CN109300113A - 一种基于改进凸包方法的肺结节辅助检测系统及方法 - Google Patents

一种基于改进凸包方法的肺结节辅助检测系统及方法 Download PDF

Info

Publication number
CN109300113A
CN109300113A CN201810984893.6A CN201810984893A CN109300113A CN 109300113 A CN109300113 A CN 109300113A CN 201810984893 A CN201810984893 A CN 201810984893A CN 109300113 A CN109300113 A CN 109300113A
Authority
CN
China
Prior art keywords
lung
target image
image
calculator
lung neoplasm
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.)
Granted
Application number
CN201810984893.6A
Other languages
English (en)
Other versions
CN109300113B (zh
Inventor
信俊昌
李云飞
曲璐渲
苗立坤
王之琼
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810984893.6A priority Critical patent/CN109300113B/zh
Publication of CN109300113A publication Critical patent/CN109300113A/zh
Application granted granted Critical
Publication of CN109300113B publication Critical patent/CN109300113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进凸包方法的肺结节辅助检测系统及方法，涉及计算机辅助检测领域。该系统包括肺轮廓分割、肺实质空洞填充及气管去除、肺边界修补、疑似候选结节分割、灰度共生矩阵构造、Haralick特征参数计算、Haralick特征集合构成和肺结节辅助检测8个单元；该方法包括：获取肺结节图像并预处理；对图像进行二值化分割；去除图像中非重点部分；修补边缘的凹陷；获取疑似候选结节区域并提取其特征值；判断特征值是否符合过滤条件；生成符合条件图像的灰度共生矩阵及Haralick特征集合；获得训练后的ELM诊断器；获得待诊断肺结节图像的风险概率。本方法能够有效改善肺结节患病风险预测的性能，辅助临床医生根据风险概率更好的为病人诊断，提高诊断的准确性。

Description

一种基于改进凸包方法的肺结节辅助检测系统及方法
技术领域
本发明涉及计算机辅助检测技术领域，具体涉及一种基于改进凸包方法的肺结节辅助检测系统及方法。
背景技术
目前，肺癌已成为死亡率最高的恶性肿瘤，主要是因为早期难发现，晚期难治愈。肺癌的早期表现形式是肺结节，得肺结节早发现，早诊断，早治疗的意义很大。临床上，肺结节的检测方法中最常用的是电子计算机断层扫描CT的影像学检测方法。但是随着CT技术的发展，所能检测到的肺结节越来越多，仅靠影像科医生的视觉观察来发现并诊断肺结节很困难。因此关于肺结节的患病风险预测系统具有很大的研究价值。
图像分割是计算机诊断进行后续处理的基础。医学图像分割的主要目的是将各种细胞、组织、器官和病变部位的图像与其他部位分割开来作为处理的对象或内容。肺部分割方法主要有基于阈值法的分割、基于区域生长方法的分割和水平集方法的分割以及一些基于混合方法的分割，但是这些方法并没有有效的处理肺内外轮廓上的凸包形态。
由于与肺壁黏连的边缘型肺结节存在，以及与肺门处黏连的血管的存在，会导致分割后肺实质掩模的边缘出现凹陷，为了获得更加完整的肺实质，为了之后肺结节的分析和提取，需要对分割后的肺实质进行凹陷修补。肺实质的分割是为了后续肺结节的分割，而肺结节的分割提取，本质上是让肺内的肺结节与肺血管分开。因此，如何有效处理肺内外轮廓上的凸包形态，提高肺结节辅助诊断的准确率成为了急需解决的问题。
发明内容
针对现有技术存在的问题，本发明提供一种基于改进凸包方法的肺结节辅助检测系统及方法，采用改进的三层动态粒子群算法对生成的支持向量机核函数的参数进行优化，充分利用分布式计算环境，大大提高了模型的训练速度，并且支持多分类问题，广泛应用于工业生产、生活、服务等方面，例如故障诊断、销售系统、疾病诊断以及信贷评级等。
为了实现上述目的，一种基于改进凸包方法的肺结节辅助检测系统，包括肺轮廓分割单元、肺实质空洞填充及气管去除单元、肺边界修补单元、疑似候选结节分割单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节辅助检测单元；
肺部轮廓分割单元：用于将肺部CT图像作为目标图像，采用自适应阈值的方法，进行最大类间方差法二值化分割，并将得到图像基于边界追踪的人体胸廓的分割方式进行分割，得到肺部轮廓图像；
肺实质空洞填充及气管去除单元：用于将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管；
肺边界修补单元：用于修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集，判断在轮廓曲线上两点之间的距离，进行循环插值连接；
疑似候选结节分割单元：通过完整的肺实质模板和包含肺结节的肺实质做图像对比操作，将包含肺结节的肺实质提取出来，并将确定肺结节和其他疑似候选肺结节中的组织成分进行甄别区分，完成假阳性肺结节的过滤；
灰度共生矩阵构造单元：用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵，并计算灰度共生矩阵中各灰度值组合在目标图像上的概率，确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；所述X为二维坐标轴的横坐标，表示像素点在图像中的水平方向位置；所述Y二维坐标轴的纵坐标，表示像素点在图像中的垂直方向位置；
Haralick特征参数计算单元：用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数，即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度；
Haralick特征集合构成单元：用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，根据得到目标图像的13个特征均值和13个特征方差，组成目标图像的Haralick特征集合；
肺结节辅助检测单元：用于将疑似候选结节的Haralick特征集合进行特征选择，并将结构输入到已通过LIDC-IDRI数据集训练的ELM模型中进行测试，得到候选疑似结节的检出率。
可选地，所述肺轮廓分割单元，包括目标图像预处理器、二值化分割器和胸廓分割器；
所述目标图像预处理器，用于在CT图像基于自动获取的图像均一化值的基础上进行窗宽窗位的调整，增强灰度特征的表现；
所述二值化分割器，用于基于最优阈值法二值化对预处理后图像进行二值化分割，得到人体胸廓粗分割模板；
所述胸廓分割器，用于基于边界追踪的人体胸廓分割法，去除图像下方CT床、衣物等非人体结构。
可选的，所述肺实质空洞填充及气管去除单元，包括肺实质空洞填充器和气管去除器；
所述肺实质空洞填充器，用于基于最大类间方差法的肺实质分割，利用自适应的阈值确定方法，按图像的灰度特性，将图像分成背景和目标两部分，从而获得去除空洞的肺实质图像；
所述气管去除器，用于应用连通区域分析和形态学处理方法去除肺轮廓图像中的气管部分。
可选的，肺边界修补单元，包括肺掩模边界获取器、肺轮廓角点检测器和改进凸包方法的肺边界修补器；
所述肺掩模边界获取器，用于基于边界追踪方法寻找两肺边界，获取肺轮廓的凸点集；
所述肺轮廓角点检测器，用于检测肺轮廓图中两肺中间与纵隔心脏相邻的尖点，记录为角点；
所述改进凸包方法的肺边界修补器，用于依据角点集在轮廓曲线上两点间的距离，对角点进行修补，顺次插值连接。
可选地，疑似候选结节分割单元，包括疑似图像预处理器、特征提取器和假阳性肺结节过滤器；
所述疑似图像预处理器，用于基于对比度S型增强和最大类间方差法，获取图像中符合结节形态特征的疑似候选结节区域；
所述特征提取器，用于计算每个区域的区域面积、区域周长、形心坐标、似圆度、长短轴比，得到疑似候选结节区域特征值；
所述假阳性肺结节过滤器，用于基于上述特征值，根据过滤条件阈值，对疑似结节区域进行假阳性过滤。
可选地，所述灰度共生矩阵构造单元，包括灰度共生矩阵生成器和概率参数计算器；
所述灰度共生矩阵生成器，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；所述各个方向上的灰度共生矩阵为：中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i，j)在目标图像上出现的次数作为元素的矩阵；
所述概率参数计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
可选地，所述Haralick特征参数计算单元包括：角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器；
所述角二阶矩计算器，用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值；
所述对比度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值；
所述相关性计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值；
所述方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差；
所述逆差矩计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩；
所述均值和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值；
所述熵和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和；
所述方差和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和；
所述熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵；
所述差值的方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差；
所述差熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵；
所述第一相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度；
所述第二相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
可选地，所述Haralick特征集合构成单元，包括特征均值计算器、特征方差计算器和Haralick特征集合生成器；
所述特征均值计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值，得到目标图像的13个特征均值；
所述特征方差计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差，得到目标图像的13个特征方差；
所述Haralick特征集合生成器，用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。
可选地，所述肺结节辅助检测单元，包括基于遗传选择算法的特征选择器、ELM训练器和ELM诊断器；
所述基于遗传选择算法的特征选择器，用于对现有特征进行基于遗传算法的特征选择，获得高标准特征类别；
所述ELM训练器，用于将LIDC-IDRI数据集中有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为ELM学习机的输入数据，得到ELM学习机的学习参数，从而得到训练后的ELM学习机；
所述ELM诊断器，用于将疑似候选肺结节图像的Haralick特征集合输入到训练后的ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。
采用基于改进凸包方法的肺结节辅助检测的方法，包括以下步骤：
步骤1：获取有标签的肺结节图像，并将肺部CT图像作为目标图像，对目标图像进行预处理，包括对图像窗宽窗位的调整以及增强图像灰度特征的表现；
步骤2：采用自适应阈值的方法，对目标图像进行最大类间方差法二值化分割，得到胸廓粗分割模板；
步骤3：将得到的胸廓粗分割模板图像进行基于边界追踪的人体胸廓分割方式的分割，得到肺部轮廓图像，具体步骤如下：
步骤3.1：对阈值化后的胸部图像进行按行从左到右，从上到下的遍历，找到的第一个灰度值为1的像素点，记作是目标区域轮廓的起点Q0，移动方向为D；
步骤3.2：从右上方45°的位置分别检测Q0八邻域中的每个像素点，并判断该像素点的灰度值是否为1，若是，则沿着顺时针45°方向继续遍历，并记录为边界点Q1，若否，则沿着逆时针45°的方向进行遍历，并记录新的边界点Q0，同时更新移动方向D；
步骤3.3：若点Qn与点Q1且点Qn-1与点Q0重合，则继续步骤3.4，否则返回步骤3.2；
步骤3.4：将检测到的所有边界点按照Q0、Q1、...、Qn顺次相连，构成的边界即为人体外轮廓；
步骤3.5：得到边界后，对边界内区域进行填充，得到人体胸廓的模板图像；
步骤4：将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管；
步骤5：修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集，具体步骤如下：
步骤5.1：利用边界追踪方式获取肺掩模的边界；
步骤5.2：利用Graham扫描法获取左右肺部区域的凸点(外凸点)集P；
步骤5.3：利用Shi-Tomasi检测寻找到两肺中间与纵膈心脏相邻的尖点，即角点，形成角点集；
步骤5.4：判断在轮廓曲线上任意两个角点之间的距离是否小于阈值T，若小于，则从角点集中删去其中一个角点，若不小于，则返回步骤5.4，直到轮廓曲线上任意两点之间的距离均小于阈值T；
步骤6：基于对比度S型增强和最大类间方差法，获取目标图像中符合结节形态特征的疑似候选结节区域，并提取疑似候选结节区域特征值；
步骤7：判断提取的疑似候选结节区域特征值是否符合过滤条件阈值，若符合，则判定疑似候选结节区域是肺结节区域，并获取该区域图像，继续步骤8，若不符合，则判定疑似候选结节区域不是肺结节区域，返回步骤7，直至全部疑似候选结节区域判断完成；
步骤8：将获取到的肺结节区域图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵及Haralick特征集合，具体步骤如下：
步骤8.1：根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；
步骤8.2：根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数；
步骤8.3：计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合；
步骤9：将肺结节区域图像的Haralick特征集合作为ELM训练器的输入数据，得到ELM训练器的学习参数，从而得到训练后的ELM诊断器；
步骤10：将待诊断肺结节图像的Haralick特征集合输入到训练后的ELM诊断器中，得到待诊断肺结节图像性质表现为恶性的风险概率。
本发明的有益效果：
本发明提出一种基于改进凸包算法的肺结节辅助检测系统及方法，有别于传统的基于轮廓提取的肺结节患病风险预测方法，不仅能够有效地加强肺结节提取的准确性，而且能够有效地改善肺结节患病风险预测的性能，根据得到的待诊断肺结节图像性质表现为恶性的风险概率，能够辅助临床医生更好的为病人诊断，提高诊断的准确性。
附图说明
图1为本发明实施例中基于改进凸包算法的肺结节辅助检测系统的结构框图；
图2为本发明实施例中灰度处理后的目标图像；
图3为本发明实施例中处理后得到的人体外轮廓图像；
图4为本发明实施例中处理后得到的人体胸廓的模板图像；
图5为本发明实施例中处理后获得的去除空洞的肺实质图像；
图6为本发明实施例中去除肺轮廓图像中的气管部分后得到的图像；
图7为本发明实施例中肺掩模的边界图像；
图8为本发明实施例中角点检测算法检测后边缘轮廓图像；
图9为本发明实施例中角点修补后边缘轮廓图像；
图10为本发明实施例中角点修补后的肺实质图像；
图11为本发明实施例中提取得到的肺结节图像；
图12为本发明实施方式中基于改进凸包算法的肺结节辅助检测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于改进凸包算法的肺结节辅助检测系统，结构框图如图1所示，包括肺轮廓分割单元、肺实质空洞填充及气管去除单元、肺边界修补单元、疑似候选结节分割单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节辅助检测单元。
肺轮廓分割单元，用于将肺部CT图像作为目标图像，采用自适应阈值的方法，进行最大类间方差法二值化分割，并将得到图像基于边界追踪的人体胸廓的分割方式进行分割，得到肺部轮廓图像。
本实施方式中，肺轮廓分割单元，包括目标图像预处理器、二值化分割器和胸廓分割器。
目标图像预处理器，用于在CT图像基于自动获取的图像均一化值的基础上进行窗宽窗位的调整，增强灰度特征的表现。
本实施方式中，由于肺结节CT图像以DICOM格式存储，因此将目标图像进行灰度处理，得到灰度处理后的目标图像如图2所示。
二值化分割器，用于基于最优阈值法二值化对预处理后图像进行二值化分割，得到人体胸廓粗分割模板。
本实施方式中，二值化分割值Tb的初始值设为160，通过迭代公式多次对目标图像中的像素值(M1，M2)进行计算，直到二值化分割值Tb不再变化，得到最优的二值化分割值Tb。
所述迭代公式如式(1)所示：
其中，Tb new为更新后的二值化分割值。
所述胸廓分割器，用于基于边界追踪的人体胸廓分割法，去除图像下方CT床、衣物等非人体结构。
本实施方式中，运用8邻域边界追踪算法获取人体外轮廓的边缘，包括以下步骤：
步骤3.1：对阈值化后的胸部图像进行按行从左到右，从上到下的遍历，找到的第一个灰度值为1的像素点，记作是目标区域轮廓的起点Q0，移动方向为D；
本实施例中，取D＝7。
步骤3.2：从右上方45°的位置分别检测Q0八邻域中的每个像素点，并判断该像素点的灰度值是否为1，若是，则沿着顺时针45°方向继续遍历，并记录为边界点Q1，若否，则沿着逆时针45°的方向进行遍历，并记录新的边界点Q0，同时更新移动方向D。
步骤3.3：若点Qn与点Q1且点Qn-1与点Q0重合，则继续步骤3.4，否则返回步骤3.2。
步骤3.4：将检测到的所有边界点按照Q0、Q1、...、Qn顺次相连，构成的边界即为人体外轮廓，构成的边界即为人体外轮廓如图3所示。
步骤3.5：得到边界后，对边界内区域进行填充，得到人体胸廓的模板图像，如图4所示。
肺实质空洞填充及气管去除单元，用于将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管。
本实施方式中，肺实质空洞填充及气管去除单元，包括肺实质空洞填充器和气管去除器。
肺实质空洞填充器，用于基于最大类间方差法的肺实质分割，利用自适应的阈值确定方法，按图像的灰度特性，将图像分成背景和目标两部分，从而获得去除空洞的肺实质，图像如图5所示。
气管去除器，用于应用连通区域分析和形态学处理方法去除肺轮廓图像中的气管部分，图像如图6所示。
肺边界修补单元，用于修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集，判断在轮廓曲线上两点之间的距离，进行循环插值连接。
本实施方式中，肺边界修补单元，包括肺掩模边界获取器、肺轮廓角点检测器和改进凸包方法的肺边界修补器。
肺掩模边界获取器，用于基于边界追踪方法寻找两肺边界，获取肺轮廓的凸点集。
肺轮廓角点检测器，用于检测肺轮廓图中两肺中间与纵隔心脏相邻的尖点，记录为角点。
改进凸包方法的肺边界修补器，用于依据角点集在轮廓曲线上两点间的距离，对角点进行修补，顺次插值连接。
本实施方式中，采用的改进凸包修补算法，步骤如下：
步骤5.1：利用边界追踪方式获取肺掩模的边界，为凸点的寻找做准备，图像如图7所示。
步骤5.2：利用Graham扫描法获取左右肺部区域的凸点(外凸点)集P。
Graham扫描法为凸包理论中常用的扫描法，具体凸点的判断方法如下：
根据点集P中的两个点p0和p1，另取点集P中的第3个点p2，判定点p1的凹凸性，具体公式如公式(2)所示：
Ans＝(p2-p0)×(p1-p0) (2)
其中，×为叉乘符号，p0、p1和p2为点集P中的3个点。
公式(2)所得结果包括三种可能性，具体如下：
a)若叉乘结果Ans＜0，说明<p1，p0>和<p2，p0>这两条线段在逆时针方向，则判定p1是凸点；
b)若叉乘结果Ans＞0，说明<p1，p0>和<p2，p0>这两条线段在顺时针方向，则判定p1是凹点；
c)若叉乘结果Ans＝0，说明<p1，p0>和<p2，p0>这两条线段在同一条直线上，此时需要再分别判断(p1，p0)两点间和(p2，p0)两点间的距离，去掉距离较短的点，保留距离较长的点，循环遍历可得所有凸点的点集Q准备修补。
步骤5.3：利用Shi-Tomasi检测寻找到两肺中间与纵膈心脏相邻的尖点，即角点，形成角点集。
Shi-Tomasi角点检测算法是改进的Harris算法，将点集P中两个点的相似度，即两点间的平均能量变化E(u，v)抽象如公式(3)所示：
其中，u为两点间沿x轴方向上的距离，v为两点间沿y轴方向上的距离，(x，y)为像素点的坐标，为实现对噪声点平滑操作的高斯平滑窗口，I(x，y)为像素点的灰度值。
而又由泰勒展开可得如公式(4)所示：
对于局部窗口移动量(u，v)，则公式(4)可简化为矩阵形式，如公式(5)所示：
E(u，v)＝[u v]×M×[u v]T (5)
其中，M为协方差矩阵，如公式(6)所示：
其中，与表示各个维度的方差，IxIy与IyIx表示各个维度间的相关性。
本实施例中，对于角点检测而言，为沿X轴方向的变化量方差，为沿Y轴方向的变化量方差。根据主成分分析的相关理论，选择特征值较大的维度，去除特征值较小的维度，则矩阵M简化为如公式(7)所示：
其中，λ1和λ2分别为矩阵M的两个特征值，指示了当前像素点在两个方向上的强度。
本实施例中，若λ1和λ2的值都较大，则该像素点为角点；若λ1和λ2中较小的一个大于阈值Te，则该像素点为强角点；若λ1和λ2的值中一个较大而另一个较小，则该像素点为边缘点，图像如图8所示。
本实施例中，取阈值Te＝50。
步骤5.4：判断在轮廓曲线上任意两个角点之间的距离是否小于阈值Te，若小于，则从角点集中删去其中一个角点，若不小于，则返回步骤5.4，直到轮廓曲线上任意两点之间的距离均小于阈值Te。
本实施例中，若两个角点之间的距离小于阈值50，则认为该点需要被修补，从肺壁点集合中删去两个角点中一个，然后依次循环的到所有肺壁的集合，顺次插值连接，所获得的图像如图9所示。
疑似候选结节分割单元，用于通过完整的肺实质模板和包含肺结节的肺实质做图像对比操作，将包含肺结节的肺实质提取出来，并将确定肺结节和其他疑似候选肺结节中的组织成分进行甄别区分，完成假阳性肺结节的过滤。
本实施方法中，疑似候选结节分割单元，包括疑似图像预处理器、特征提取器和假阳性肺结节过滤器。
疑似图像预处理器，用于基于对比度S型增强和最大类间方差法，获取图像中符合结节形态特征的疑似候选结节区域。
特征提取器，用于计算每个区域的半径R1，似圆度R2，长短轴比R3，得到疑似候选结节区域特征值；
假阳性肺结节过滤器，用于基于上述特征值，根据过滤条件阈值，对疑似结节区域进行假阳性过滤。
本实施方法中，半径R1过滤条件为R1＜3||R1＞30；似圆度R2过滤条件为R2＜0.8；长短轴比R3过滤条件为R3＞1.7。所获得的图像如图10所示，提取出的肺结节图像如图11所示。
灰度共生矩阵构造单元，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵，并计算灰度共生矩阵中各灰度值组合在目标图像上的概率，确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；所述X为二维坐标轴的横坐标，表示像素点在图像中的水平方向位置；所述Y二维坐标轴的纵坐标，表示像素点在图像中的垂直方向位置。
本实施方式中，灰度共生矩阵构造单元，包括灰度共生矩阵生成器和概率参数计算器。
灰度共生矩阵生成器，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；各个方向上的灰度共生矩阵为：中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i，j)在目标图像上出现的次数作为元素的矩阵。
概率参数计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
本实施方式中，各灰度值组合(i，j)在目标图像上的概率p(i，j)的计算公式如式(9)所示：
p(i，j)＝P(i，j)/R (9)
其中，P(i，j)为灰度值组合(i，j)在整幅目标图像区域中出现的次数，R为所有灰度值组合出现的次数之和。
关于X的边缘概率密度矩阵的第i个输入元素px(i)如式(10)所示：
关于Y的边缘概率密度矩阵的第j个输入元素py(j)如式(11)所示：
两个联合概率分布密度函数px+y(k)和px-y(k)如式(12)和式(13)所示：
其中，k取值为2，3，...，2Ng。
其中，k取值为0，1，...，Ng-1。
Haralick特征参数计算单元，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数，即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度。
本实施方式中，Haralick特征参数计算单元包括：角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器。
角二阶矩计算器，用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值。
本实施方式中，角二阶矩计算器f1的计算公式如式(14)所示：
对比度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值。
本实施方式中，对比度计算器f2的计算公式如式(15)所示：
相关性计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值。
本实施方式中，相关性计算器f3的计算公式如式(16)所示：
其中，μx为px的均值，μy为py的均值，σx为px的标准差，σy为py的标准差。
方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差。
本实施方式中，方差计算器f4的计算公式如式(17)所示：
逆差矩计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩。
本实施方式中，逆差矩计算器f的计算公式如式(18)所示：
均值和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值。
本实施方式中，均值和计算器f6的计算公式如式(19)所示：
熵和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和。
本实施方式中，熵和计算器f7的计算公式如式(20)所示：
方差和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和。
本实施方式中，方差和计算器f8的计算公式如式(21)所示：
熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵。
本实施方式中，熵计算器f9的计算公式如式(22)所示：
差值的方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差。
本实施方式中，差值的方差计算器f10的计算公式如式(23)所示：
f10＝px-y的方差 (23)
差熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵。
本实施方式中，差熵计算器f11的计算公式如式(24)所示：
第一相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度。
本实施方式中，第一相关性信息测度计算器f12的计算公式如式(25)所示：
其中，HXY＝f9，
第二相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
本实施方式中，第二相关性信息测度计算器f13的计算公式如式(26)所示：
f13＝(1-exp[-2.0(HXY2-HXY)])1/2 (26)
其中，
Haralick特征集合构成单元，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，根据得到目标图像的13个特征均值和13个特征方差，组成目标图像的Haralick特征集合。
本实施方式中，Haralick特征集合构成单元，包括特征均值计算器、特征方差计算器和Haralick特征集合生成器。
特征均值计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值，得到目标图像的13个特征均值。
特征方差计算器，用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差，得到目标图像的13个特征方差。
Haralick特征集合生成器，用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。
基于遗传算法的特征选择单元，用于基于遗传选择算法的特征选择算法，排除冗余特征及对分类结果造成干扰的特征变量。
本实施方式中，基于遗传算法的特征选择单元，包括基于遗传选择算法的特征选择器。
所述基于遗传选择算法的特征选择器，用于对现有特征进行基于遗传算法的特征选择，获得高标准特征类别。
肺结节辅助检测单元，用于将疑似候选结节的Haralick特征集合进行特征选择，并将结构输入到已通过LIDC-IDRI数据集训练的ELM模型中进行测试，得到候选疑似结节的检出率。
本实施方式中，肺结节辅助检测单元，包括ELM训练器和ELM诊断器。
ELM训练器，用于将LIDC-IDRI数据集中有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为ELM学习机的输入数据，得到ELM学习机的学习参数，从而得到训练后的ELM学习机；
ELM诊断器，用于将疑似候选肺结节图像的Haralick特征集合输入到训练后的ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。
采用基于改进凸包的肺结节辅助检测系统进行肺结节辅助检测的方法，流程如图12所示，具体包括以下步骤：
步骤1：将肺部CT图像作为目标图像，对目标图像进行预处理，包括对图像窗宽窗位的调整以及增强图像灰度特征的表现；
步骤2：采用自适应阈值的方法，对目标图像进行最大类间方差法二值化分割，得到胸廓粗分割模板；
步骤3：将得到的胸廓粗分割模板图像进行基于边界追踪的人体胸廓分割方式的分割，得到肺部轮廓图像，具体步骤如下：
步骤3.1：对阈值化后的胸部图像进行按行从左到右，从上到下的遍历，找到的第一个灰度值为1的像素点，记作是目标区域轮廓的起点Q0，移动方向为D；
步骤3.2：从右上方45°的位置分别检测Q0八邻域中的每个像素点，并判断该像素点的灰度值是否为1，若是，则沿着顺时针45°方向继续遍历，并记录为边界点Q1，若否，则沿着逆时针45°的方向进行遍历，并记录新的边界点Q0，同时更新移动方向D；
步骤3.3：若点Qn与点Q1且点Qn-1与点Q0重合，则继续步骤3.4，否则返回步骤3.2；
步骤3.4：将检测到的所有边界点按照Q0、Q1、...、Qn顺次相连，构成的边界即为人体外轮廓；
步骤3.5：得到边界后，对边界内区域进行填充，得到人体胸廓的模板图像；
步骤4：将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管；
步骤5：修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集，具体步骤如下：
步骤5.1：利用边界追踪方式获取肺掩模的边界；
步骤5.2：利用Graham扫描法获取左右肺部区域的凸点(外凸点)集P；
步骤5.3：利用Shi-Tomasi检测寻找到两肺中间与纵膈心脏相邻的尖点，即角点，形成角点集；
步骤5.4：判断在轮廓曲线上任意两个角点之间的距离是否小于阈值T，若小于，则从角点集中删去其中一个角点，若不小于，则返回步骤5.4，直到轮廓曲线上任意两点之间的距离均小于阈值T；
步骤6：基于对比度S型增强和最大类间方差法，获取目标图像中符合结节形态特征的疑似候选结节区域，并提取疑似候选结节区域特征值；
步骤7：判断提取的疑似候选结节区域特征值是否符合过滤条件阈值，若符合，则判定疑似候选结节区域是肺结节区域，并获取该区域图像，继续步骤8，若不符合，则判定疑似候选结节区域不是肺结节区域，返回步骤7，直至全部疑似候选结节区域判断完成；
步骤8：将获取到的肺结节区域图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵及Haralick特征集合，具体包括以下步骤：
步骤8.1：根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；
步骤8.2：根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数；
步骤8.3：计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，得到目标图像的13个特征均值和目标图像的13个特征方差，组成目标图像的Haralick特征集合；
本实施方式中，得到m个有标签肺结节图像的Haralick特征集合HL如式(27)所示：
其中，公式(27)第一列为标签，1表示恶性肺结节标签，0表示良性肺结节标签。
步骤9：将肺结节区域图像的Haralick特征集合作为ELM训练器的输入数据，得到ELM训练器的学习参数，从而得到训练后的ELM诊断器；
步骤10：将待诊断肺结节图像的Haralick特征集合输入到训练后的ELM诊断器中，得到待诊断肺结节图像性质表现为恶性的风险概率。
根据得到的待诊断肺结节图像性质表现为恶性的风险概率，能够辅助临床医生更好的为病人诊断，提高诊断的准确性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (9)

1.一种基于改进凸包的肺结节辅助检测系统，其特征在于，包括肺轮廓分割单元、肺实质空洞填充及气管去除单元、肺边界修补单元、疑似候选结节分割单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节辅助检测单元；
肺部轮廓分割单元：用于将肺部CT图像作为目标图像，采用自适应阈值的方法，进行最大类间方差法二值化分割，并将得到图像基于边界追踪的人体胸廓的分割方式进行分割，得到肺部轮廓图像；
肺实质空洞填充及气管去除单元：用于将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管；
肺边界修补单元：用于修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集，判断在轮廓曲线上两点之间的距离，进行循环插值连接；
疑似候选结节分割单元：通过完整的肺实质模板和包含肺结节的肺实质做图像对比操作，将包含肺结节的肺实质提取出来，并将确定肺结节和其他疑似候选肺结节中的组织成分进行甄别区分，完成假阳性肺结节的过滤；
灰度共生矩阵构造单元：用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵，并计算灰度共生矩阵中各灰度值组合在目标图像上的概率，确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数；所述X为二维坐标轴的横坐标，表示像素点在图像中的水平方向位置；所述Y二维坐标轴的纵坐标，表示像素点在图像中的垂直方向位置；
Haralick特征参数计算单元：用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数，确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数，即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度；
Haralick特征集合构成单元：用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差，根据得到目标图像的13个特征均值和13个特征方差，组成目标图像的Haralick特征集合；
肺结节辅助检测单元：用于将疑似候选结节的Haralick特征集合进行特征选择，并将结构输入到已通过LIDC-IDRI数据集训练的ELM模型中进行测试，得到候选疑似结节的检出率。
2.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述肺轮廓分割单元，包括目标图像预处理器、二值化分割器和胸廓分割器；
所述目标图像预处理器，用于在CT图像基于自动获取的图像均一化值的基础上进行窗宽窗位的调整，增强灰度特征的表现；
所述二值化分割器，用于基于最优阈值法二值化对预处理后图像进行二值化分割，得到人体胸廓粗分割模板；
所述胸廓分割器，用于基于边界追踪的人体胸廓分割法，去除图像下方CT床、衣物等非人体结构。
3.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述肺实质空洞填充及气管去除单元，包括肺实质空洞填充器和气管去除器；
所述肺实质空洞填充器，用于基于最大类间方差法的肺实质分割，利用自适应的阈值确定方法，按图像的灰度特性，将图像分成背景和目标两部分，从而获得去除空洞的肺实质图像；
所述气管去除器，用于应用连通区域分析和形态学处理方法去除肺轮廓图像中的气管部分。
4.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述肺边界修补单元，包括肺掩模边界获取器、肺轮廓角点检测器和改进凸包方法的肺边界修补器；
所述肺掩模边界获取器，用于基于边界追踪方法寻找两肺边界，获取肺轮廓的凸点集；
所述肺轮廓角点检测器，用于检测肺轮廓图中两肺中间与纵隔心脏相邻的尖点，记录为角点；
所述改进凸包方法的肺边界修补器，用于依据角点集在轮廓曲线上两点间的距离，对角点进行修补，顺次插值连接。
5.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述疑似候选结节分割单元，包括疑似图像预处理器、特征提取器和假阳性肺结节过滤器；
所述疑似图像预处理器，用于基于对比度S型增强和最大类间方差法，获取图像中符合结节形态特征的疑似候选结节区域；
所述特征提取器，用于计算每个区域的区域面积、区域周长、形心坐标、似圆度、长短轴比，得到疑似候选结节区域特征值；
所述假阳性肺结节过滤器，用于基于上述特征值，根据过滤条件阈值，对疑似结节区域进行假阳性过滤。
6.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述灰度共生矩阵构造单元，包括灰度共生矩阵生成器和概率参数计算器；
所述灰度共生矩阵生成器，用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵；所述各个方向上的灰度共生矩阵为：中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i，j)在目标图像上出现的次数作为元素的矩阵；
所述概率参数计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i，j)在目标图像上的概率，确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
7.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述Haralick特征参数计算单元包括：角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器；
所述角二阶矩计算器，用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值；
所述对比度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值；
所述相关性计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值；
所述方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差；
所述逆差矩计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩；
所述均值和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值；
所述熵和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和；
所述方差和计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和；
所述熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵；
所述差值的方差计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差；
所述差熵计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵；
所述第一相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度；
所述第二相关性信息测度计算器，用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
8.根据权利要求1所述的基于改进凸包的肺结节辅助检测系统，其特征在于，所述肺结节辅助检测单元，包括基于遗传选择算法的特征选择器、ELM训练器和ELM诊断器；
所述基于遗传选择算法的特征选择器，用于对现有特征进行基于遗传算法的特征选择，获得高标准特征类别；
所述ELM训练器，用于将LIDC-IDRI数据集中有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为ELM学习机的输入数据，得到ELM学习机的学习参数，从而得到训练后的ELM学习机；
所述ELM诊断器，用于将疑似候选肺结节图像的Haralick特征集合输入到训练后的ELM学习机中，得到待诊断肺结节图像性质表现为恶性的风险概率。
9.采用权利要求1所述的基于改进凸包的肺结节辅助检测系统进行肺结节辅助检测的方法，其特征在于，包括以下步骤：
步骤1：获取有标签的肺结节图像，并将肺部CT图像作为目标图像，对目标图像进行预处理，包括对图像窗宽窗位的调整以及增强图像灰度特征的表现；
步骤2：采用自适应阈值的方法，对目标图像进行最大类间方差法二值化分割，得到胸廓粗分割模板；
步骤3：将得到的胸廓粗分割模板图像进行基于边界追踪的人体胸廓分割方式的分割，得到肺部轮廓图像；
步骤4：将提取轮廓后的肺部图像中较大的血管以及部分肺结节等结构去除，应用连通区域分析和形态学处理方法去除肺气管；
步骤5：修补分割后肺实质掩模的边缘出现的凹陷，获得更加完整的肺实质，包括肺掩模边界、角点、比对角点距离，得到肺部边缘点集；
步骤6：基于对比度S型增强和最大类间方差法，获取目标图像中符合结节形态特征的疑似候选结节区域，并提取疑似候选结节区域特征值；
步骤7：判断提取的疑似候选结节区域特征值是否符合过滤条件阈值，若符合，则判定疑似候选结节区域是肺结节区域，并获取该区域图像，继续步骤8，若不符合，则判定疑似候选结节区域不是肺结节区域，返回步骤7，直至全部疑似候选结节区域判断完成；
步骤8：将获取到的肺结节区域图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵及Haralick特征集合；
步骤9：将肺结节区域图像的Haralick特征集合作为ELM训练器的输入数据，得到ELM训练器的学习参数，从而得到训练后的ELM诊断器；
步骤10：将待诊断肺结节图像的Haralick特征集合输入到训练后的ELM诊断器中，得到待诊断肺结节图像性质表现为恶性的风险概率。
CN201810984893.6A 2018-08-28 2018-08-28 一种基于改进凸包方法的肺结节辅助检测系统及方法 Active CN109300113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810984893.6A CN109300113B (zh) 2018-08-28 2018-08-28 一种基于改进凸包方法的肺结节辅助检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810984893.6A CN109300113B (zh) 2018-08-28 2018-08-28 一种基于改进凸包方法的肺结节辅助检测系统及方法

Publications (2)

Publication Number Publication Date
CN109300113A true CN109300113A (zh) 2019-02-01
CN109300113B CN109300113B (zh) 2021-12-24

Family

ID=65165594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810984893.6A Active CN109300113B (zh) 2018-08-28 2018-08-28 一种基于改进凸包方法的肺结节辅助检测系统及方法

Country Status (1)

Country Link
CN (1) CN109300113B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288581A (zh) * 2019-06-26 2019-09-27 电子科技大学 一种基于保持形状凸性水平集模型的分割方法
CN111260673A (zh) * 2020-01-17 2020-06-09 中国人民解放军国防科学技术大学 一种适用边缘破碎脏器造影的脏器实质分割方法及装置
CN112949657A (zh) * 2021-03-09 2021-06-11 河南省现代农业大数据产业技术研究院有限公司 一种基于遥感影像纹理特征的林地分布提取方法及装置
CN113012127A (zh) * 2021-03-18 2021-06-22 复旦大学 基于胸部医学影像的心胸比测量方法
CN113012225A (zh) * 2021-04-14 2021-06-22 合肥高晶光电科技有限公司 一种色选机物料图像的最小外接矩形框的快速定位方法
CN113129314A (zh) * 2021-04-01 2021-07-16 上海市第一人民医院 一种针对肺部阴影智能图像处理方法
CN113222946A (zh) * 2021-05-19 2021-08-06 浙江卡易智慧医疗科技有限公司 一种肺结节尺寸计算的方法
CN113989277A (zh) * 2021-12-24 2022-01-28 青岛美迪康数字工程有限公司 用于医用放射诊疗检查的成像方法及装置
CN116503392A (zh) * 2023-06-26 2023-07-28 细胞生态海河实验室 一种用于卵巢组织分析的卵泡区域分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202930A (zh) * 2016-07-12 2016-12-07 东北大学 一种基于ss‑elm的肺结节患病风险预测系统及方法
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
CN107316294A (zh) * 2017-06-28 2017-11-03 太原理工大学 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202930A (zh) * 2016-07-12 2016-12-07 东北大学 一种基于ss‑elm的肺结节患病风险预测系统及方法
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统
CN107316294A (zh) * 2017-06-28 2017-11-03 太原理工大学 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAN QIANG ET AL.: "Pulmonary nodule diagnosis using dual‐modal supervised autoencoder based on extreme learning machine", 《WILEY》 *
林红利等: "改进向量法肺实质修补", 《中国科技论文在线》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288581B (zh) * 2019-06-26 2022-11-04 电子科技大学 一种基于保持形状凸性水平集模型的分割方法
CN110288581A (zh) * 2019-06-26 2019-09-27 电子科技大学 一种基于保持形状凸性水平集模型的分割方法
CN111260673A (zh) * 2020-01-17 2020-06-09 中国人民解放军国防科学技术大学 一种适用边缘破碎脏器造影的脏器实质分割方法及装置
CN112949657A (zh) * 2021-03-09 2021-06-11 河南省现代农业大数据产业技术研究院有限公司 一种基于遥感影像纹理特征的林地分布提取方法及装置
CN113012127A (zh) * 2021-03-18 2021-06-22 复旦大学 基于胸部医学影像的心胸比测量方法
CN113129314A (zh) * 2021-04-01 2021-07-16 上海市第一人民医院 一种针对肺部阴影智能图像处理方法
CN113129314B (zh) * 2021-04-01 2022-08-02 上海市第一人民医院 一种针对肺部阴影智能图像处理方法
CN113012225A (zh) * 2021-04-14 2021-06-22 合肥高晶光电科技有限公司 一种色选机物料图像的最小外接矩形框的快速定位方法
CN113012225B (zh) * 2021-04-14 2024-04-16 合肥高晶光电科技有限公司 一种色选机物料图像的最小外接矩形框的快速定位方法
CN113222946A (zh) * 2021-05-19 2021-08-06 浙江卡易智慧医疗科技有限公司 一种肺结节尺寸计算的方法
CN113989277A (zh) * 2021-12-24 2022-01-28 青岛美迪康数字工程有限公司 用于医用放射诊疗检查的成像方法及装置
CN116503392A (zh) * 2023-06-26 2023-07-28 细胞生态海河实验室 一种用于卵巢组织分析的卵泡区域分割方法
CN116503392B (zh) * 2023-06-26 2023-08-25 细胞生态海河实验室 一种用于卵巢组织分析的卵泡区域分割方法

Also Published As

Publication number Publication date
CN109300113B (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN109300113A (zh) 一种基于改进凸包方法的肺结节辅助检测系统及方法
CN107622492B (zh) 肺裂分割方法及系统
Gonçalves et al. Hessian based approaches for 3D lung nodule segmentation
Mharib et al. Survey on liver CT image segmentation methods
EP2916738B1 (en) Lung, lobe, and fissure imaging systems and methods
Ruskó et al. Automatic segmentation of the liver from multi-and single-phase contrast-enhanced CT images
Yang et al. Segmentation of liver and vessels from CT images and classification of liver segments for preoperative liver surgical planning in living donor liver transplantation
Campadelli et al. A segmentation framework for abdominal organs from CT scans
CN104268873B (zh) 基于核磁共振图像的乳腺肿瘤分割方法
US20050196024A1 (en) Method of lung lobe segmentation and computer system
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
CN105976367A (zh) 图像分割方法、肺结节检测方法及其计算机辅助检测系统
CN108027970A (zh) 用于分析血管的医学图像的方法、装置和系统
JP2015528372A (ja) 医用画像中の肺結節を自動検出するためのシステム及び方法
Timp et al. Interval change analysis to improve computer aided detection in mammography
Fan et al. Lung nodule detection based on 3D convolutional neural networks
Deng et al. Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images
CN104616289A (zh) 一种3d ct图像中骨组织的移除方法及系统
Qiu et al. Lung Nodules Detection in CT Images Using Gestalt‐Based Algorithm
Zhao et al. An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging
Luo et al. An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images
CN109191468A (zh) 一种血管提取的方法、装置及存储介质
Wang et al. Accurate tumor segmentation via octave convolution neural network
Xie Towards single-phase single-stage detection of pulmonary nodules in chest CT imaging
Tong et al. Computer-aided lung nodule detection based on CT images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant