（信号与信息处理专业论文）肺结节ct图像特征提取及svm分类方法研究.pdf

西华大学硕士学位论文 摘要 肺癌是当今世界上最常见的癌症之一，并且确诊之后的存活率也是很低的。造成这 种情况的最主要原因是，由于医学条件的限制，肺癌在早期的时候十分难以发现，而等 到了晚期，症状明显了，即使发现了也已经几乎无法治愈了。在这样的情况下，为了能 够在一定程度上提高患有肺癌的病人的治愈率，使更多的人们能免受肺癌的侵害，在肺 癌的早期，也就是肿瘤的早期生长阶段就将其检测出来，并给以适当的治疗是最主要的 手段。肺癌的早期在医学影像学方面的表现通常为孤立性肺结节( s o l i t a r yp u l m o n a r y n o d u l e s ，s p n s ) 。因此，想办法提升对孤立性肺结节的检测和识别率，是对肺癌早期检 测最重要的途径。 随着影像检查技术的不断发展及不断改进，低剂量的c t 扫描已经逐渐成为了检测 早期肺癌的孤立性肺结节最有效的方法之一。c t ( 即计算机断层摄影) 技术是在x 射 线成像技术以及计算机技术发展的基础上所诞生出的一项全新的技术。采用c t 技术得 到肺部的扫描图像后，我们再通过计算机辅助检测( c o m p u t e ra i d e dd e t e c t i o n ，c a d ) 系 统对肺结节图像进行适当的处理，这样才能为医生对于肺癌的诊断提供更有力的支持。 c a d 系统可以大幅度缩减医生的工作量，能够使并没有太多工作经验的医生可以替代 之前需要有经验的医生人工阅片的工作，这样还提高了工作效率，也使得通过影像的诊 断变得客观化，对提高诊断的效率和正确率有一定的帮助。因此，采用计算机作为肺结 节的辅助诊断工具，并提取肺结节的特征，检测和识别肺结节，是具有重要的意义和研 究价值的。本课题的研究目的也正在于此。 本课题为“肺结节c t 图像特征提取及s v m 分类方法研究”，在熟悉现有肺部c t 图像一般处理方法的基础上，主要在特征提取及分类方面做了些研究工作。 主要研究工作包括：国内外当前的研究进展，肺部疾病及肺结节的相关知识，肺结 节c t 图像的前期处理方法研究，图像的特征提取，肿瘤的分类等五个部分。本论文从 理论与实践两方面对肺结节c t 图像的特征提取及分类进行了较全面的研究，并利用临 床采集的c t 图像进行了验证。由于临床数据较少，肺部疾病种类繁多，并且经常是多 症并发，只能将肺结节图像分为良性及恶性两类。并且由于处于研究初期，特征提取万 分类算法有待改进。今后的工作重点将是逐渐的建立完整的图像处理体系，实现自矽 r o i 区域的提取，改进特征提取算法及分类算法，并为建立完整的c a d 系统而努力。 关键词：肺结节；ct 图像：图像前期处理；特征提取：分类 肺结节c t 图像特征提取及s v m 分类方法研究 a b s t r a c t t h e 1 u n gc a n c e ri so n eo f t l l em o s tf 锄i l i a rm a l i g n a i l tt u m o r s ，a n di ta l s oh a so n eo fm e 1 0 w e s ts u r v i v a lr a t e sa r e rt 1 1 ed i a g n o s i s t h em 旬o rr e a s o ni sm ee a r l yd e t e c t i o no fc a n c e r si s v e 巧d i f ! f i c u l ta n dc u r er a t ei sv e 叮l o wi na d v a l l c e ds t a g e 1 1 1o r d e rt oi m p r o v es u r v i v a lr a t e s ， t u m o rd i a 印o s e sa i l d 仃e a 协l 钮ti nm ee a r l ys t a g ei st l l ek e ya n dp r i m a r ym e m o d t 1 1 e 硫硒n g f i n d i n go fl 吼gc a n c e ri n c h o a t ei st 1 1 es o l i t a r yp “m o n a r yn o d u l e s s o ，m ed e t e c t i o na n d r e c o 盟i z eo fs o l i t a r yp u l m o n a 叫n o d u l e sp l a y e das i 印i 矗c a l l tr 0 1 ei n1 u n gc a n c i d i a 印o s e w i t ht l l ed e v e l o p m e l l to fm o d 锄i m a 百n gt e c h n o l o 百e s ，t 1 1 el o wd o s ec ts c 刎n g b e c o m e so n eo ft 1 1 em o s te 行e c t i v em e m o d st 0 d i a 窖口o s en l el u l l gc a n c e r c o m p u t e r i z e d t o m o 伊a p h yi san e wt e c h n o l o g yb a s e do nx r a ya n dc o m p u t e rt e c h n 0 1 0 9 y c o m p u t e ra i d e d d e t e c t i o ns y s t e mh a so f ! e 旨e d s 廿0 n gs u p p o r tf o rt l l ee a r l yd i a g n o s i so f1 u i 培c a n c e rb y p r o c e s s i n gt h es p nc ti m a g e s i td o e s n to i l l yr e d u c em eh u g ew o r ko fd o c t o r ，h p r o v e e 筒c i e n c y ，a i l da l s om a k e sm ed i a 朗o s eo b j e c t i v e ，呻r o v e sn l ep r e c i s i o n1 e v e l s o ，m e c o m p u t * a i d e dd i a 印o s t i c ，吐1 ee x 仃a c t i o na n dc l a s s i f i c a t i o n0 fp u l m o n a 叫n o d u l e sh a saq u i t e i r r l p o r t 纽t 也e o r c t i c a lv m u ea n dr e a l i s t i cm e a n i n g s ni sa l s ot h ei m e n t i o nt or e s e a 托hi nt h i s t 1 1 e s i s t 1 1 i s p a p e ra i l a l y z e d t l l ec o m m o ni n l a g e p r o c e s s i n g a 1 1 d 撕m 1 1 e t i c ， a 1 1 d m o s t l y r e s e a r c h e do nm ef e a t u r ee x 仃a c t i o na i l dc l a s s i f i c a t i o n t 1 1 em a i nc o n t e n t sa r es 眦吼撕z e da sf i v ep a n s ：t h ec u n n ts i t i l a t i o nb o t l li i lc l l i n aa i l d a b r o a d c o r r e l a t i v ek n o w l e d g eo f1 u n gd i s e a s ea i l d p u l m o n a r yn o d u l e s p r e - p i i o c e s s i n g m e t l l o d so ft l l ec ti i l l a g e s f e a t u r ee x 臼- a c t i o no fi m a g e c l a s s i f i c a t i o no ft h et u m o r s t h i s m e s i sd i s c u s s e dm ef e a c u r ee x 缸a c t i o na n dc l a s s i f i c a t i o nf o rp u l m o n a r yn o d u l ei i lm e o r va n d p r a c t i c e a m di ta l s op r o c e s s e s 1 ec l i n j c a lc ti m a g e s t h ep u l i i l o n a 叫n o d u l e 沛a g e sa r e o n l yc l a s s i 丘e di n t o b e n i 朗”a i l d “m a l i 盟a n t ”，b e c a u s et h ec l i m c a li m a g e sa r el i m i t e da i l d m e r ei sag r e a tv a r i e t yo ft 1 1 el u n gd i s e a s e s b e s i d e s ，m er e s e a r c hi si nt 1 1 eb e 百n n i n gs t a g e ，t l e a l g o t h mo ff e a n 盯ea b s t r a c t i o na i l dc l a s s i f i c a t i o nh a st 0b ei m p r o v e d t h ee m p h a s i s 锄d d i r e c t i o no fs t l l d yi nn l e 允t u r ei st ob u i l da c o m p l e t ei m a g e sp r o c e s s i n gs y s t 锄t o a u t o e x 仃。a c t i o nm er o i 踟r e a k e yw o r d ：s o l i t qp u l m o n qn o d u l e s ；c th n a g e s ；p r e - p r o c e s s i n g ；f e a c u r ee x 仃枷0 n ； c 1 a s s i 6 c a t i o n i i 西华大学硕士学位论文 1绪论 1 1 研究背景及意义 肺癌是当今世界上最常见的癌症之一，并且确诊之后的存活率也是很低的 1 】。造成 这种情况的最主要原因是，由于医学条件的限制，肺癌在早期的时候十分难以发现，而 等到了晚期，症状明显了，即使发现了也已经几乎无法治愈了。肺癌早期无任何特殊症 状，仅为一般呼吸系统疾病所共有的症状，如咳嗽、痰血、低热、胸痛、气闷等，很容 易忽略，而晚期情况因人而异，多伴有各种并发症，并可能癌细胞转移，几乎无法治愈。 为了能够在一定程度上提高患有肺癌的病人的治愈率，使更多的人们能免受肺癌的侵 害，在肺癌的早期，也就是肿瘤的早期生长阶段就能够将其检测出来，并给以适当的治 疗是最主要的手段。 肺癌的早期在医学影像学方面的表现通常为孤立性肺结节( s 0 1 i t a r yp u l m o n a r y n o d u l e s ，s p n s ) 【z j 。临床上肺部的类圆形病灶通常是通过直径大小来进行分类的，我们 一般把直径小于3 0 d = 1 i i l 的称之为结节，直径小于2 0 i 】：1 1 1 1 的称之为小结节，而直径小于 1 0 n u n 的称之为微结节。临床上我们一般都把检测的重点放在对直径小于2 0 n m 的类圆 形病灶的检测上，也就是小结节和微结节，这是为了能够在早期发现肺癌的症状。如果 我们在检测中发现肺部有微结节或小结节，就可以提醒医生对潜在病变进行注意，并且 通过进一步的观察及诊断，计算结节的增长率和结节数量的增长时间，对检测到的病灶 进行确诊，从而达到早期发现肺癌症状，早点诊断，并尽早治疗的目的。近些年来，随 着影像检查技术的不断发展和不断改进，低剂量的c t 扫描已经逐渐成为了检测早期肺 癌的孤立肺结节最有效的方法之一。 c t 技术( 即计算机断层摄影) 是在x 射线成像技术不断发展以及计算机技术不断 发展的基础上诞生的一项新技术【3 】。在医学影像技术不断发展的今天，c t 扫描已走进 了每家较有规模的正规医院，并已经成为了肺部疾病检测的最重要的手段之一。早期的 胸部x 射线成像图片由于有骨骼的重叠和器官的阴影，给肺部疾病的检测造成了较大的 困难。而c t 图像则可以提供人体各个部位的连续断层扫描图像，不但克服了传统x 射 线成像图片中的身体前后部位的重影，也消除了骨骼的重叠的影响。并且c t 图像还能 够提供比普通x 射线成像图片高出一二十倍的图像密度分辨率，以及更高的灰度对比 度。c t 图像是利用人体的不同组织对x 射线的吸收及透过率的不同来成像的，灵敏度 较高，可以准确的测量出同一断层( 即同一个平面) 内不同的组织的不同密度，并且以 图像和数字的形式将其显示出来。由于c t 图像的高分辨率、高对比度以及操作简单等 肺结节c t 图像特征提取及s v m 分类方法研究 等主要的特性，它受到了医学界的广泛青睐，成为了目前医学影像技术领域中非常重要 的手段之一。c t 断层扫描技术为了能够检测出小结节甚至微结节，不能像传统的x 射 线扫描那样仅仅纵向扫描一张，而必须横向的对受测者的全肺进行间隔较小的断层扫 描。这样可以得到几十幅薄层扫描的c t 图像，这些图像包含了被检测者整个肺部的所 有特征。但如果仅仅是这样的话，要从几十幅c t 图像中凭肉眼排除大量的血管和支气 管等正常组织的干扰，将微结节甚至是小结节甄别出来，就算是对，于有经验的放射科医 生来说也是一个严峻的挑战。由于长时间阅片而造成的视觉疲劳以及身心疲惫，眼花和 分心导致的漏诊和误诊现象时常发生。为了减轻放射科医生的负担，并且提高检测肺结 节的正确率，避免误诊和漏诊的现象，人们提出了利用计算机来辅助诊断的技术，该技 术被称为计算机辅助诊断技术( 即c a d 技术) 。 c a d 系统通过对肺部c t 图像的一系列处理，譬如图像增强，去噪，图像分离等等， 为医生对于肺癌的早期检测和诊断提供了十分有力的支持【4 】。随着计算机软件及硬件技 术的不断更新、用于数字图像处理的技术也日趋成熟，现阶段，人工智能技术也在不断 地研究进步中，而对于智能计算模式识别方法的研究也有了不小的进展。经过多年的研 究，人们对病灶的认识也更加的完整。综合以上所有的因素，在医学影像技术领域中， 我们可以综合利用这些技术，来帮助医生检测出病变特征，勾画出可疑对象，并且提醒 医生多注意观察重点对象。c a d 系统可以大幅度缩减医生的工作量，能够使并没有太 多工作经验的医生可以替代之前需要有经验的医生人工阅片的工作，这样还提高了工作 效率，也使得通过影像的诊断变得客观化，对提高诊断的效率和正确率有一定的帮助。 因此，采用计算机作为肺结节的辅助诊断工具，并提取肺结节的特征，帮助医生检测和 识别肺结节，是具有重要的意义和研究价值的。本课题的研究目的也正在于此。 1 2 国内外研究现状 经过查阅大量的研究资料及文献可知，国外在通过c a d 系统对肺结节的检测研究 方面有大量的研究成果，多个用于检测肺结节的商业c a d 系统已经投入了临床使用， 并且经过了美国食品与药品管理局的认证。有代表性的是l u l l gc a r e 商业c a d 系统和 h n a g ec h e c k e r c t l n 1 0 0 0 商业c a d 系统，这两个系统前者由西门子公司研制，后者由 r 2 公司研制【5 1 。 最近几年我国学者也开始关注c a d 系统的研究，国内的现状，从之前收集到的资 料，以及与本实验室合作的医院提供的信息来看，还没有自行研制成功的检测肺结节的 商业c a d 系统出现并投入临床使用。并且国内文献大多数都是综述国外的研究进展及 现状，研究进度与国外相差较大。 西华大学硕士学位论文 当今国内外的发展趋势是要研究出一种具有敏感性高、特异性好、假阳性率低的技 术和方法，用以尽早的检测出肺结节，这是c a d 系统的研究重点。从近五年以来国内 外发表的各种相关文献中可以看出，目前c a d 系统的研究主要存在以下两方面的问题： ( 1 ) 当前正在临床应用的商业c a d 系统，例如之前提到的西门子研制的l u n gc a r e 以及 r 2 的h i l a g ec h e c k e rc t l n 一1 0 0 0 等，对于肺结节检测的敏感性最高为8 0 左右，而这其 中通常都存在特异性不足，并且假阳性标记数较多的问题；( 2 ) 当前正在临床应用的商业 c a d 系统以及正在研究的c a d 系统通常都是针对实质性的肺结节进行检测的，未将小 结节及微结节的检测包括在内，这也是无法早期发现肺癌的原因之一。由于存在这样那 样的问题，c a d 系统并未能在临床应用中得到广泛的推广，而是仍然处于实验室研究 阶段。如果想要得到能够推广的c a d 系统，我们还需要对以上两个广泛存在的主要问 题深入分析，针对这些问题所涉及到的各种技术及方法不断地进行更细致更深入的研 究。 通过总结近年来国内外有关肺部c t 图像处理c a d 系统的研究文献发现，造成上 述两个问题的主要原因在于 6 】：( 1 ) 数学建模方面的问题：在对于肺结节检测的建模，国 内外通常仅对实质性结节采用简单的高斯概率模型来对其进行描述，并未深入的研究一 种能够针对不同类型的肺结节，例如小结节、微结节等进行合理描述的数学模型；( 2 ) 检测对象的问题：国内外在针对肺部c t 的c a d 系统研究方面仅针对实质性肺结节进 行研究，基本不考虑小结节和微结节，所以相关的研究成果较少。因此，首先要将小结 节和微结节列入研究的目标内，然后在此基础上再针对不同的结节研究出能够给出合理 描述的数学模型，并展开相应的检测方法的详细研究，对提高c a d 的检测性能是必行 之路。提高c a d 的应用范围，及对肺结节的检测准确率，是对检测出的肺结节进行进 一步分类研究的基础( 分类是指区分肿瘤的良恶性) 。并且直接关系到最终所研究的系 统的性能。 综上所述，我们所需要的c a d 系统的主要功能是要能够正确的检测肺结节，而提 高肺结节检测率的关键是：( 1 ) 建立恰当的能够合理描述各种类型的肺结节的数学模型； ( 2 ) 针对建立的肺结节模型，研究出具有敏感性高，假阳性率低的肺结节检测方法。 1 3 研究内容 了解了国内外的研究现状及发展趋势，下面我们对c a d 系统进行简单地介绍。当 前正在投入临床使用的c a d 系统基本都由相同的几个步骤组成，只是采用的检测方法 不尽相同而已，主要步骤如下： 肺结节c t 图像特征提取及s 、m 分类方法研究 ( 1 ) 肺部c t 图像的前期处理。前期处理主要包括几个方面：图像的增强和滤波， 以及c t 图像的肺实质部分的分割等，不同的c a d 系统根据需要只采用了其中几种不 同的前期处理方式，而并非全部都要包含其中；目前的情况来看，滤波的使用较频繁。 ( 2 ) c t 图像中肺结节的分割。为了使研发的c a d 系统具有较高的敏感性，通常应 该尽可能地把所有的，甚至疑似的肺结节全部都分割出来，以供c a d 系统进行特征提 取及分类。所以，我们所分割出的肺结节图像中将不仅仅包含肺结节，还包含与肺结节 表现特征较为相似的血管、气管等其它的非结节成分，需要由c a d 系统来将其与肺结 节分辨出来。 ( 3 ) 肺结节图像的特征提取及优化选择。从c t 图像分割出疑似的肺结节图像后， 为了之后肺结节的分类研究时，能够分辨出哪些是肺结节图像，而哪些是非结节的血管、 气管，或者是钙化点和脓肿的图像，我们需要从疑似肺结节的图像中提取出一系列的数 学统计学，及物理形态学方面的特征，将其量化后，作为今后进行分类研究的依据。 ( 4 ) 采用之前提取出的统计学及形态学特征对疑似的肺结节图片进行分类。这一部 分主要是对于所采用的分类器的设计，通过各c a d 系统的侧重点不同，所选择提取的 统计学及形态学方面的特征也不尽相同，利用提取出的各种特征，将从每个肺结节图像 提取出的特征组成一个一维序列，然后输入分类器进行训练，当训练完成后，该分类器 便可用于对疑似肺结节的图像进行分类了。常用的分类方法有以下几种：基于规则的分 类方法、基于贝叶斯决策的分类方法、模糊聚类法、神经网络等。这几种方法的共同点 是其理论基础都是基于传统的统计学理论。还有一种分类方法是我们所采用的分类方 法，s v m ( 支持向量机) 分类方法。它是针对解决分类和回归问题而提出的，并且适用 于统计学习问题的通用学习方法。由于所采用的肺部c t 图像均来自于临床数据并非标 准图库，所以涉及到病人的隐私问题，只有得到病人的同意才能够采用其肺部c t 图像 作为研究材料，所以获取大量的研究所需样本是十分困难的，能够尽量的发挥现有较小 数量的c t 图像样本，并且得出一个正确率较高的分类结果，正是s 方法的优点。 1 4 文章组织结构 通过之前的介绍我们了解了本课题的研究背景，以及研究的目的和意义。下面就本 论文的结构予以说明。本论文共分为五章，文章各部分的组织结构及各章主要内容介绍 如下： 第一章，主要介绍了肺部c t 图像处理的c a d 系统的研究背景及其意义，以及从 中外文献中了解到的国内外发展方向及趋势，给出了现有c a d 系统对肺结节进行识别 的基本步骤，并简要介绍了本课题选用s v m 的原因，最后列出了本文的提纲。 西华大学硕士学位论文 第二章，主要介绍了在医学领域中c t 图像的主要特点，以及肺结节的形态特征和 医学表现，并且介绍了怎样将采用计算机图像处理技术将医学特征表现出来。 第三章，主要介绍了医学c t 图像的预处理方案，包括图像增强，图像分割，轮廓 提取等，为下一步的特征提取完成必要的准备工作。 第四章，结合医学相关知识以及医学c t 图像的特点给出了特征提取的整体方案。 分别从图像的灰度特征、形态特征、纹理特征等角度，实现对关键的医学征象的特征提 取。 第五章，采用s v m 对提取的特征进行分类，给出了分类器的训练及测试参数， 并参照分类结果评价s v m 的分类正确率。总结本课题的研究成果，为未来的进一步工 作提出方向及目标。 肺结节c t 图像特征提取及s v m 分类方法研究 2 c t 图像及肺结节特征 2 1 医学c t 图像 c t 是电子计算机x 射线断层扫描技术的简称，它是一种功能齐全的病情探测仪器 一j 。c t 是用x 射线束对人体某一部位器官的层面进行扫描，由探测器对透过该层面的 x 射线进行接收，并且转变为可见光后，通过光电转换器变成电信号，再通过模数转换 器转化为数字信号，最后通过计算机编码形成我们所常见的c t 图像。 医学c t 的成像原理是根据人体不同组织对x 射线的吸收和透过率不同，应用灵敏 度极高的仪器对人体进行测量，然后将测量所获得的数据经计算机处理后就得到了人体 被测量部位的断层或立体图像，可以发现体内任何部位的细小病变。 2 1 1c t 图像的特点 我们常见的c t 图像是由像素点排列而成的矩阵，并且这个矩阵是黑白的，通常由 啦2 5 5 个不同的灰度级别构成，o 为黑色，2 5 5 为白色。这些灰度级所反映的，是人体不 同组织对于x 射线不同的吸收及通过率。现有的c t 图像采集设备有很多种，不同设备 得到的c t 图像分辨率都不尽相同，常见的有2 5 6 2 5 6 ，5 1 2 x 5 1 2 两种，5 1 2 5 1 2 的图像， 由于像素数目较多，图像看起来也更加细腻，包含的特征量更多。本课题采用的为 5 1 2 5 1 2 像素的肺部c t 断层扫描图像。c t 图像示例如图2 1 所示。 图2 1 肺部c t 图像示例 西华大学硕士学位论文 c t 图像以其像素的不同灰度来反映人体各组织对x 射线的吸收程度，x 射线穿过 人体时，不同的组织密度值代表不同的线性衰减系数( 即吸收系数) ，一般用它的相 对值进行表示，称为c t 值： c t 值2 ( ( 物质味) 水) k ( 2 1 ) 其中k 为分度因数，( 设为1 0 0 0 ) 则c t 值的单位为h u ( h o u n s f i e l du 1 1 i t ) c t 值的定义是以水为标准的，设定其线性衰减系数为1 ，即c t 值为o h u ，其他组 织则与其相比较后得出。人们将一1 0 0 0 + 1 0 0 0 分为2 0 0 1 个等级来表示c t 值的差别。 正常人体组织的c t 值如表2 1 所示： 表2 1正常人体组织c t 值 2 1 2c t 图像的连续性 因为c t 图像实际上是平面的一个断层扫描，只能代表当前这个平面内的组织情况， 所以通常会对待检测部位进行等间隔的多次c t 扫描，已得到连续的c t 断层图像，这 样才能够尽量完整的表现待测组织的整体状况。 2 1 3c t 图像的模糊性 之前介绍了c t 图像的众多优点，下面就c t 图像的最大缺点进行一下简介。由于 医学图像的成像原理与普通图像不同，图像中有时会出现伪影【8 】。伪影是指被扫描的物 体中不存在而图像中却显示出来的各种不同类型的、非真实的假象。图像中有些伪影是 被检测者自主或不自主的运动所致，另一种是被检测者的被测部位有高密度结构或异物 所致，对图像造成了不同程度的模糊性。 这种模糊性主要体现在几个方面： 肺结节c t 图像特征提取及s 、，m 分类方法研究 ( 1 ) c t 图像灰度上的模糊性：同一个组织内部的c t 值会有巨大的差异，如肺部c t 图像中肺实质、血管、气门、等不同部位的c t 值差异很大。 ( 2 ) c t 图像几何上的模糊性：组织与组织之间的边界经常连接在一起过渡不明显较 难以区分，而且病变部位经常侵袭周边组织，使得边缘无法明确界定。 ( 3 ) c t 图像的不确定性：病变组织的出现没有固定规律可循，位置、形状等等因素 都无法确定。 为了尽量去除这种模糊性，可以对得到的c t 图像进行一系列的处理措施，例如去 噪、增强和平滑等，图像去噪能够清除孤立点以及各种原因引入的噪点，图像增强能够 提高像素的对比度，图像平滑能够完整的保留图像的真实性，以保证所得图像的完整性， 以及与现实图像的一致性。 2 2 肺结节的医学特征 上一节我们了解了c t 图像的基本原理及优缺点，本节我们开始重点了解c t 图像 中肺结节的医学特征。 肺结节通常是指肺部的直径小于3 0 i i l i n 的类圆形病灶，一般完全由肺实质包围，并 且伴有肺不张或淋巴结肿大等症状。肺结节的部分特征如图2 2 所示。 翕密度 低密度 毛裁征 边缘清晰 图2 2 肺结节基本特征 钙化 分叶征 边缘模糊 图中我们可以看到肺结节的部分特征，现对其中主要的特征及其相关的医学知识介绍如下： 2 2 1 肺结节病灶的基本特征 ( 1 ) 肺结节密度 9 】：每个肺结节的密度及其密度的分部都不尽相同，通常良性肿瘤 的结节密度都十分均匀，在c t 图像上呈均匀密度分布者中，良性结节占5 5 ，明显高 于恶性结节的2 0 。恶性肿瘤随瘤体生长增大，肿瘤中心出现坏死所以密度不均匀，炎 西华大学硕士学位论文 性肿块伴瘤内有液性脓腔时也表现为密度不均。恶性肿瘤内出现气泡等也是形成肺结节 内部密度不均匀的原因之一。 ( 2 ) 钙化：钙化是公认的s p n s 良恶性鉴别的有用指标之一，一般恶性肿瘤较少发 生钙化。钙化常见于良性结节中，钙化的形态与范围对鉴别诊断起重要作用，一般良性 结节中钙化多呈中心型、层状型、爆玉米花型和弥漫型，钙化的范围至少累及结节体积 的1 0 ，而恶性结节即使出现钙化也多呈针尖状或呈偏心位置，且钙化仅占结节体积的 1 0 以下。 ( 3 ) 空洞：结节病灶内发生坏死、液化，其液性坏死物经支气管引流随痰咳出，从 而形成空洞。空洞影像学检查表现为环形阴影，可以是薄壁或厚壁，空洞壁可规则或不 规则，甚至有可能形成壁内结节，空洞内可有或无液平面，空洞周边可有或无渗出病灶 或纤维化，钙化病灶等，空洞壁厚度与良恶性关系密切，恶性结节的空洞多为厚壁。 以上三种主要表现为结节的内部特征，下面介绍结节的表面特征。 2 2 2 瘤体界面常见征象 ( 1 ) 分叶征：是肺结节轮廓特征的一种表现，肺结节的边缘轮廓并非全部都是由圆 形构成的，经常表现为多个弧形相连，恶性肿瘤更是整体表现为非圆形。我们在c t 图 像上根据分页的弧弦距与弦长的比值大小对分页进行分类：将其分为深分页、中分页、 浅分叶三种。比值2 4 1 0 为深分叶，深分叶对良恶性结节的鉴别价值较大。 ( 2 ) 棘突征：是指肺结节病灶边缘出现得数毫米长的细尖角状突起，棘突征是在分 叶征的基础上，肿瘤先端向肺直接浸润所致，是分叶的一部分，通过大量的研究发现， 棘突征只出现于肺癌中，因此检出棘突征对于肺癌的确诊意义十分重大。 ( 3 ) 毛刺征：影像学上我们称肺结节边缘处出现的小刺状的突起，并且呈细线状或 密集毛刷状分布的为毛刺征。该征象多见于周围型肺癌，但少数良性结节也可出现这一 征象。良性与恶性肿瘤毛刺的形状及分布的区别尚未有明确的研究结论，有待于更深入 的研究。 2 2 3 肺结节病灶的大小 一般认为结节病灶越大，恶性度越高，当肺结节的直径大于3 0 1 1 ：u 1 1 时，8 0 为恶性 肿瘤，而当肺结节直径小于2 0 m m 时，仅有2 0 为恶肿瘤性。因此，肺结节的直径大 小对于肿瘤的良恶性鉴别有一定的参考价值。所以在肺癌的t n m 分期标准中，以肺结 节直径3 0 1 1 1 i n 为l i 每界值，当肺结节直径小于3 0 m n 】时定义为t 1 ，而超过30 1 1 姗时则定 义为t 2 。 肺结节c t 图像特征提取及s v m 分类方法研究 2 3 肺结节特征在c t 图像中的表现 根据前节的知识我们了解了肺结节的重要医学征象，因为其各种医学征象的不同表 现关系到良恶性的判别，所以，我们应在c t 图像中找出其医学征象的对应关系，以方 便使用计算机对其特征进行提取，并根据这些特征实现对肺结节良恶性的判别，这是本 课题的研究重点，也是c a d 系统的研究目的 1 0 】。下面给出部分肺结节医学征象在c t 图像中的对应关系，如表2 2 所示。 表2 2 医学征象在c t 图像中的对应关系 医学征象 c t 图像中的体现方式 肺结节大小 肺结节形状 肺结节密度 纹理特征 分叶征 毛刺征、棘突征 边缘光滑、边缘模糊程度 所占面积( 像素点数目) 长宽、类圆度、细长度等 像素点的灰度等级、直方图灰度熵 灰度均值、方差 轮廓形态 边界弯曲程度、区域半径、方差半径熵 分形维数、边界区域灰度均值、方差 2 4 本章小结 本章介绍了医学c t 图像的基础知识，列举了肺结节的各主要医学征象，并且简单 给出了肺结节各医学征象在肺部c t 图像中的对应关系。如上表中所列出的这些即是关 键的图像特征，是本论文的研究对象，接下来从下一章开始，我们将开始介绍对c t 图 像的预处理，为能够将上述图像特征完整的保存下来，为进一步的特征提取以及最后对 肺结节的分类做准备。 l o 西华大学硕士学位论文 3 肺部c t 图像预处理方案 医学图像本身是一种二维的连续函数，图像的亮度是其位置的连续函数。在计算机 上对医学c t 图像进行处理的时候，首先必须对图片在空间和亮度上的二维连续函数进 行数字化，我们称之为图像的采样以及量化的过程。我们对二维连续函数的图像进行均 匀采样，可以得到一幅离散化成m 个样本数据的数字图像，该数字图像构成了一个 整数阵列，行和列的标号表示原图像的位置，阵列中的数据表示对应位置的亮度。计算 机图像处理就是将所得的数字图像看成是平面中各个像素组成的集合，其中每个像素对 应整数阵列的一个数据，像素的亮度就是原图像的亮度。而对肺部c t 图像的预处理主 要包括图像增强，以及肺实质部分的分割等几种图像处理操作。下面我们将一一对其将 进行介绍。 3 1 肺部c t 图像增强 图像增强是指对要处理的数字图像的灰度进行适当的扩展，即把我们所感兴趣的图 像区域的灰度范围扩大，拉开亮暗区域之间的灰度差，使得区域范围内的像素点亮度高 的更亮，亮度低的更暗，从而达到使图像的对比度得到增强的目的。c t 图像增强处理 的方法通有两大类别，分别是空间域处理方法以及频率域处理方法。常见的空间域增强 方法有直方图均衡、中值滤波等，而小波变换则属于频率域增强方法。 在这里，由于仅仅是对肺部c t 图像进行预处理，并不影响实际特征提取时的效果， 所以选用较为简单的空间域滤波方法，我们对直方图均衡和中值滤波方法的效果做一个 比较。 3 l 1 直方图均衡化方法 首先介绍直方图均衡化方法。直方图均衡化方法首先需要得到灰度图像的直方图， 统计落入o 2 5 5 中每一个灰度级的像素的多少。通过拉大所在像素较多的灰度级之间的 灰度差来使图像的对比度增大，以达到图像增强的目的。直方图均衡化的m a t l a b 实现代 码如下： a = i m r e a d ( e ：p i c m r e s 6 b m p ) ； b = r 曲2 蓼a y ( a ) ； i m s h o w ( b ) ； c = h i s t e q ( b ) ； s u b p l o “1 2 1 ) ，i m s h o w ( a ) ； s u b p l o “12 2 ) ，i m s h o w ( c ) ； 读取图像 转化为灰度图像 显示原图 直方图均衡化 肺结节c t 图像特征提取及s 、_ ，m 分类方法研究 所得的增强图片如下图3 1 所示： 原始图像直方图均衡化增强图像 图3 1原始图像与增强后图像对比 通过以上两幅图的对比可以看出，直方图均衡化方法拉大了像素灰度之间的差值， 突出了肺实质以及人体组织部位的纹理细节特征，支气管及血管的纹理显得十分清楚， 但同时增大了肺实质部分的亮度，使得肺实质部位看上去不够清晰。 3 1 2 中值滤波方法 接下来介绍中值滤波方法，中值滤波是基于排序统计理论的一种能有效抑制 噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一 点的值用该点的一个邻域中各点值的中值代替，让周围的像素值更接近于真实值， 从而消除孤立的噪声点，以达到图像增强的目的。中值滤波方法的实现代码如下 所示： i = i 锄e a d ( f e ：p i c t u r 岱6 b i 印 ) ； i l 可g b 2 9 m ) ，( i ) ； s u b p l o t ( 2 31 ) ；i m s t l o w ( i l ) ；d n e ( 原图像t ) ； k l = m e d 句t 2 ( i 1 ) ；进行3 木3 模板中值滤波 k 2 = l 】嘣蚯h 2 ( i l ， 5 ，5 】) ； 进行5 奉5 模板中值滤波 k 3 = i 】嘣蚯n 2 ( i l 【7 ，7 】) ； 进行7 7 模板中值滤波 s i l _ b p l o t ( 2 3 2 ) ；i 盥h o 啡1 ) ；醐e ( t 3 3 模板中值滤波) ； s u b p l o t ( 2 3 3 ) ；i 傩h o w ( k 2 ) ；石t i e ( 5 5 模板中值滤波- ) ； s u ：b p l o t ( 2 3 4 ) ；i i 璐h o w ( k 3 ) ；t i t l 7 7 模板中值滤波f ) ； 西华大学硕士学位论文 以上代码对原始图像进行了采用不同模版的中值滤波处理，所得的增强图片如下图 3 2 所示： 图3 2 原始图像与增强后图像对比 从上图中我们可以看出，与原图像相比较，所采用的模板越大，原图像中的局部细 节丢失的越多，不便于之后的特征提取，但却可以消除孤立的噪点。 经过比较直方图均衡化方法和中值滤波方法我们得出，如果需要强化肺实质内部的 细节时，应当采用直方图均衡化方法；而当原图片不够清晰，有较多的椒盐噪声的情况 下，可以采用中值滤波法去除噪声，使图像更加清晰。 3 2 肺实质分割 介绍完了图像增强，下面是更主要的肺实质部分的图像分割。肺实质分割是指从完 整的肺部c t 图像中确定出双肺的边界，以便下一步仅针对双肺的内部进行处理。研究 肺结节c t 图像特征提取及s v m 分类方法研究 者们很早就注意到了肺实质分割这个问题，并提出了通用的分割步骤，首先根据c t 图 像的质量以及所期望得到的输出来选择所需进行的处理，诸如去除周围的空气背景，去 除衣物干扰，或提取出胸部的胸腔轮廓等，然后再采取各种算法去掉胸腔的轮廓，提取 出我们所感兴趣的肺实质部分。算法有很多种，简单的有阈值法，形态学处理及多尺度 分析法，复杂的有边缘检测、区域生长，及其它各种基于模式分类的分割方法。 阈值法的优点是实现简单并且快速，但缺点是不能够有效的去除背景以及气管支和 气管等区域。边缘检测和区域生长法均属于半自动分割的方法。边缘检测的缺点是在分 割时碰到肺部边缘有水肿和发炎等症状时，会遗漏掉这些区域；而区域生长算法虽然能 够完整的保留水肿及发炎的区域，但也会排除掉那些被强梯度边界所包围的区域，并且 它对种子点的选取要求十分严格。基于形态学和多尺度分析理论框架的肺实质分割方法 虽然理论上较简单，但通常计算的复杂度十分高，导致分割的效率十分低下。而最复杂 的基于模式分类的各种分割方法虽然也取得了很好的效果，但是需要人为选取大量的训 练样本，并需提取多个特征，所以处理时间及流程都比较长。 我们采用一种综合方法来对肺实质进行分割，分割步骤如图3 3 所示： 值二值化 一 ：二毫域至苌荔姜蘸；否一1 斗 左右肺分离 图3 3 肺实质分割步骤 轮廓修复 下面我们就对上图中的每一个步骤的原理及算法进行详细的介绍。 3 2 1 最佳阈值二值化 在我们进行阈值分割图像之前，首先要将胸腔以外的空气及衣物等干扰部位的亮度 修正为0 ，这样能够排除这些数据对我们所关注的区域造成j 毛影响。然后我们再采用最 佳阈值算法为需要分割的肺部c t 图像算出一个合适的阈值。计算方法如下所示： ( 1 ) 先为数字图像设置一个初始的阈值t ： 西华大学硕士学位论文 丁= 丝挚为图像中灰度的最大值，为图像中灰度的最小值； 二 ( 2 ) 使用初始闽值t 对数字图像的像素点进行分割，以获得2 个像素集a ( 大于等 于t ) 和b ( 小于t ) ； ( 3 ) 计算出像素集a 的灰度均值心和像素集b 的灰度均值心： ( 4 ) 计算新的阈值t i ：乃= 半 z ( 5 ) 重复步骤( 2 ) 到( 4 ) ，直到t j 的值满足预定义的迭代差值时，则停止迭代。 经过最佳阈值二值化的肺部c t 图片上，黑色的区域主要分为两个部分：中间肺实 质区域以及外围背景区域。外围的背景区中在处理之前经常夹杂有高亮度的单个噪点。 我们可以通过多次扫描图片来减少噪点的引入，并且后续会将黑色的外围背景区域全部 设置成为白色的非目标区域，以准确的得到所需要的肺实质部分。 二值化效果如图3 4 所示： 原始图像 图3 4 最佳阈值二值化 二值化后图像 3 2 2区域生长法去除气管、支气管 胸部轴向的c t 层片一般共要拍摄几十张连续的c t 图像，我们可将这几十张c t 图像根据拍摄部位的不同分为三类：最上部的是上肺野层片、中间肺部区域较广阔的称 为中肺野层片，最下面左右肺部明显分开的部位称为下肺野层片。在上肺野层片中，经 肺结节c t 图像特征提取及s 分类方法研究 过最佳阈值二值化后的图像上，目标区域中部高亮区域中心，还保留有一块低亮度的大 气管的影像，而在中肺野层片中，经过最佳阈值二值化后的图像上，目标区域中则包含 有低亮度的二个左右主支气管的影像，这些都是不属于肺实质的部分，也不属于我们所 研究的肺部区域，会带来一定的影响，所以应当除去气管部分。我们采用区域生长算法 来去除气管部分。区域生长算法是从选中的某个像素点出发，按照指定的生长规则一点 点地将临近的像素包含进来，当满足终止条件时生长停止，这时区域生长完成。区域生 长算法的主要步骤如下所示： ( 1 ) 首先从第一层片开始寻找。根据经验及人体肺部的结构我们知道，上部所得的 第一层c t 图片中左右肺不连接，并且肺部边缘十分平滑，而最中间的主气管也十分明 显，我们很容易通过区域联通法找到主气管的联通域； ( 2 ) 每层c t 图片中种子点的选取。第一层片选取目标区域质心为种子点，其余每 层片的种子点以上一层找到的气管质心为种子点即可； ( 3 ) 设定区域生长的准则。对于每张c t 层片都以种子点作为出发点，查看周围的四 邻域点，如果邻域点的灰度值与种子点的灰度差小于设定的阈值，就将邻域点归入气管 区域范围内，再以新加入的邻域点为种子点，继续查看周围的邻域点。 ( 4 ) 生长的终止条件。预设一个面积增长差值，即当该轮生长结束后，所得到的气 管面积与增长前的面积差值小于预设的增长差值时，区域生长终止。 应当注意以下几点： ( 1 ) 设置灰度差阈值时，要尽量接近并略大于气管区域中气体的灰度差异值。 ( 2 ) 当c t 层片中的主气管分裂为两个主支气管时，需要寻找两个种子点进行区域 生长，这时需将上层的单个种子点位置分别向左右偏移数个像素点，然后得到两个新的 主支气管的种子点。 ( 3 ) 当主支气管已经完全深入肺实质内部时，则停止区域生长，不再去除气管。 去除气管后的图像如图3 5 所示。 3 2 3 左右肺的分割 上肺野层片中，由于左右肺分开，并不需要进行左右肺的分割，而中下部则因人而 异，大部分