颜色特征信息；其中，所述颜色特征信息至少包括：相同灰度级别的像素点个数信息。
结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述建立模块还用于，基于深度神经网络对所述特征信息进行深度学习，建立对应的病灶检测模型。
本发明实施例提供的基于PET/CT图像特征的肺部检测方法和装置，与现有技术中尚无对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断的方案相比，其首先从PET/CT图像库中多个类型病灶的肺部病灶图像中获取病灶对应区域的局部图像作为训练图像；然后对获取得到的训练图像进行变换和滤波处理，并对处理后的训练图像进行特征提取，得到包括纹理特征信息和/或颜色特征信息的特征信息；再者根据上述特征信息建立病灶检测模型；最后基于该病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，从而提高了病灶识别的准确率和灵敏度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种基于PET/CT图像特征的肺部检测方法的流程图；
图2示出了本发明实施例所提供的另一种基于PET/CT图像特征的肺部检测方法的流程图；
图3示出了本发明实施例所提供的另一种基于PET/CT图像特征的肺部检测方法的流程图；
图4示出了本发明实施例所提供的一种基于PET/CT图像特征的肺部检测装置的结构示意图。
主要元件符号说明：
11、获取模块；22、处理模块；33、提取模块；44、建立模块；55、检测模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
考虑到现有技术中在CT、MRI影像的应用中，基于纹理特征的定量研究取得了较好的成果，而对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断尚无完善的方案。基于此，本发明实施例提供了一种基于PET/CT图像特征的肺部检测方法和装置，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，病灶识别的准确率和灵敏度均较高。
参见图1所示的本发明实施例提供的基于PET/CT图像特征的肺部检测方法的流程图，所述方法具体包括如下步骤：
S101、从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；PET/CT图像库包含有多个类型病灶的肺部病灶图像；
具体的，考虑到本发明实施例所提供的基于PET/CT图像特征的肺部检测方法的具体应用场景，本发明实施例首先通过训练图像训练得到病灶检测模型，然后再根据该病灶检测模型进行任意待检测肺部图像的检测。其中，病灶检测模型的准确度进一步影响了肺部的检测准确度，而训练图像的获取又进一步限定了模型训练的效果。
为了更好的进行模型训练，本发明实施例首先获取多个类型病灶的肺部病灶图像，并将该肺部病灶图像建立对应的PET/CT图像库，然后将该PET/CT图像库中的肺部病灶图像中获取的病灶对应区域的局部图像作为训练图像。
其中，肺部病灶图像可以是PET-CT(Positron Emission Tomography-ComputerTomography,正电子发射计算机断层显像)设备摄取到的PET/CT图像，还可以是其他图像获取来源，本发明实施例优选为前者获取的方式。
对于上述获取到的多个类型病灶的肺部病灶图像，本发明实施例不仅可以通过人工的方式进行病灶对应区域的局部图像，还可以通过相应的计算机程序进行自动获取。其中，该局部图像是指图片内病灶对应的区域图像，也即是通常意义下的感兴趣区域。
S102、对训练图像进行变换和滤波处理，得到处理后的训练图像；
S103、提取处理后的训练图像的特征信息，特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
具体的，本发明实施例所提供的基于PET/CT图像特征的肺部检测方法对于获取得到的训练图像，首先进行变换和滤波处理，然后再对处理后的训练图像进行特征提取，且提取的特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合。
S104、根据特征信息建立病灶检测模型；
S105、基于病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型。
具体的，随着大数据时代的到来，只有比较复杂的模型，或者说表达能力强的模型，才能充分发掘海量数据中蕴含的丰富信息，所以本发明实施例能够根据大量训练图像的特征信息建立对应的病灶检测模型。其中，该病灶检测模型采用的是强大的深度模型，以使得能够从大数据挖掘出更多有价值的信息和知识，且该病灶检测模型作为一个分类器，可以对输入的待检测肺部图像进行分类，以确定该待检测肺部图像中存在病灶的类型。其中，上述病灶的类型至少包括良性肺结节和恶性肺结节。
本发明实施例提供的基于PET/CT图像特征的肺部检测方法，与现有技术中尚无对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断的方案相比，其首先从PET/CT图像库中多个类型病灶的肺部病灶图像中获取病灶对应区域的局部图像作为训练图像；然后对获取得到的训练图像进行变换和滤波处理，并对处理后的训练图像进行特征提取，得到包括纹理特征信息和/或颜色特征信息的特征信息；再者根据上述特征信息建立病灶检测模型；最后基于该病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，从而提高了病灶识别的准确率和灵敏度。
为了更好的对训练图像进行处理，上述S102的处理过程，具体通过如下步骤实现：
依次对训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的训练图像。
具体的，为了规避现有技术中的二维小波由于不能有效地捕获图像方向信息而应用受限，本发明实施例创新性的采用复轮廓波变换对获取到的所有训练图像进行分析处理，该复轮廓波变换(DTCWT-NSDFB)不仅可以避免频率混淆的产生，同时具有移不变性。本发明实施例优选的采用DTCWT(Dual Tree Complex Wavelet Transform，双树复小波变换)级联NSDFB(Non-subsampled Directional Filter Bank，非下采样方向滤波器)的方法进行构造。对训练图像进行DTCWT变换，DTCWT独立使用2棵实滤波器树来生成小波系数的实部和虚部，既保证了完全重构性，也保持了复小波的良好性质。在对训练图像经过DTCWT以后再，对图像的高频系数进行NSDFB滤波，利用等效易位原理，去除传统DFB的下采样操作，从而能够在对图像进行去噪时可抑制人造纹理(由频率混叠造成)的产生。
其中，本发明实施例中，双树复小波变换的具体原理如下：
首先对训练图像并行使用4个可分离的二维的两层小波变换，其中行和列使用不同的滤波器组。行列可分离的小波变换可表示为
ψ(x,y)＝ψ(x)ψ(y)
其中ψ(x)、ψ(y)是近似解析的复小波，其表示形式如下
ψ(x)＝ψh(x)+jψg(x),ψ(y)＝ψh(y)+jψg(y)
则ψ(x,y)表示如下：
ψ(x,y)＝ψ(x)ψ(y)＝[ψh(x)+jψg(x)][ψh(y)+jψg(y)]＝[ψh(x)ψh(y)-ψg(x)ψg(y)]+j[ψh(x)ψg(y)+ψg(x)ψh(y)]
其中ψ(x,y)称为方向复小波函数。
然后通过4个分树子带图像的和与差获得6个方向的小波系数。根据不同的尺度函数和小波函数的运算可得到6个方向复小波函数，分别为φ(x)ψ(y)、φ(x)ψ(y)*、ψ(x)ψ(y)、ψ(x)ψ(y)*、ψ(x)φ(y)、ψ(x)φ(y)*，分别表示±15°、±45°、±75°的六个主方向。
另外，上述非下采样方向滤波的具体原理如下：
首先构造互补扇形滤波器，然后根据构造的滤波器进行相应的上采样和线性变换。设为非下采样方向滤波器第l方向子带基函数，其中为上采样矩阵，由上一个公式可得第j尺度上CCT的方向子带空间的基函数如下：
其中0≤k≤2l,m∈Z2,n∈Z2。
本发明实施例所提供的基于PET/CT图像特征的肺部检测方法不仅能够提取纹理特征还能够提取颜色特征，参见图2，本发明实施例中的纹理特征提取具体过程包括：
S201、对处理后的训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
具体的，本发明实施例所提供的基于PET/CT图像特征的肺部检测方法不仅可以对处理后的训练图像进行单像素灰度统计，以得到对应的灰度直方图反应图像中每种灰度出现的频率，还可以对处理后的训练图像进行双像素灰度统计，以得到对应的灰度共生矩阵和相邻灰度差分矩阵反应灰度的空间相关特性。
S202、利用灰度直方图提取处理后的训练图像的第一纹理特征信息；其中，第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
具体的，利用上述灰度直方图，本发明实施例可以计算训练图像的第一纹理特征信息，该第一纹理特征信息为总体纹理特征。其中，上述平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息对应的物理表达式如下：
(1)均值m：表示图像的平均亮度，其表达式为：
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(2)标准差σ：标准偏差表示图像的平均对比度，其表达式为：
其中，m为均值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(3)平滑度R：表示图像亮度的相对平滑度。R为0，表示常量亮度，R越接近1，则表示图像亮度越粗糙。其表达式为：
R＝1-1/(1+σ2)
其中，σ为标准差。
(4)三阶矩μ3：度量直方图的偏斜。若三阶矩为0，则直方图是对称的，若三阶矩为正，则直方图向右偏斜，若度量为负，则直方图向左偏斜。其表达式为：
其中，m为均值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(5)一致性U：表示图像灰度的统一程度，当所有的灰度值都相等时，该值最大。其表达式为：
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(6)熵h：度量图像像素的随机性。其表达式为
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
S203、利用灰度共生矩阵提取处理后的训练图像的第二纹理特征信息；其中，第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
具体的，利用上述灰度共生矩阵，本发明实施例可以计算训练图像的第二纹理特征信息，该第二纹理特征信息为局部纹理特征。其中，上述灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息对应的物理表达式如下：
(1)能量(Energy)：也称为角二阶矩，反映图像灰度分布均匀程度和纹理粗细程度。其表达式为：
其中，P(i,j)表示图像中两个相邻像素的灰度值分别为i和j的可能性。
(2)灰度均值(Mean)：反映像素所有灰度值的集中区实施，表达式为：
(3)逆差矩(Inverse Difference Moment,IDM)：反映图像的平滑性，表达式为：
(4)熵(Entropy)：表征图像中纹理的复杂程度，反映纹理灰度分布的随机性，肿瘤摄取异质性越高时，其值越大。
(5)相关性(Correlation)：反映图像中纹理区域在某方向上的相似性，是图像局部灰度线性相关的度量，肿瘤摄取异质性越高时，其值越小。
(6)聚类趋势(Cluster Tendency)：测量相似灰度水平值像素的分组，表达式为：
(7)对比度(Contrast)：反映图像的清晰度，是图像局部灰度变化程度的度量，肿瘤摄取异质性越高时，其值越大。
(8)同质度(Homogeneity)：反映灰度水平的相似程度，表达式为：
(9)方差(Variance)：反映灰度水平的分布情况，表达式为：
(10)最大概率(Maximum Probability)：最突出的像素对的发生率，表达式为：
(11)和的均值(Sum-Mean)：提供图像中灰度水平的均值，表达式为：
(12)差的均值(Difference-Mean)：提供图像中灰度水平的均值，表达式为：
(13)和的熵(Sum-Entropy)：表达式为：
(14)差的熵(Difference-Entropy)
S204、利用相邻灰度差分矩阵提取处理后的训练图像的第三纹理特征信息；其中，第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
具体的，利用上述相邻灰度差分矩阵，本发明实施例可以计算训练图像的第三纹理特征信息，该第三纹理特征信息为局部纹理特征。其中，上述粗糙度信息和频度信息对应的物理表达式如下：
(1)粗糙度(coarseness)
其中，Gh是图像中最高的灰度等级，ε是一个防止出现无穷大值的小值。pi是灰度值i在图像中出现的概率。
(2)对比度(contrast)
其中，Ng是不同灰度值的总数。
(3)频度(busyness)
另外，参见图3，本发明实施例中的颜色特征提取具体过程包括：
S301、对处理后的训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
S302、基于非均匀量化方法对转换处理后的训练图像进行量化处理，得到量化处理后的训练图像；
S303、对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
S304、利用颜色相关图提取量化处理后的训练图像的颜色特征信息；其中，颜色特征信息至少包括：相同灰度级别的像素点个数信息。
具体的，首先将处理后的训练图像从RGB颜色空间模型转换到HSV空间模型，然后再采用非均匀量化的方法量化训练图像。其中，具体的量化过程如下：H、S、V分别表示色调、饱和度、亮度。转换后HSV各分量的范围为：h∈[0,360],s∈[0,1],v∈[0,1]。为了不至于混淆，规定h,s,v为RGB空间颜色转换到HSV空间的连续值，而H,S,V为h,s,v3个分量量化后的离散值。色调H从0到360变化时，色调一次呈现红橙黄绿青蓝紫，而每一种色调对应的H分量的区域不均匀，本发明实施例中将H通道量化为不等间隔的7份符合人类视觉对颜色的心理感知。具体步骤如下：
(1)对于亮度v<0.2的颜色认为是黑色，L＝0；
(2)对于饱和度s<0.1且亮度v>0.2的颜色按亮度划分为3种灰度，分别为：深灰(0.2,0.5)、浅灰(0.5,0.9)和白色(0.9,1)，L分别为1、2、3；
(3)其他颜色认为是彩色，将其划分为28种颜色。对色度h[0,360]划分的7个区间，H分别取值为0、1、2、3、4、5、6，代表红、橙、黄、绿、青、蓝、紫。对于亮度V划分为暗色(0.2,0.5)和明色(0.5,1),对于饱和度S划分为淡色(0.1,0.75)和明色(0.75,1)。公式如下：
根据H、S、V的量化级数和其频带宽度可取组合后的一维矢量L：
L＝HQSQV+SQV+V
其中，QS、QV分别是分量S和V的量化级数，有QS＝2，QV＝2。因为前面增加了4个颜色空间，所以上式为
L＝4+4H+2S+V
对于颜色统计得到对应的颜色相关图进行颜色特征的提取，设d为距离集合{d0，d1，…，dn}，颜色相关图描述了距离为d的灰度对(gi，gj)。表达式为：
即给定灰度级别为gi像素Pi，计算与其相距为d，灰度级别为gi的像素点Pi的个数，即为相同灰度级别的像素点个数信息。
为了更好的建立病灶检测模型，上述S104的建立过程，具体通过如下步骤实现：
基于深度神经网络对特征信息进行深度学习，建立对应的病灶检测模型。
具体的，根据以上步骤所提取的纹理特征信息和/或颜色特征信息，建立图像特征数据库，采用数据挖掘的方法建立病灶检测模型。本发明实施例优选的采用深度神经网络的数据挖掘方法。
其中，基于不同的深度神经网络可以对特征信息进行不同的深度学习，则建立的病灶检测模型也并不相同。本发明实施例所提供的基于PET/CT图像特征的肺部检测方法中的病灶检测模型不仅可以识别病灶类型(如良性肺结节和恶性肺结节)，还能够对待检测肺部图像确认是良性肺结节和恶性肺结节的具体概率，从而具有较好的医学应用前景。
另外，考虑到本发明实施例所提供的基于PET/CT图像特征的肺部检测方法还可以对非肺结节性病灶所对应的训练图像进行病灶检测模型的训练，因此，本发明实施例不仅能够识别肺结节性的良性肿瘤或恶性肿瘤，还能够识别非肺结节性的病症(如肺部炎症)。
本发明实施例提供的基于PET/CT图像特征的肺部检测方法，与现有技术中尚无对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断的方案相比，其首先从PET/CT图像库中多个类型病灶的肺部病灶图像中获取病灶对应区域的局部图像作为训练图像；然后对获取得到的训练图像进行变换和滤波处理，并对处理后的训练图像进行特征提取，得到包括纹理特征信息和/或颜色特征信息的特征信息；再者根据上述特征信息建立病灶检测模型；最后基于该病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，从而提高了病灶识别的准确率和灵敏度。
本发明实施例还提供了一种基于PET/CT图像特征的肺部检测装置，所述装置用于执行上述基于PET/CT图像特征的肺部检测方法，参见图4，所述装置包括：
获取模块11，用于从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；PET/CT图像库包含有多个类型病灶的肺部病灶图像；
处理模块22，用于对训练图像进行变换和滤波处理，得到处理后的训练图像；
提取模块33，用于提取处理后的训练图像的特征信息，特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
建立模块44，用于根据特征信息建立病灶检测模型；
检测模块55，用于基于病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型。
为了更好的对训练图像进行处理，上述处理模块22还用于，依次对训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的训练图像。
具体的，为了规避现有技术中的二维小波由于不能有效地捕获图像方向信息而应用受限，本发明实施例创新性的采用复轮廓波变换对获取到的所有训练图像进行分析处理，该复轮廓波变换(DTCWT-NSDFB)不仅可以避免频率混淆的产生，同时具有移不变性。本发明实施例优选的采用DTCWT(Dual Tree Complex Wavelet Transform，双树复小波变换)级联NSDFB(Non-subsampled Directional Filter Bank，非下采样方向滤波器)的方法进行构造。对训练图像进行DTCWT变换，DTCWT独立使用2棵实滤波器树来生成小波系数的实部和虚部，既保证了完全重构性，也保持了复小波的良好性质。在对训练图像经过DTCWT以后再，对图像的高频系数进行NSDFB滤波，利用等效易位原理，去除传统DFB的下采样操作，从而能够在对图像进行去噪时可抑制人造纹理(由频率混叠造成)的产生。
其中，本发明实施例的肺部检测装置中的双树复小波变换和非下采样方向滤波的具体原理与对应的肺部检测方法一致，在此不在赘述。
本发明实施例所提供的基于PET/CT图像特征的肺部检测装置不仅能够提取纹理特征还能够提取颜色特征，本发明实施例中的提取模块33包括：
灰度生成单元，用于对处理后的训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
第一纹理提取单元，用于利用灰度直方图提取处理后的训练图像的第一纹理特征信息；其中，第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
第二纹理提取单元，用于利用灰度共生矩阵提取处理后的训练图像的第二纹理特征信息；其中，第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
第三纹理提取单元，用于利用相邻灰度差分矩阵提取处理后的训练图像的第三纹理特征信息；其中，第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
具体的，本发明实施例所提供的基于PET/CT图像特征的肺部检测装置不仅可以对处理后的训练图像进行单像素灰度统计，以得到对应的灰度直方图反应图像中每种灰度出现的频率，还可以对处理后的训练图像进行双像素灰度统计，以得到对应的灰度共生矩阵和相邻灰度差分矩阵反应灰度的空间相关特性。
利用上述灰度直方图，本发明实施例可以计算训练图像的第一纹理特征信息，该第一纹理特征信息为总体纹理特征。其中，上述平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息对应的物理表达式如下：
(1)均值m：表示图像的平均亮度，其表达式为：
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(2)标准差σ：标准偏差表示图像的平均对比度，其表达式为：
其中，m为均值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(3)平滑度R：表示图像亮度的相对平滑度。R为0，表示常量亮度，R越接近1，则表示图像亮度越粗糙。其表达式为：
R＝1-1/(1+σ2)
其中，σ为标准差。
(4)三阶矩μ3：度量直方图的偏斜。若三阶矩为0，则直方图是对称的，若三阶矩为正，则直方图向右偏斜，若度量为负，则直方图向左偏斜。其表达式为：
其中，m为均值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(5)一致性U：表示图像灰度的统一程度，当所有的灰度值都相等时，该值最大。其表达式为：
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
(6)熵h：度量图像像素的随机性。其表达式为
其中，L为一幅图像灰度值的可能取值，rk表示第k个灰度等级，Pr(rk)表示该灰度出现的相对频率。
另外，利用灰度共生矩阵提取处理后的训练图像的第二纹理特征信息；其中，第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
具体的，利用上述灰度共生矩阵，本发明实施例可以计算训练图像的第二纹理特征信息，该第二纹理特征信息为局部纹理特征。其中，上述灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息对应的物理表达式如下：
(1)能量(Energy)：也称为角二阶矩，反映图像灰度分布均匀程度和纹理粗细程度。其表达式为：
其中，P(i,j)表示图像中两个相邻像素的灰度值分别为i和j的可能性。
(2)灰度均值(Mean)：反映像素所有灰度值的集中区实施，表达式为：
(3)逆差矩(Inverse Difference Moment,IDM)：反映图像的平滑性，表达式为：
(4)熵(Entropy)：表征图像中纹理的复杂程度，反映纹理灰度分布的随机性，肿瘤摄取异质性越高时，其值越大。
(5)相关性(Correlation)：反映图像中纹理区域在某方向上的相似性，是图像局部灰度线性相关的度量，肿瘤摄取异质性越高时，其值越小。
(6)聚类趋势(Cluster Tendency)：测量相似灰度水平值像素的分组，表达式为：
(7)对比度(Contrast)：反映图像的清晰度，是图像局部灰度变化程度的度量，肿瘤摄取异质性越高时，其值越大。
(8)同质度(Homogeneity)：反映灰度水平的相似程度，表达式为：
(9)方差(Variance)：反映灰度水平的分布情况，表达式为：
(10)最大概率(Maximum Probability)：最突出的像素对的发生率，表达式为：
(11)和的均值(Sum-Mean)：提供图像中灰度水平的均值，表达式为：
(12)差的均值(Difference-Mean)：提供图像中灰度水平的均值，表达式为：
(13)和的熵(Sum-Entropy)：表达式为：
(14)差的熵(Difference-Entropy)
另外，利用上述相邻灰度差分矩阵，本发明实施例可以计算训练图像的第三纹理特征信息，该第三纹理特征信息为局部纹理特征。其中，上述粗糙度信息和频度信息对应的物理表达式如下：
(1)粗糙度(coarseness)
其中，Gh是图像中最高的灰度等级，ε是一个防止出现无穷大值的小值。pi是灰度值i在图像中出现的概率。
(2)对比度(contrast)
其中，Ng是不同灰度值的总数。
(3)频度(busyness)
另外，本发明实施例中的提取模块33还包括：
转换处理单元，用于对处理后的训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
量化处理单元，用于基于非均匀量化方法对转换处理后的训练图像进行量化处理，得到量化处理后的训练图像；
颜色生成单元，用于对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
颜色提取单元，用于利用颜色相关图提取量化处理后的训练图像的颜色特征信息；其中，颜色特征信息至少包括：相同灰度级别的像素点个数信息。
具体的，本发明实施例所提供的基于PET/CT图像特征的肺部检测装置，首先通过转换处理单元将处理后的训练图像从RGB颜色空间模型转换到HSV空间模型，然后再采用量化处理单元量化训练图像。其中，具体的量化过程如下：H、S、V分别表示色调、饱和度、亮度。转换后HSV各分量的范围为：h∈[0,360],s∈[0,1],v∈[0,1]。为了不至于混淆，规定h,s,v为RGB空间颜色转换到HSV空间的连续值，而H,S,V为h,s,v3个分量量化后的离散值。色调H从0到360变化时，色调一次呈现红橙黄绿青蓝紫，而每一种色调对应的H分量的区域不均匀，本发明实施例中将H通道量化为不等间隔的7份符合人类视觉对颜色的心理感知。具体步骤如下：
(1)对于亮度v<0.2的颜色认为是黑色，L＝0；
(2)对于饱和度s<0.1且亮度v>0.2的颜色按亮度划分为3种灰度，分别为：深灰(0.2,0.5)、浅灰(0.5,0.9)和白色(0.9,1)，L分别为1、2、3；
(3)其他颜色认为是彩色，将其划分为28种颜色。对色度h[0,360]划分的7个区间，H分别取值为0、1、2、3、4、5、6，代表红、橙、黄、绿、青、蓝、紫。对于亮度V划分为暗色(0.2,0.5)和明色(0.5,1),对于饱和度S划分为淡色(0.1,0.75)和明色(0.75,1)。公式如下：
根据H、S、V的量化级数和其频带宽度可取组合后的一维矢量L：
L＝HQSQV+SQV+V
其中，QS、QV分别是分量S和V的量化级数，有QS＝2，QV＝2。因为前面增加了4个颜色空间，所以上式为
L＝4+4H+2S+V
对于颜色统计得到对应的颜色相关图进行颜色特征的提取，设d为距离集合{d0，d1，…，dn}，颜色相关图描述了距离为d的灰度对(gi，gj)。表达式为：
即给定灰度级别为gi像素Pi，计算与其相距为d，灰度级别为gi的像素点Pi的个数，即为相同灰度级别的像素点个数信息。
为了更好的建立病灶检测模型，上述建立模块44还用于，基于深度神经网络对特征信息进行深度学习，建立对应的病灶检测模型。
具体的，根据以上步骤所提取的纹理特征信息和/或颜色特征信息，建立图像特征数据库，采用数据挖掘的方法建立病灶检测模型。本发明实施例优选的采用深度神经网络的数据挖掘方法。
其中，基于不同的深度神经网络可以对特征信息进行不同的深度学习，则建立的病灶检测模型也并不相同。本发明实施例所提供的基于PET/CT图像特征的肺部检测装置中的病灶检测模型不仅可以识别病灶类型(如良性肺结节和恶性肺结节)，还能够对待检测肺部图像确认是良性肺结节和恶性肺结节的具体概率，从而具有较好的医学应用前景。
另外，考虑到本发明实施例所提供的基于PET/CT图像特征的肺部检测装置还可以对非肺结节性病灶所对应的训练图像进行病灶检测模型的训练，因此，本发明实施例不仅能够识别肺结节性的良性肿瘤或恶性肿瘤，还能够识别非肺结节性的病症(如肺部炎症)。
本发明实施例提供的基于PET/CT图像特征的肺部检测装置，与现有技术中尚无对基于PET/CT图像特征进行肿瘤性质和病灶状况的判断的方案相比，其首先从PET/CT图像库中多个类型病灶的肺部病灶图像中获取病灶对应区域的局部图像作为训练图像；然后对获取得到的训练图像进行变换和滤波处理，并对处理后的训练图像进行特征提取，得到包括纹理特征信息和/或颜色特征信息的特征信息；再者根据上述特征信息建立病灶检测模型；最后基于该病灶检测模型对待检测肺部图像进行检测，确定待检测肺部图像中存在病灶的类型，其通过图像处理技术手段对PET/CT图像进行病灶分析和识别处理，从而提高了病灶识别的准确率和灵敏度。
本发明实施例所提供的进行基于PET/CT图像特征的肺部检测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的基于PET/CT图像特征的肺部检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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 (10)

1.一种基于PET/CT图像特征的肺部检测方法，其特征在于，包括：
从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；所述PET/CT图像库包含有多个类型病灶的肺部病灶图像；
对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像；
提取处理后的所述训练图像的特征信息，所述特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
根据所述特征信息建立病灶检测模型；
基于所述病灶检测模型对待检测肺部图像进行检测，确定所述待检测肺部图像中存在病灶的类型。
2.根据权利要求1所述的方法，其特征在于，所述对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像，包括：
依次对所述训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的所述训练图像。
3.根据权利要求1或2所述的方法，其特征在于，所述特征信息包括所述纹理特征信息；所述提取处理后的所述训练图像的特征信息，包括：
对处理后的所述训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的所述训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
利用所述灰度直方图提取处理后的所述训练图像的第一纹理特征信息；其中，所述第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
利用所述灰度共生矩阵提取处理后的所述训练图像的第二纹理特征信息；其中，所述第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
利用所述相邻灰度差分矩阵提取处理后的所述训练图像的第三纹理特征信息；其中，所述第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
4.根据权利要求1或2所述的方法，其特征在于，所述特征信息包括所述颜色特征信息；所述提取处理后的所述训练图像的特征信息，包括：
对处理后的所述训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
基于非均匀量化方法对转换处理后的所述训练图像进行量化处理，得到量化处理后的训练图像；
对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
利用所述颜色相关图提取量化处理后的所述训练图像的颜色特征信息；其中，所述颜色特征信息至少包括：相同灰度级别的像素点个数信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述特征信息建立病灶检测模型，包括：
基于深度神经网络对所述特征信息进行深度学习，建立对应的病灶检测模型。
6.一种基于PET/CT图像特征的肺部检测装置，其特征在于，包括：
获取模块，用于从PET/CT图像库中获取病灶对应区域的局部图像作为训练图像；所述PET/CT图像库包含有多个类型病灶的肺部病灶图像；
处理模块，用于对所述训练图像进行变换和滤波处理，得到处理后的所述训练图像；
提取模块，用于提取处理后的所述训练图像的特征信息，所述特征信息包括纹理特征信息和颜色特征信息中的任意一种或组合；
建立模块，用于根据所述特征信息建立病灶检测模型；
检测模块，用于基于所述病灶检测模型对待检测肺部图像进行检测，确定所述待检测肺部图像中存在病灶的类型。
7.根据权利要求6所述的装置，其特征在于，所述处理模块还用于，依次对所述训练图像进行双树复小波变换处理和采用非下采样方向滤波器进行滤波处理，得到处理后的所述训练图像。
8.根据权利要求6或7所述的装置，其特征在于，所述提取模块包括：
灰度生成单元，用于对处理后的所述训练图像进行单像素灰度统计，得到对应的灰度直方图，对处理后的所述训练图像进行双像素灰度统计，得到对应的灰度共生矩阵和相邻灰度差分矩阵；
第一纹理提取单元，用于利用所述灰度直方图提取处理后的所述训练图像的第一纹理特征信息；其中，所述第一纹理特征信息包括以下信息中的一种或多种：平均亮度信息、平均对比度信息、相对平滑度信息、灰度偏斜信息、灰度一致性信息和像素随机信息；
第二纹理提取单元，用于利用所述灰度共生矩阵提取处理后的所述训练图像的第二纹理特征信息；其中，所述第二纹理特征信息包括以下信息中的一种或多种：灰度均匀度和纹理粗细度信息、平滑度信息、纹理复杂度信息、局部相关度信息、对比度信息和灰度均值信息；
第三纹理提取单元，用于利用所述相邻灰度差分矩阵提取处理后的所述训练图像的第三纹理特征信息；其中，所述第三纹理特征信息包括以下信息中的一种或多种：粗糙度信息和频度信息。
9.根据权利要求6或7所述的装置，其特征在于，所述提取模块还包括：
转换处理单元，用于对处理后的所述训练图像进行颜色空间转换处理，得到转换处理后的训练图像；
量化处理单元，用于基于非均匀量化方法对转换处理后的所述训练图像进行量化处理，得到量化处理后的训练图像；
颜色生成单元，用于对量化处理后的训练图像进行颜色统计，得到对应的颜色相关图；
颜色提取单元，用于利用所述颜色相关图提取量化处理后的所述训练图像的颜色特征信息；其中，所述颜色特征信息至少包括：相同灰度级别的像素点个数信息。
10.根据权利要求6所述的装置，其特征在于，所述建立模块还用于，基于深度神经网络对所述特征信息进行深度学习，建立对应的病灶检测模型。
CN201610978600.4A 2016-11-07 2016-11-07 一种基于pet/ct图像特征的肺部检测方法和装置 Pending CN106530296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610978600.4A CN106530296A (zh) 2016-11-07 2016-11-07 一种基于pet/ct图像特征的肺部检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610978600.4A CN106530296A (zh) 2016-11-07 2016-11-07 一种基于pet/ct图像特征的肺部检测方法和装置

Publications (1)

Publication Number Publication Date
CN106530296A true CN106530296A (zh) 2017-03-22

Family

ID=58349473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610978600.4A Pending CN106530296A (zh) 2016-11-07 2016-11-07 一种基于pet/ct图像特征的肺部检测方法和装置

Country Status (1)

Country Link
CN (1) CN106530296A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
CN108447046A (zh) * 2018-02-05 2018-08-24 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、设备、计算机可读存储介质
CN108805892A (zh) * 2018-06-01 2018-11-13 南方医科大学 一种pet图像鼻咽癌瘤内异质性的定量刻画方法
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110021430A (zh) * 2019-04-09 2019-07-16 科大讯飞股份有限公司 一种病灶的属性信息预测方法及装置
WO2019174376A1 (zh) * 2018-03-14 2019-09-19 大连理工大学 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN110472694A (zh) * 2019-08-22 2019-11-19 广东工业大学 一种肺癌图像病理分类方法及装置
CN110838114A (zh) * 2019-11-11 2020-02-25 苏州锐一仪器科技有限公司 肺结节检测方法、装置及计算机存储介质
CN111008976A (zh) * 2019-12-02 2020-04-14 中南大学 Pet图像的筛选方法和装置
CN111126413A (zh) * 2019-11-25 2020-05-08 郑州大学 基于图像识别的车用燃油清净性快速测定方法及装置
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN111583277A (zh) * 2020-05-07 2020-08-25 三峡大学 肺部ct图像分割方法与装置
CN111709942A (zh) * 2020-06-29 2020-09-25 中南大学 一种基于纹理度优化的锌浮选加药量预测控制方法
CN112991276A (zh) * 2021-02-25 2021-06-18 复旦大学附属中山医院 基于多核素pet影像不同特征对比减影及量化分析方法
CN114419041A (zh) * 2022-03-29 2022-04-29 武汉大学 病灶颜色的识别方法及装置
CN117557560A (zh) * 2024-01-11 2024-02-13 天津医科大学总医院 基于pet和ct图像融合的肺结节病灶识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
CN102005037A (zh) * 2010-11-12 2011-04-06 湖南大学 结合多尺度双边滤波与方向滤波的多模图像融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
CN102005037A (zh) * 2010-11-12 2011-04-06 湖南大学 结合多尺度双边滤波与方向滤波的多模图像融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘慧 等: "基于CT图像纹理分析肿瘤异质性的研究进展及应用", 《国际医学放射学杂志》 *
吴海丰 等: "基于curvelet变换的肺结节CT图像良恶性分类研究", 《北京生物医学工程》 *
殷明 等: "基于非下采样双树复轮廓波变换和稀疏表示的红外和可见光图像融合", 《光学精密工程》 *
程姝: "基于内容的图像检索算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
CN108447046A (zh) * 2018-02-05 2018-08-24 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、设备、计算机可读存储介质
CN108447046B (zh) * 2018-02-05 2019-07-26 龙马智芯（珠海横琴）科技有限公司 病灶的检测方法和装置、计算机可读存储介质
WO2019174376A1 (zh) * 2018-03-14 2019-09-19 大连理工大学 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
US11170502B2 (en) 2018-03-14 2021-11-09 Dalian University Of Technology Method based on deep neural network to extract appearance and geometry features for pulmonary textures classification
CN108805892A (zh) * 2018-06-01 2018-11-13 南方医科大学 一种pet图像鼻咽癌瘤内异质性的定量刻画方法
CN109938764B (zh) * 2019-02-28 2021-05-18 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109938764A (zh) * 2019-02-28 2019-06-28 佛山原子医疗设备有限公司 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110021430A (zh) * 2019-04-09 2019-07-16 科大讯飞股份有限公司 一种病灶的属性信息预测方法及装置
CN110472694A (zh) * 2019-08-22 2019-11-19 广东工业大学 一种肺癌图像病理分类方法及装置
CN110838114B (zh) * 2019-11-11 2022-07-22 苏州锐一仪器科技有限公司 肺结节检测方法、装置及计算机存储介质
CN110838114A (zh) * 2019-11-11 2020-02-25 苏州锐一仪器科技有限公司 肺结节检测方法、装置及计算机存储介质
CN111126413A (zh) * 2019-11-25 2020-05-08 郑州大学 基于图像识别的车用燃油清净性快速测定方法及装置
CN111126413B (zh) * 2019-11-25 2023-05-05 郑州大学 基于图像识别的车用燃油清净性快速测定方法及装置
CN111008976A (zh) * 2019-12-02 2020-04-14 中南大学 Pet图像的筛选方法和装置
CN111008976B (zh) * 2019-12-02 2023-04-07 中南大学 Pet图像的筛选方法和装置
CN111539944B (zh) * 2020-04-28 2024-04-09 讯飞医疗科技股份有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN111539944A (zh) * 2020-04-28 2020-08-14 安徽科大讯飞医疗信息技术有限公司 肺部病灶统计属性获取方法、装置、电子设备和存储介质
CN111583277A (zh) * 2020-05-07 2020-08-25 三峡大学 肺部ct图像分割方法与装置
CN111709942A (zh) * 2020-06-29 2020-09-25 中南大学 一种基于纹理度优化的锌浮选加药量预测控制方法
CN111709942B (zh) * 2020-06-29 2022-04-12 中南大学 一种基于纹理度优化的锌浮选加药量预测控制方法
CN112991276A (zh) * 2021-02-25 2021-06-18 复旦大学附属中山医院 基于多核素pet影像不同特征对比减影及量化分析方法
CN112991276B (zh) * 2021-02-25 2024-05-14 复旦大学附属中山医院 基于多核素pet影像不同特征对比减影及量化分析方法
CN114419041B (zh) * 2022-03-29 2022-06-21 武汉大学 病灶颜色的识别方法及装置
CN114419041A (zh) * 2022-03-29 2022-04-29 武汉大学 病灶颜色的识别方法及装置
CN117557560B (zh) * 2024-01-11 2024-03-22 天津医科大学总医院 基于pet和ct图像融合的肺结节病灶识别方法及系统
CN117557560A (zh) * 2024-01-11 2024-02-13 天津医科大学总医院 基于pet和ct图像融合的肺结节病灶识别方法及系统

Similar Documents

Publication Publication Date Title
CN106530296A (zh) 一种基于pet/ct图像特征的肺部检测方法和装置
Shin et al. Comparison of hand-craft feature based SVM and CNN based deep learning framework for automatic polyp classification
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
Chen et al. GasHis-Transformer: A multi-scale visual transformer approach for gastric histopathological image detection
Karkanis et al. Computer-aided tumor detection in endoscopic video using color wavelet features
Mughal et al. A novel classification scheme to decline the mortality rate among women due to breast tumor
US11593978B2 (en) System and method for forming a super-resolution biomarker map image
Shoieb et al. Computer-aided model for skin diagnosis using deep learning
Malon et al. Classification of mitotic figures with convolutional neural networks and seeded blob features
US9779503B2 (en) Methods for measuring the efficacy of a stain/tissue combination for histological tissue image data
CN104540445B (zh) 图像处理装置、图像处理方法和图像处理系统
CN108549886A (zh) 一种人脸活体检测方法及装置
Abbas et al. A perceptually oriented method for contrast enhancement and segmentation of dermoscopy images
CN105657580B (zh) 一种胶囊内镜视频摘要生成方法
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN104281856B (zh) 用于脑部医学图像分类的图像预处理方法和系统
Ahmed et al. A proposed architecture for convolutional neural networks to detect skin cancers
CN108921205A (zh) 一种基于多特征融合的皮肤病临床图像分类方法
CN104766068A (zh) 一种多规则融合的随机游走舌像提取方法
CN115018820A (zh) 基于纹理加强的乳腺癌多分类方法
CN112750530A (zh) 一种模型的训练方法、终端设备和存储介质
Zhao et al. A strategy to abstract WCE video clips based on LDA
Wang et al. A multimodal molecular image fusion method based on relative total variation and co‐saliency detection
Angelini-Casadevall et al. Improving statistics for hybrid segmentation of high-resolution multichannel images
CN113297978B (zh) 活体检测方法、装置及电子设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170322

RJ01 Rejection of invention patent application after publication