CN1836258B - 采用结构张量来检测肺结节和结肠息肉的方法和系统 - Google Patents

Abstract

提供一种用于识别数字图像中的球形对象的方法。所述的图像包括多个三维的曲面点。所述的方法包括：在所述图像的一个域内的每个点处计算所述图像的梯度(101)；计算所述图像的所述域内的每个点处的基本结构张量(102)；确定所述图像的所述域内的每个点的结构张量(103)；找出所述结构张量的本征值(104)；以及计算每个结构张量的各向同性量度(105)，其中通过用该结构张量的最大本征值与该结构张量的最小本征值之比来定义所述的各向同性量度，其中一个球形对象对应于等于1的各向同性量度。

Description

采用结构张量来检测肺结节和结肠息肉的方法和系统

对有关美国申请的交叉引用

本申请要求Pascal Cathier于2003.8.13提交的名为“把结构张量用于肺结节和结肠息肉检测”的美国临时申请60/494647的优先权，其内容在此被完全引作参考。技术领域：本发明涉及一种用于处理数字图像的方法，其中所述的图像包括多个三维的曲面点，另外还涉及一种用于识别数字图像中的球形对象的方法，其中所述的图像包括与一个三维空间内的点的一个域相对应的多个强度。

背景技术

根据从当前成像系统所获得的数据而得到的优良诊断信息允许在早期和更易治疗的阶段检测出潜在的问题。

假定从成像系统能获取大量的详细数据，就必须研究各种算法来有效地和精确地处理图像数据。借助于计算机，图像处理的进展通常是在数字或数字化图像上完成的。

用于建立数字图像的数字捕获系统包括数字X射线照像法、计算机X射线断层摄影术(“CT”)、磁共振成像(“MRI”)、超声波(“US”)、以及原子医学成像技术，例如正电子放射X射线断层摄影术(“PET”)和单电子放射计算机X射线断层摄影术(“SPECT”)。也可以例如通过把模拟图像、例如典型的x射线扫描成数字形式而从模拟图像建立数字图像。但对人、例如医师来说，数字图像中的大量数据在没有附加帮助的情况下通常是难以解释和乏味的。计算机辅助诊断(“CAD”)系统在帮助人的方面，特别是视觉化、分段、检测、记录和报告医学生理学等方面，起到了关键的作用。

数字图像是从表示某种特性(例如灰度级值或磁场强度)的一批数字值获得的，所述特性与用某个特定的阵列单元所注明的解剖位置点相关联。解剖位置点的集合包括图像域。在二维数字图像或切片部分(slice sections)中，离散的阵列单元被称为像素。三维数字图像可以通过本领域公知的不同构造技术由堆叠的切片部分构成。三维图像是由离散的体积元素、也即体素构成，这些体素由二维图像的像素组成。像素或体素特性可以被处理用来确定关于与该像素或体素有关的病人解剖的不同特性。

一旦通过分析像素和/或体素来构造和分析解剖部位和结构，随后采用区域性特性和特征的处理和分析便可以应用于相关的区域，由此改善成像系统的精度和效率。

较为关键的CAD任务之一包括根据体数据(例如CT体数据)进行甄别和早期地检测出不同类型的癌。例如肺癌是美国和全世界所有癌当中的主要死因。被诊断有肺癌的病人只有14％的平均五年存活率。另一方面，如果肺癌在第一阶段被诊断，则病人的期望五年存活率将显著上升到60-70％。其它的癌，例如结肠癌，也已经表明会因早期检测和切除癌瘤而降低死亡率。病理典型地是球形的或半球形的几何形状。在许多情况下，这些球状的病理被附着在线性或plece线性的表面上。不幸的是，现有方法在疾病的晚期之前通常不检测各种癌的特征症状。因此，在提前预防性的癌甄别方面的首要目的是更早地检测出特征症状。

发明内容

根据本发明一个方面，提供一种用于识别数字图像中的球形对象的方法。所述的图像包括多个三维的曲面点。所述的方法包括：在所述图像的一个域内的每个点处计算所述图像的梯度；计算所述图像的所述域内的每个点处的基本结构张量；确定所述图像的所述域内的每个点的结构张量；找出所述结构张量的本征值；以及计算每个结构张量的各向同性量度，其中通过用该结构张量的最大本征值与该结构张量的最小本征值之比来定义所述的各向同性量度，其中一个球形对象对应于等于1的各向同性量度。具体地，根据本发明的一种用于识别数字图像中的球形对象的方法，其中所述的图像包括多个三维的曲面点，所述的方法包括以下步骤：在所述图像的一个域内的每个点处计算所述图像的梯度；计算所述图像的所述域内的每个点处的基本结构张量；确定所述图像的所述域内的每个点的结构张量；找出所述结构张量的本征值；以及分析该本征值以确定所述图像内的结构的球形度，其中通过用标准偏差σ_G的高斯内核G的导数卷积所述的图像来估测所述图像的梯度，其中σ_G相对于所述图像的尺寸是小的。

根据本发明的另一方面，提供一种计算机可读的程序存储设备，其有形地包含有可由计算机执行以实施用于识别数字图像中的球形对象的方法步骤的指令程序。所述的图像包括与一个三维空间内的点的一个域相对应的多个强度值。所述的方法包括：在所述域内的每个点处计算所述图像的梯度；计算所述图像的所述域内的每个点处的基本结构张量；确定所述图像的所述域内的每个点的结构张量；找出所述结构张量的本征值；以及计算通过用最大本征值除最小本征值而定义的各向同性量度，其中用于一个球形对象的所述各向同性量度等于1。

根据本发明的又一方面，提供一种用于识别数字图像中的球形对象的方法，其中所述的图像包括与一个三维空间内的点的一个域相对应的多个强度。所述的方法包括：通过用标准偏差σ_G的高斯内核G的导数卷积所述的图像来计算所述图像的每个点处的图像梯度，其中σ_G相对于所述图像的尺寸是小的；通过将所述图像每个点的梯度乘以其转置矩阵来计算一个基本结构张量；通过用标准偏差σ_T的高斯内核卷积每个点的基本结构张量来确定一个结构张量，其中σ_T对应于被搜寻对象的尺寸；执行每个结构张量的Householder QL分解以找到其本征值；以及计算每个结构张量的各向同性量度。该各向同性量度通过该结构张量的最小本征值与该结构张量的最大本征值之比来定义，其中一个球形对象对应于等于1的各向同性量度。具体地，根据本发明的一种用于识别数字图像中的球形对象的方法，其中所述的图像包括与一个三维空间内的点的一个域相对应的多个强度，所述的方法包括以下步骤：通过用标准偏差σ_G的高斯内核G的导数卷积所述的图像来计算所述图像的每个点处的图像梯度，其中σ_G相对于所述图像的尺寸是小的；通过将所述图像每个点的梯度乘以其转置矩阵来计算一个基本结构张量；通过用标准偏差σ_T的高斯内核卷积每个点的基本结构张量来确定一个结构张量，其中σ_T对应于被搜寻对象的尺寸；执行每个结构张量的Householder QL分解以找到其本征值；以及计算每个结构张量的各向同性量度，其中该各向同性量度通过该结构张量的最大本征值与该结构张量的最小本征值之比来定义，其中一个球形对象对应于等于1的各向同性量度。

对于胸部而言，人们可能对检测结节感兴趣，这些结节在黑暗的肺部区域呈现为白色球或半球。对于结肠而言，人们可能对检测息肉感兴趣，这些息肉呈现为附着在结肠上的圆形结构。采用了结构张量的方法可以被用于广泛的成像形式，包括计算机X射线断层摄影术、磁共振(MR)、超声波(US)、以及正电子放射X射线断层摄影术(PET)。另一方面，这些方法可以被用来以对称方式检测孔洞。

附图说明

图1示出了本发明优选方法的流程。

图2示出了体积图像的沿着壁的结构张量。

图3示出了集中在息肉上的结构张量。

图4示出了用于实施本发明优选实施例的示例性计算机系统。

具体实施方式

下面讲述本发明的说明性的实施例。为了清楚性的目的，在本说明书中并未描述实际实施的所有特征。当然应当理解，在任何这种实际实施例的研制中，必须作出大量的涉及具体实施的决定，以达到研制者的特定目的，例如遵照与系统有关的和与商业有关的限制，这些限制在各个实施之间将是不同的。另外应当理解，这种研制努力可能是复杂的和费时的，但对受益于本发明公开的本领域技术人员来说，只不过是承担一种例行程序而已。

本发明可以有不同的改进和替代形式，而其具体实施例已经以示例的方式被示于附图中，并在这里得以详细描述。但应当理解的是，这里对具体实施例的描述并不是打算把本发明限制在所公开的特定形式上，而是本发明相反地还覆盖了所有的改进、等同和替代方案，它们落入由所附权利要求书所定义的本发明精神和范畴。

本发明提供了能够从二维和三维数字图像、尤其是从胸图像有效和精确地检测结节的系统和方法。尽管图像可以被认为是从R³到R的函数，但本发明的方法并不局限于这种图像，而是可以应用于任何维的图像，例如二维图或三维体。本发明优选地在例如奔腾型计算机的计算机系统上实现，其中运行实施本发明算法的计算机软件。该计算机包括处理器、存储器和各种输入/输出设备。表示胸体的一系列数字图像被输入到该计算机。这里所采用的术语“数字”和“数字化”将是指合适时通过数字捕获系统或通过对模拟图像的转换而获得的数字或数字化格式的图像或体积。

这里披露的方法和系统可以适合于器官或解剖部位，包括而不局限于心脏、大脑、脊椎、结肠、肝脏和肾系统。这里披露的软件应用和算法可以采用器官或器官系统的二维和三维绘制和图像。出于示例的目的来讲述肺和结肠系统。但应当理解，该方法可以应用于本领域技术人员所公知的各种其它应用。

在计算结构张量之前可以对图像进行预处理，例如为了提高处理的总输出量。这对于定位感兴趣的结构以用于进一步分析和用于下面所讲述的高斯内核(Gaussian kernels)的初始调心是有帮助的。算法的高度精确性对于成功的结节检测是至关重要的，而预处理通常降低了需要被估计的函数的域的复杂度。当预处理是基于被成像物的已知特征时，该预处理通常更为有效。例如，自然的肺图像应该在空间上是平滑和在幅度上是严格为正的。预处理技术的例子包括各种平滑、形态学和规则化技术。

在本发明的一种优选方案中，可以通过测量图像结构张量的各向同性来分析图像，以便识别球形对象。现在参考图1，图像的梯度是一个由沿着正则轴的图像偏导构成的3D矢量：

$\▿I={[\frac{\∂I}{\∂x},\frac{\∂I}{\∂y},\frac{\∂I}{\∂z}]}^T$

实际上，图像只是在离散的点上被采样，并易于受到噪声影响。在一优选实施例中，在步骤101，通过用高斯导数卷积图像，可以在图像域的某个点上估算图像的梯度：

其中G是标准偏差σ_G的离散标准化的D维高斯内核，

$G\left(x\right)=\frac{1}{{\left(\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_G\right)}^D}\exp (-\frac{x^2}{2{\mathrm{\σ}}_G^2}),$

而且算子*是一个卷积。与图像的总尺寸(例如3个体素的最大值)相比，所述的标准偏差通常是非常小的。

在步骤102中可以将基本结构张量定义为一个3×3矩阵，该矩阵通过用图像梯度乘以其转置矩阵而得到：

$T^{\′}=\▿I.\▿I^T$

结构张量是一个3×3矩阵，该矩阵可以通过在步骤103中用一个空间滤波器卷积该基本结构张量来得到，其中所述空间滤波器的尺寸对应于被找寻的对象。优选的空间滤波器是高斯内核：

这里，σ可以非常大，并与所找寻的对象的尺寸松散地相关。可以采用其它的卷积内核，但高斯内核是优选的。所述结构张量的3个本征值可以通过本领域任何合适的公知技术在步骤104中被计算。一种这样的技术是Householder QL分解。

图像的各向同性可以通过在步骤105中用最大本征值除最小本征值而得到。如果所有的本征值相等，也即如果结构张量是球形的并因此是完全各向同性的，那么该各向同性量度等于1。它在所有其它的情况下小余1。然后，通过保持在各向同性大于某个阈值处的那些位置来提取各向同性的区域。

该技术可以被用来检测球形结构。这些结构的例子包括肺结节和结肠息肉，但本发明的该实施例并不仅仅局限于这些结构。各向同性的量度可以在这些结构和正常结构之间作出鉴别，例如图2和3所示的不是各向同性的肺或结肠壁。另外，这里所介绍的方法可以被用来检测某个结构内的孔洞，因为与表征息肉或结节的高强度值相反，孔洞是一个用低强度值表示的图像区域。

应当理解，本发明可以用各种形式的硬件、软件、固件、专用处理器或其组合来实现。在一个实施例中，本发明可以用软件被实施为一个应用程序，该应用程序被有形地包含在计算机可读存储设备上。该应用程序可以被上载到包括任何合适结构的机器上，并被其执行。

现在参看图4，根据本发明的一个实施例，用于实施本发明的计算机系统401可以尤其包括一个中央处理单元(CPU)402、一个存储器403和一个输入/输出(I/O)接口404。该计算机系统401通常通过I/O接口404被连接到显示器405以及各个输入设备406上，如鼠标和键盘。支持电路可以包括诸如高速缓存器、电源、时钟电路以及通信总线等电路。存储器403可以包括随机存取存储器(RAM)、只读存储器(ROM)、盘驱动器、磁带驱动器等等，或者它们的组合。本发明可以被实施为一个例程407，其被存储在存储器403中，并被CPU 402执行用来处理来自于信号源408的信号。同样，计算机系统401是一种通用计算机系统，当执行本发明的例程407时变成专用的计算机系统。

计算机系统401还包括操作系统和微指令代码。这里所讲述的各种处理和功能可以是该微指令代码的一部分，或者是通过操作系统执行的应用程序的一部分(或者是其组合)。另外，各种其它的外围设备可以被连接到该计算机平台上，例如附加的数据存储设备和打印设备。

还应当理解的是，因为在附图中所示的系统构成部件和方法步骤可以用软件实现，所以在系统部件(或处理步骤)之间的实际连接可以根据本发明的编程方式而不同。通过给出这里提供的本发明教导，相关领域的普通技术人员将能够想到本发明的这些或相似的实施或结构。

上述的特殊实施例只是示例性的，因为本发明可以用不同但等效的方式被修改和实践，这些方式对于本领域技术人员在获知这里的教导之后是显而易见的。另外，不应局限于这里所示的结构或设计的细节，而是如以下权利要求书所描述的。因此可以肯定，以上公开的特殊实施例可以变化或修改，而所有这些变化被认为是在本发明的范围和精神之内。因此，这里所寻求的保护在权利要求书中被给出。

Claims (8)

1.一种用于识别数字图像中的球形对象的方法，其中所述的图像包括多个三维的曲面点，所述的方法包括以下步骤：

在所述图像的一个域内的每个点处计算所述图像的梯度；

计算所述图像的所述域内的每个点处的基本结构张量；

确定所述图像的所述域内的每个点的结构张量；

找出所述结构张量的本征值；以及

分析该本征值以确定所述图像内的结构的球形度，其中通过用标准偏差σ_G的高斯内核G的导数卷积所述的图像来估测所述图像的梯度，其中σ_G相对于所述图像的尺寸是小的。

2.权利要求1的方法，其中所述基本结构张量通过将图像梯度乘以其转置矩阵来定义。

3.权利要求1的方法，其中通过用标准偏差σ_T的高斯内核卷积所述的基本结构张量来确定所述的结构张量，其中σ_T对应于被搜寻对象的尺寸。

4.权利要求1的方法，其中通过执行Householder QL分解来找到所述的本征值。

5.权利要求1的方法，其中通过用最大本征值除最小本征值以计算一个各向同性量度来分析所述的本征值，其中用于一个球形对象的所述各向同性量度等于1。

6.权利要求1的方法，其中所述的图像被预处理。

7.一种用于识别数字图像中的球形对象的方法，其中所述的图像包括与一个三维空间内的点的一个域相对应的多个强度，所述的方法包括以下步骤：

通过用标准偏差σ_G的高斯内核G的导数卷积所述的图像来计算所述图像的每个点处的图像梯度，其中σ_G相对于所述图像的尺寸是小的；

通过将所述图像每个点的梯度乘以其转置矩阵来计算一个基本结构张量；

通过用标准偏差σ_T的高斯内核卷积每个点的基本结构张量来确定一个结构张量，其中σ_T对应于被搜寻对象的尺寸；

执行每个结构张量的Householder QL分解以找到其本征值；以及

计算每个结构张量的各向同性量度，其中该各向同性量度通过该结构张量的最大本征值与该结构张量的最小本征值之比来定义，其中一个球形对象对应于等于1的各向同性量度。

8.权利要求7的方法，其中所述的图像被预处理。