CN109146854B - 一种肺结节与肺部血管伴生关系的分析方法 - Google Patents

Abstract

本发明属于医学影像处理技术领域，尤其涉及一种肺结节与血管伴生关系的分析方法。该方法包括如下步骤：S1、进行肺区预处理；S2、提取肺实质；S3、肺区粗分割；S4、双肺分离；S5：肺叶分割；S6：分析肺结节与肺部血管的伴生关系。本发明提供一种针对肺结节与肺部血管伴生关系的分析方法，该方法根据早期肿瘤进展有赖于血管新生的生物学特点，仔细分析和总结病灶新生血管的CT影像特征，提高判定肺结节性质的准确率。

Description

一种肺结节与肺部血管伴生关系的分析方法

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种肺结节与肺部血管伴生关系的分析方法。

背景技术

肺部疾病已经逐渐成为威胁人类生命健康最普遍的病症，其中肺癌以其不易发现、发现后不易治疗和死亡率高等特点成为癌症中最大的威胁。病人发现明显不适时基本已经失去了最佳的诊断与治疗时期，所以肺部疾病的提早筛查判断及治疗至关重要。

CT(Computed Tomography)是利用精确准直的X线束与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，以不同的灰度表示器官和组织对X线的吸收程度。例如，在胸部CT图像上，低密度的区域表示气管、肺实质，高密度的区域表示血管、胸腔和骨骼等。CT具有扫描时间快、图像清晰等特点，可用于多种疾病的检查，为医生观察诊断疾病提供了方便可靠的依据。

计算机辅助诊断技术(CAD)拉近了图像与医生的距离，医生参照计算机初步给出的识别诊断结果做出进一步的判断。虽然还不能达到一步到位的诊断结果，但是已为医生的诊断过程节省了大量时间。通过CAD对图像的量化处理，规避了人眼对灰阶的短暂不敏感，减少了经验误导，提供了精准的定量分析，获得了诊断的一致性。

CAD在早期诊断方向提供了巨大贡献，随着计算机科学与图像处理技术的发展，辅助诊疗日趋完善，对肺部较精细组织的分割以及对结节的定量、定性分析、与其他组织的联系已逐渐成为研究热点。

肺内结节与血管的伴生关系对于结节性质的判断有重要意义，仅通过肺结节恶性征象如分叶征、胸膜凹陷征、毛刺征和血管集束征等几乎不存在或者出现概率很低的情况下判断良恶性，极容易造成漏诊或者误诊。目前还没有公开一种针对肺结节与血管伴生关系的分析方法。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种针对肺结节与肺部血管伴生关系的分析方法，该方法根据早期肿瘤进展有赖于血管新生的生物学特点，仔细分析和总结病灶新生血管的CT影像特征，提高判定肺结节性质的准确率。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种肺结节与肺部血管伴生关系的分析方法，包括如下步骤：

S1、对待处理的肺部CT图像，对所述CT图像中的肺部区域进行预处理；

S2、提取预处理后的肺部区域的肺实质信息；

S3、滤除提取肺实质信息中的气管信息，以及对滤除气管信息后的肺实质信息中进行填补空洞的处理，获得从所述CT图像中粗分割的第一类肺信息；

S4、基于第一类肺信息，利用寻找连接点的方式，结合最短路径的算法提取第一类肺信息中双肺的分割线，并采用提取的分割线对所述第一类肺信息进行分割、平滑边缘，获得第一类肺信息中的五个肺叶；

S5、对每一个所述肺叶进行滤波处理，并将滤波后的肺叶进行肺裂缝的增强处理；

结合距离变换的分水岭算法对每一个增强处理后的肺叶进行分割；

S6、从步骤S5中处理后的所述肺叶中提取肺结节，对提取后的肺结节进行判断，如果属于假阳，则去除；

否则，对不属于假阳的肺结节和肺部血管的伴生关系进行分析。

进一步地，所述步骤S1包括以下步骤：使用均值迭代阈值的算法，将所述肺部CT图像转化为目标与背景明显区分开来的二值图像，具体地：

(1)接收所述肺部CT图像中每一个像素点的灰度，灰度大于初始阈值T的进入集合G₁，反之进入集合G₂，所述初始阈值T为-950Hu～-350Hu；

(2)分别计算集合G₁及G₂中的灰度均值，记为m₁和m₂；

(3)根据公式T’＝(m₁+m₂)/2，获取新的阈值T’；

(4)将新的阈值T’与上一次迭代后的阈值作差，若该差值接近于0，停止计算新的阈值，T’作为最终阈值，比T’小的灰度赋值为0，比T’大的灰度赋值为1，得到二值图像，否则重复(1)～(3)。

进一步地，所述步骤S2包括：

采用Freeman链码对肺实质边界进行扫描，获取预处理后的肺部区域中肺实质信息的边界线，根据边界线提取肺实质信息。

进一步地，所述步骤S3包括：

利用区域生长算法提取并滤除气管；

对滤除气管的二值图像使用形态学操作，开操作滤除该二值图像中的较小噪声，分隔一些肺轮廓粘连区域；闭操作填补空洞，平滑边缘，从而提取得到第一类肺信息。

进一步地，所述步骤S4包括：

基于第一类肺信息，利用寻找连接点的方式，结合最短路径的算法提取第一类肺信息中双肺的分割线；

连接点的寻找方法如下：

(1)取x为[i_x-128,i_x+128]，y为[0,i_y]；

(2)遍历每个x上的灰度为0的y的个数，取统计数最小的一个，记为connectX；

(3)取connectX值中y值的最上点记为TopY和最下点记为BottomY，记为要寻找的连接点；

采用提取的分割线对所述第一类肺信息进行分割、平滑边缘，获得第一类肺信息中的五个肺叶；

平滑过程如下：

(1)确定要处理的双肺的外部轮廓的范围；

(2)计算已经确定的所述轮廓上点的曲率值；

(3)对不属于大曲率点的曲率点进行排除，所述大曲率点为与相邻两个曲率点距离均大于30mm的曲率点；

(4)判断每个空洞的区域并进行比较、填充。

进一步地，使用高斯滤波器对每一肺叶图像进行滤波，平滑去噪；

使用海森裂缝性滤波器对高斯滤波后的肺叶图像进行滤波，去除裂缝局部亮点、检测曲线、平面结构和抑制血管壁信号；

利用海森裂缝性滤波器增强肺叶图像中的特征点，然后将滤波器处理过的肺叶图像与原肺叶图像相乘，裂缝的点会被增强，而其他组织会被抑制；

结合距离变换的分水岭算法对海森滤波后的肺叶进行分割。

进一步地，所述步骤S6中，在检测出肺结节的位置后，首先确定几何中心，然后获得肺结节较长的半径以制作包围肺结节的球体，最后在球面上检测连通域个数，根据连通域个数判断肺结节的类型。

进一步地，所述步骤S6包括：

结合二维三维矩分析对肺结节进行提取，利用有约束的区域生长以及像素点个数方差信息对部分假阳进行滤除；根据肺结节的类型以形态学的角度对肺结节与肺部血管的伴半生关系进行分析。

(三)有益效果

本发明的有益效果是：将本发明提供的肺结节与肺部血管伴生关系的分析方法运用于肺结节良恶性的判断中，从而对肺疾病提早筛查判断以及治疗。良好的分割系统既能提高阅片效率，提升诊断准确率，又能节省劳动力，基于分割后的图像可以对肺结节的良恶性进行准确判断。

附图说明

图1为本发明实施例中肺结节与肺部血管伴生关系的分析方法的流程图；

图2(a)为本发明实施例中肺部CT图像的原图；

图2(b)为本发明实施例步骤S1利用均值迭代阈值对图像进行粗分割的结果图；

图3为本发明实施例步骤2中8链码的示意图；

图4(a)为本发明实施例步骤S2中肺轮廓边界的示意图；

图4(b)为本发明实施例步骤S2中肺实质的二值图像；

图5(a)为本发明实施例步骤S3中气管的二值图像；

图5(b)为本发明实施例步骤S3中滤除气管的结果示意图；

图6为本发明实施例步骤S3中的肺区粗分割结果图；

图7(a)为本发明实施例步骤S4中Q的点集图；

图7(b)为本发明实施例步骤S4中凸包P的示意图；

图8(a)为本发明实施例步骤S4中的双肺左右边界及中线标记图；

图8(b)为本发明实施例步骤S4中的双肺粘连图；

图8(c)为本发明实施例步骤S4中的双肺分割图；

图9为本发明实施例步骤S5中高斯滤波结果图；

图10(a)为本发明实施例步骤S5中的肺部裂缝增强图；

图10(b)为本发明实施例步骤S5中的滤波结果与原图相乘图；

图11为本发明实施例步骤S5中的肺叶分割图；

图12(a)为本发明实施例步骤S6中的球面示意图；

图12(b)为本发明实施例步骤S6中球面上的曲面连通域的示意图；

图13(a)为本发明实施例步骤S6中的Ⅰ型模型示意图；

图13(b)为本发明实施例步骤S6中的Ⅱ型模型示意图；

图13(c)为本发明实施例步骤S6中的Ⅲ型模型示意图；

图13(d)为本发明实施例步骤S6中的Ⅳ型模型示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本实施方式提供了一种肺结节与肺部血管伴生关系的分析方法，该方法用于结合肺结节与血管的伴生关系对肺结节良恶性进行分析判断。在本实施方式中，以肺部CT图像为例进行详细的说明，具体的如下所述。

如图1所示，该方法包括如下步骤：

S1、对肺部CT图像中的肺部区域进行预处理。

使用均值迭代阈值的算法，将如图2(a)所示的肺部CT图像转化为目标与背景明显区分开来的二值图像。

其中，均值迭代阈值的算法是根据区域灰度差异化的分割算法，其核心思想就是利用提取目标与背景存在较大灰度差异的特征，通过自动或人工的方式获取具有特性的阈值，将图像分为灰度级差异明显的两个区域组合，从而达到对目标进行提取的目的。获得分界阈值后，将图像的每一个像素点都与该值进行比较，比较后进行归类，分为大于阈值T类和小于阈值T类。假定原始图像为F(x,y)，分割之后的图像为B(x,y)，阈值分割算法的基本原理为：

该算法的核心就在于分界阈值的选择上，确定好的阈值就能获得好的二值图像。

迭代均值阈值分割算法的实现流程为：

(1)选定初始阈值T(若无先验值，可选像素均值)；

(2)用T将肺部CT图像分割成两个集合：灰度大于T的进入集合G₁，反之进入集合G₂；

(3)分别计算集合G₁及G₂中的像素均值，记为m₁和m₂；

(4)计算新的阈值：T’＝(m₁+m₂)/2；

(5)将新的阈值T’与上一次迭代后的阈值作差，若该差值接近于0，停止计算新的阈值，T’作为最终阈值，比T’小的灰度赋值为0，比T’大的灰度赋值为1，得到二值图像，否则重复(2)～(4)。

优选地，肺实质的CT值在-950Hu～-350Hu的范围之间，即该组织和骨骼、软组织即脂肪间有明显的差异分界线，以这些分界线为阈值就能将肺实质区域与其他无关区域明显分开。通过对数据的积累分析可知，-400Hu作为初始阈值效果更好，迭代次数较少，运行时间较快。利用均值迭代阈值对肺部CT图像进行粗分割的结果如图2(b)所示。

S2、提取预处理后的肺部区域的肺实质信息。

使用Freeman链码算法，去除体外无关区域，提取肺实质。

对肺实质提取的思路主要是基于对肺实质边界的检测实现的，目的是去除衣物床位等无关的体外区域。此过程中采用Freeman链码对肺实质边界进行扫描，Freeman链码是以点的坐标及方向来描述曲线边界的一种通用算法，是一种以编码形式存在，以精简边界信息，阐述边界像素点集合的一种边界采集方法。优选地，如图3所示，由于在图像的像素分布中，8连通更符合实际情况，因此采用8连通链码获得肺实质的边界线。

边界跟踪的具体搜索过程为：

(1)寻找起始点，取整个图像区域的第一个像素点，以此点开始搜索；

(2)搜索方向，如图3所示，对于第一个点，从方向1开始逆时针遍历邻域，方向从1至0。确定新的一点之后，方向为前一点到当前点逆方向加1为新的搜索方向；

(3)按照搜索顺序记录得到的点集，终止条件为最后一个点与第一个点重合。

肺部CT图像有对称性，分别从图像的左、右两侧一起向中间进行遍历，可以节省时间。根据影像学经验，遍历检索到的第一个边界应为身体区域，而第二个边界才应该是目标区域，将此点作为起始点开始算法。采用8邻域链码的检索方式获得肺实质的轮廓线，应注意以下规则：

(1)检索点数小于300的继续搜索；

(2)不闭合的继续扫描；

(3)点集个数在400～70000之间的设定为肺实质轮廓边界，终止扫描。

如图4(a)所示,得到肺轮廓边界后，再次将利用均值迭代阈值对肺部CT图像进行粗分割的结果图导入，轮廓边界内的部分为肺实质，结果如图4(b)所示。

S3、滤除提取肺实质信息中的气管信息，以及对滤除气管信息后的肺实质信息中进行填补空洞的处理，获得从CT图像中粗分割的第一类肺信息。

利用区域生长算法提取并滤除气管。

肺实质的粗分割后需要滤除肺部CT二值图像中的气管，如图5(a)所示。因为这些大的气道树像素在某些特征滤波器下会影响整张图像的均值、特征等，并且会对肺结节的提取造成干扰。因此，需要利用区域生长算法对气管进行提取并滤除。

区域生长的核心思路就是将特征相似的点构造成连通区域，算法实现如下：

(1)遍历图像，以第一个无归属区域的点为起始种子点；

(2)以起始种子点搜索其邻域，将满足生长准则的点归入新的种子点区域，并将其压入堆栈；

(3)从堆栈中提取像素点，当作起始种子点，重复步骤(2)；

(4)检测堆栈是否为空，若是空，即此时已完成一个连通域的生长，再次执行步骤(1)；若不为空继续执行步骤(3)；

(5)不断遍历图像中的像素点重复步骤(1)～(4)，直到所有点都被分配，算法终止。

气管滤除的算法实现过程：

(1)在三维层面，对肺部CT图像实现区域生长算法，从左至右寻找起始种子点，并获取种子点集合，再从右至左遍历种子点集合。寻找种子点的约束条件为，在肺实质中且CT值0<T<350，然后使用26邻域区域生长；

(2)为获得气管的初始生长区域，将步骤(1)的生长结果与肺实质异或，此时肺部血管(即肺叶上的血管)的干扰已经初步剔除；

(3)在步骤(2)的结果图中，将CT值小于70且包含在肺实质中的点作为气管区域种子点群；

(4)以新的种子点集合，采用三维26邻域区域生长，气管提取结果如图5所示；

(5)最后与肺部CT二值图像做异或操作，滤除气管，结果如图5(b)所示。

利用形态学算法填补空洞，完成肺区粗分割。

如图6所示，对上述操作后的二值图像使用形态学操作，开操作滤除肺中的较小噪声，分隔一些肺轮廓粘连区域；闭操作填补空洞，平滑边缘，从而实现完整的肺区提取，完成肺区粗分割。

S4、基于第一类肺信息，利用寻找连接点的方式，结合最短路径的算法提取第一类肺信息中双肺的分割线，并采用提取的分割线对第一类肺信息进行分割、平滑边缘，获得第一类肺信息中的五个肺叶。

首先对双肺的粘连进行判断，然后寻找连接点，从而找出最优路径进行双肺的分割。

优选地，运用最小外接矩算法对双肺的粘连进行判断，最小外接矩是结合凸包以及旋转的一种形态学算法。

凸包的具体实现如下：

(1)对点集Q{Q₀,Q₁,Q₂,…，Q_n}(如图7(a)所示)寻找凸包。首先检测到位于点集左下角的点(即y值最小的点，若多个点y值相等，则比较其x值，取最小)记为P₀。然后遍历剩余的点与P₀相连，并计算x轴正向夹角，取夹角最小的点为下一点(若有多点夹角相同，取与P₀相距较远的点)，从而获得新的点集P{P₀,P₁,P₂,…，P_m}(m≤n)；

(2)对新的点集P₀,P₁,P₂,…，P_m-1逐一筛查，若相邻的三个点满足顺时针关系，则保留中间一点；反之需将其从点集中删除。筛查完毕后满足审查的点为凸包顶点；

(3)依照检测顺序连接凸包顶点，获取点集Q的凸包P，凸包P的形成如图7(b)所示。

最小外接矩的详细计算过程如下：

(1)选凸包P上任一顶点为旋转中心，使得该点所在边与x轴平行，计算最小外接矩，并记住旋转角度；

(2)遍历凸包P的每一条边，重复步骤(1)；

(3)排列面积大小，取最小的外接矩为最终结果，并回转角度。

此时利用最小外接矩的算法对左右肺是否粘连进行判断，方法如下：

(1)对一整套数据序列取中间层，分别获得x轴向边界值MostLeftX与MostRightX，计算中间值MiddleX，标记方式如图8(a)所示；

(2)由于每层图像肺实质的大小均有差异，所以需要对MiddleX扩充一些像素点，左右各取10；

(3)最后，比较层的边界为rect.left和rect.right，若满足(rect.left＜(MiddleX-10))&&(rect.right＞(MiddleX+10))，则说明该层双肺粘连，若不满足此条件，则说明该层双肺不粘连。

如图8(b)所示，在确定双肺粘连的情况下，就可以通过确定连接点的方法来连接分割线，从而区分左右肺区了。方法如下：

(1)取x为[i_x-128,i_x+128]，y为[0,i_y]；

(2)遍历每个x上的灰度为0的y的个数，取统计数最小的一个，记为connectX；

(3)取connectX值中y值的最上点记为TopY和最下点记为BottomY，记为要寻找的连接点。

接着，在已经确定的分割区域中，寻找连接点之间的分割线。根据灰度信息结合Dijkstra最短路径的算法，可以拟合分割线，良好分割左右肺区，分割结果如图8(c)所示。该算法的核心思想是：

设顶点的集合为V，将其分开为两组S和U，S为已确定最短路径的集合，U为未求出最短路径的集合。S中起初只含有初始点v，每计算完成一次最短路径，就将其结果融入到S中，所有顶点都出现在S中时，就终止进程。在U中执行最短路径的计算过程，需满足v到S中各点的长度均小于v到U中各点的长度，且U中各顶点的距离时v到该点仅包含S中的顶点为中间项的当前最短路径长度。

算法步骤如下：

(1)算法起初，S中只有v一个点，即S＝{v}，v的距离为0。U中应包括剩余的顶点，即：U＝{剩余顶点}，若v与U中各顶点有界，则有距离权值，若U中的点不是v的相邻点，则距离权值为无穷；

(2)计算U中各顶点到v的距离，取最小值的点为k，将之加入S中；

(3)将k视为新的中间点(同上一步的v)，修正U中距离，继续向S中添加元素；

(4)重复步骤(2)和(3)直到所有顶点都包含在S中。

其次，需要对双肺分割图像进行边缘平滑，使其拥有完整的肺部轮廓，进而使得一些定量分析更为准确。优选地，在完成肺区粗分割以及双肺分割的步骤后，需要对一些由特殊情况，如与肺壁粘连型结节等造成的肺壁凹陷、漏洞等进行修补，使其拥有完整的肺壁轮廓，进而使得一些定量分析更为准确。

边缘平滑的主要步骤为：

(1)确定要处理的双肺部外轮廓的范围，要处理的肺轮廓的范围是靠近外侧的轮廓区域，而靠近中心的肺轮廓不在将要处理范围之内；

(2)计算已经确定的轮廓上点的曲率值，由于空洞处曲率值都比较大，设置一定的条件将大部分点删除掉，而留下空洞处的大曲率值，例如，对第i个曲率点，计算第i个与第i-1个的距离d₁，与第i+1个的距离d₂，倘如d₁、d₂的距离均大于30mm，则认为此第i个曲率点为所需删除的大曲率点；

(3)对不属于大曲率点的曲率点进行排除；

(4)判断每个空洞的区域并进行比较、填充。

S5、将高斯矩阵和海森矩阵结合起来对双肺分割后的每一肺叶图像进行多尺度滤波，并对肺裂缝进行增强，结合距离变换的分水岭算法对每一个增强处理后的肺叶进行分割。

首先，使用高斯滤波器对每一肺叶图像进行滤波，平滑去噪。

在肺叶图像通过海森裂缝性滤波器前，需要经过高斯滤波器对肺叶图像进行平滑去噪处理，而高斯滤波是用权值来改变邻域，滤波结果比较柔和，边缘处理较好，既能起到平滑去噪的作用，还能更多地反应灰度分布特征，留下的特征信息较全面。此过程中选用离散化窗口滑窗卷积，利用奇数大小的高斯核作为模板进行卷积。对于常规较小图像，一般可选用3×3的高斯模板，通过高斯函数来计算模板中的各个参数，计算公式为：

其中：x²+y²代表的是像素点与中心的距离，σ是标准差。结果如图9所示。

其次，使用海森裂缝性滤波器对上述肺叶图像进行滤波，达到去除裂缝局部亮点、检测曲线、平面结构以及抑制血管壁信号等作用。

在利用高斯滤波器过滤肺叶图像后将使用海森矩阵的特征值对肺叶图像进行分析，使用海森裂缝性滤波器增强肺叶图像中特征点。在此过程中需利用海森矩阵的特征值来判断肺叶图像中的点是否为特征点，特征值λ₁，λ₂，λ₃计算并排序使得|λ₁|≤|λ₂|≤|λ₃|。在每一个点我们定义裂缝如下(F表示该点的裂缝性)：F＝ГF_planeF_wallF_vessels

第一个因素抑制极大特征值λ₃为正的点，此为裂缝局部亮点：

第二个因素通过搜索两个明显不同的最大特征值位置来检测平面或曲线状结构。|λ₂|/|λ₃|为第二几何特征，该比率主要用于区别球状结构和线面结构，当该比率趋于0的时候，代表球状结构；当趋于1的时候，代表线面结构。检测平面或曲线结构公式如下：

其中：p用作|λ₂|/|λ₃|的软阈值。

第三个因素抑制了血管壁信号，与裂缝面相比，血管壁可能具有相对大的第二特征值，以及可能还具有第三大的特征值。使用软阈值参数w＝3：

最后一项降低了血管附近的点的裂缝值：

经过海森裂缝性滤波器之后，如图10(a)所示，肺叶裂隙处的特征点被明显增强，经计算不难发现裂缝性F的值介于0到1之间，与裂缝越相似的结构越趋近于1，相反的结构趋近于0。将海森裂缝性滤波器处理过的肺叶图像与原肺叶图像相乘，裂缝的点会被增强，结果如图10(b)所示。

最后，结合距离变换的分水岭算法对经过海森裂缝性滤波器处理的肺叶图像进行处理，降低肺叶血管附近小血管的影响。

设I为二值图像，所有图中像素均为0，1。根据像素值将图像划分为两个集合(O_b,B_g)，其中O_b＝{(x，y)|I(x，y)＝1}为目标像素点集合，B_g＝{(x，y)|I(x，y)＝0}为背景像素点集合。求I中的所有像素I(x，y)到B_g中像素的最短距离即为I的距离变换：

分水岭算法运算耗时低，运行稳定，但由于图像内部存在较多噪声，会造成许多假的最小值点，即使经过简单的预处理仍无法很好地解决这种错分割现象，当假的最小值数量超过真正的目标点时，就会出现过分割现象。为了解决这一现象，将分水岭算法与距离变换结合起来使用。

基于距离变换的分水岭算法的流程如下：

(1)取目标图像的二值形式；

(2)对目标图像求距离变换；

(3)求出距离变换的分水岭分割。

运用距离变换的分水岭算法完成肺叶的分割，结果如图11所示。

S6、结合二维三维矩分析对肺结节进行提取，利用有约束的区域生长以及像素点个数方差信息对部分假阳进行滤除，最后以形态学的角度对肺结节与肺部血管的伴生关系进行分析。

首先，通过分析候选区域的形状结合二维、三维矩分析来判断是否是肺部结节。

选区肺结节的目标区域是经步骤S1～S5处理后的图像中的高亮区域，在此区域中取以高亮点，运用8邻域区域生长，对生长结果使用最小外接矩算法检测其长宽数值。二维矩分析的结果由最小外接矩的长宽比分析得来，分析如下：

(1)若最小外接矩长宽比大于3，则认为是血管区域，作筛除处理；

(2)若检测目标像素点个数小于3，则认为该目标是噪声等干扰，不计入判断，作筛除处理；

(3)若检测目标像素点个数与其面积的比小于0.35，则认为该目标特征信息不明显，作筛除处理。

遍历图像的所有高亮点，若满足以上三点的任意一点，都表明该高亮区域不满足肺结节特性，予以删除。

海森矩阵检测类圆形候选点：肺结节呈现球型，其特征量没有主方向，大小接近，即λ₁≈λ₁≈λ₁≤0

由上式可以看出线型和扁平型的假阳性肺结节的Hessian(λ₁,λ₂,λ₃)趋近于0，而对于球型肺结节的Hessian(λ₁,λ₂,λ₃)趋近于1。

三维矩分析是接续海森矩阵的滤波结果继续分析的，以其滤波后满足要求的点集运用6邻域区域生长，对生长结果予以分析比较：

(1)若该生长区域与二维矩分析派出的区域相连通，则不进入三维矩阵分析；

(2)若没有发生步骤(1)的情况，则继续在三维层面判断：

(a)若z轴的长度与二维最小外接矩的长宽最大值的比大于3，则认为是血管区域，作筛除处理；

(b)若检测目标像素点个数与其体积的比小于0.26，则认为该目标特征信息不明显，作筛除处理。

结合二维、三维矩分析后，没有被筛除的区域确定为最终的肺结节结构。

其次，利用带约束的区域生长算法，在肺结节与血管相连的情况下，连接部分在生长时不会进入血管区域，接着利用一些特异特征排除假阳。

带约束的区域生长：

(1)以海森矩阵检测出的像素点为预选区域，以此区域运用26邻域的区域生长算法生长出新的种子点候选区，计算该区域的均值方差；

(2)利用上述的种子点区域，运用4邻域区域生长，生长条件为：相邻的像素点的CT值跟均值的差的绝对值小于方差的两倍即可生长，每次判断生长条件后，需要更新新区域的均值方差，以达到生长目的。

滤除假阳的一个重要特异性特征就是二维平面上单层肺结节像素点个数的变化差异。利用这一差异，计算出目标区域每层横断面的像素点个数，计算方差，肺结节的点数变化明显，所以方差较大，而血管方差较小，与肺结节明显区分，从而滤除假阳。

肺结节与肺部血管伴生关系的分析。

在检测出肺结节的位置之后，首先要确定几何中心，求解几何中心的公式如下，其中1～n都是肺结节内的像素点：

得到几何中心之后，需要获得肺结节的较长的半径以制作包围肺结节的球体，长径的求解公式如下：

围绕肺结节组织制作球体，获取其球面信息，球面上的点应满足如下公式：

其中，i的集合代表遍历图中所有像素点的集合，判断是否相等的数值均需取整，球面示意图如图12(a)所示。将球体内包含的各个层面作阈值分割，使其成为二值图像，高亮的血管区域被标记为1，而背景被标记为0。

为确定肺部血管与肺结节的伴生关系，需要在球面上检测连通域个数，检测三维连通域个数的具体步骤为：

(1)为检出该血管曲面要使用26邻域三维区域生长，找到所有为1的高亮点作为生长的种子点集，以第一个点开始区域生长，球面上的曲面连通域示意图如图12(b)所示；

(2)将生长完成的像素点标记为-1，计算连通域中像素点的个数(删除像素点个数为1的连通域)，并从种子点集中去除标记为-1的种子点；

(3)以剩余点集的第一个点继续完成步骤(1)，依次按步骤(2)的方式继续标记为-i，直到种子点集全部生长完成为止，i的结果即为包含了几个三维的连通区域。

部分肺结节与肺部血管的伴生性状有以下四种模型：

Ⅰ型：如图13(a)所示，病灶孤立存在，无血管进入病灶，或仅见血管从病灶旁绕行；

Ⅱ型：如图13(b)所示，血管穿过病灶，但病灶内血管段行走正常，无增粗、无扭曲等变形；

Ⅲ型：如图13(c)所示，血管进入病灶，且病灶内血管段行走扭曲、僵直，可见明显增多、增粗等改变；

Ⅳ型：如图13(d)所示，两支及以上血管进入病灶，且在病灶内形成分支，分支间存在连通，血管管径不规则，局部有增粗，呈囊样扩张。

根据连通域个数的比较分析，其结论分析如下：

(1)若连通域个数为0，则判定为Ⅰ型肺结节；

(2)若连通域个数为1，则判定为Ⅱ、Ⅲ型肺结节；

(3)若连通域个数为2，则有可能是单一血管贯穿肺结节，也有可能是两条血管都进入但未贯穿肺结节，此时需进一步判断。分别取这两个连通域所有点的集合，分别求取其重点，计算两点间的距离D。

(a)若D≥0.8×2R，则判定为一条贯穿血管，Ⅱ、Ⅲ型肺结节；

(b)若D＜0.8×2R，则判定为两条未贯穿血管，Ⅳ型肺结节；

其中：2R为肺结节的直径

(4)若连通域个数多于2，则判定为Ⅳ型肺结节。

如表1所示，为肺结节与血管关系。

表1肺结节—血管关系

从上表中良恶性不难看出，Ⅰ型中66.7％为浸润前病灶，33.33％为浸润性腺癌，符合孤立型肺结节一旦形成，多年无变化，少量为恶性的病理学特征；在Ⅲ型、Ⅳ型伴生关系的浸润性腺癌中，Ⅲ型占90.48％，而Ⅳ型占95％，与良性和侵润前病灶有明显差异，具有统计学意义，即具有Ⅲ型、Ⅳ型伴生关系的肺结节恶性几率极大；而Ⅱ型肺结节基数是最大的，出现率较高，该结论符合组织病理学理论。

综上所述，本发明提供的肺结节与血管伴生关系的分析方法运用于肺结节良恶性的判断中，从而对肺疾病提早筛查判断以及治疗。良好的分割系统既能提高阅片效率，提升诊断准确率，又能节省劳动力，基于分割后的图像可以对肺结节的良恶性进行准确判断。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (6)

1.一种肺结节与肺部血管伴生关系的分析方法，其特征在于，包括如下步骤：

S1、对待处理的肺部CT图像，对所述CT图像中的肺部区域进行预处理；

S2、提取预处理后的肺部区域的肺实质信息；

S3、滤除提取肺实质信息中的气管信息，以及对滤除气管信息后的肺实质信息中进行填补空洞的处理，获得从所述CT图像中粗分割的第一类肺信息；

S4、基于第一类肺信息，利用寻找连接点的方式，结合最短路径的算法提取第一类肺信息中双肺的分割线，并采用提取的分割线对所述第一类肺信息进行分割、平滑边缘，获得第一类肺信息中的左右两个肺叶；

S5、对每一个所述肺叶进行滤波处理，并将滤波后的肺叶进行肺裂缝的增强处理；

结合距离变换的分水岭算法对每一个增强处理后的肺叶进行分割；

S6、从步骤S5中处理后的所述肺叶中提取肺结节，对提取后的肺结节进行判断，如果属于假阳，则去除；

否则，对不属于假阳的肺结节和肺部血管的伴生关系进行分析；

在检测出肺结节的位置后，首先确定几何中心，然后获得肺结节较长的半径以制作包围肺结节的球体，最后在球面上检测连通域个数，根据连通域个数判断肺结节的类型；

若连通域个数为0，则判定为Ⅰ型肺结节；

若连通域个数为1，则判定为Ⅱ、Ⅲ型肺结节；

若连通域个数为2，则判定为Ⅱ、Ⅲ型肺结节或Ⅳ型肺结节；

若连通域个数多于2，则判定为Ⅳ型肺结节。

2.根据权利要求1所述的肺结节与肺部血管伴生关系的分析方法，其特征在于，所述步骤S1包括以下步骤：使用均值迭代阈值的算法，将所述肺部CT图像转化为目标与背景明显区分开来的二值图像，具体地：

(1)接收所述肺部CT图像中每一个像素点的灰度，灰度大于初始阈值T的进入集合G₁，反之进入集合G₂，所述初始阈值T为-950Hu～-350Hu；

(2)分别计算集合G₁及G₂中的灰度均值，记为m₁和m₂；

(3)根据公式T’＝(m₁+m₂)/2，获取新的阈值T’；

(4)将新的阈值T’与上一次迭代后的阈值作差，若该差值接近于0，停止计算新的阈值，T’作为最终阈值，比T’小的灰度赋值为0，比T’大的灰度赋值为1，得到二值图像，否则重复(1)～(3)。

3.根据权利要求1所述的肺结节与肺部血管伴生关系的分析方法，其特征在于，所述步骤S2包括：

采用Freeman链码对肺实质边界进行扫描，获取预处理后的肺部区域中肺实质信息的边界线，根据边界线提取肺实质信息。

4.根据权利要求1所述的肺结节与肺部血管伴生关系的分析方法，其特征在于，所述步骤S3包括：

利用区域生长算法提取并滤除气管；

对滤除气管的二值图像使用形态学操作，开操作滤除该二值图像中的较小噪声，分隔一些肺轮廓粘连区域；闭操作填补空洞，平滑边缘，从而提取得到第一类肺信息。

5.根据权利要求1所述的肺结节与肺部血管伴生关系的分析方法，其特征在于，所述步骤S4包括：

基于第一类肺信息，利用寻找连接点的方式，结合最短路径的算法提取第一类肺信息中双肺的分割线；

连接点的寻找方法如下：

(1)取x为[i_x-128,i_x+128]，y为[0,i_y]；

(2)遍历每个x上的灰度为0的y的个数，取统计数最小的一个，记为connectX；

(3)取connectX值中y值的最上点记为TopY和最下点记为BottomY，记为要寻找的连接点；

采用提取的分割线对所述第一类肺信息进行分割、平滑边缘，获得第一类肺信息中的左右两个肺叶；

平滑过程如下：

(1)确定要处理的双肺的外部轮廓的范围；

(2)计算已经确定的所述轮廓上点的曲率值；

(3)对不属于大曲率点的曲率点进行排除，所述大曲率点为与相邻两个曲率点距离均大于30mm的曲率点；

(4)判断每个空洞的区域并进行比较、填充。

6.根据权利要求1所述的肺结节与肺部血管伴生关系的分析方法，其特征在于，所述步骤S5包括：

使用高斯滤波器对每一肺叶图像进行滤波，平滑去噪；

使用海森裂缝性滤波器对高斯滤波后的肺叶图像进行滤波，去除裂缝局部亮点、检测曲线、平面结构和抑制血管壁信号；

利用海森裂缝性滤波器增强肺叶图像中的特征点，然后将滤波器处理过的肺叶图像与原肺叶图像相乘，裂缝的点会被增强，而其他组织会被抑制；

结合距离变换的分水岭算法对海森滤波后的肺叶进行分割。

Images