（生物医学工程专业论文）肺部结节的自动检测和特征分析.pdf

东南大学硕士学位论文 a b s t r a c t t i t l e ：a u t o m a t i cd e t e c t i o no fp u l m o n a r yn o d u l e sa n df e a t u r e s a n a l y s i s g r a d u a t es t u d e n t ：y u l i y a n t h e s i ss u p e r v i s o r ：s h u h u a z h o n g y uw e n x u e s c h o o l ：s o u t h e a s tu n i v e r s i t y l u n gc a n c e r i st h em o s tc o m m o nm a l i g n a n tt u m o ra n do n eo ft h el o w e s t l i v a b i l i t yt u m o r sa f t e rd i a g n o s i sa si sk n o w n s of a r i ti si n c r e a s i n ga n n u a l l ya n dn o w t h ef i r s tc a u s eo fc a n c e r r e l a t e dm o r t a l i t yi nc i t i e s i no r d e rt oi m p r o v et h es u r v i v a l r a t eo fl u n gc a n c e rp a t i e n t s ，d e t e c t i o ni nt h ee a r l ys t a g e sh a sas i g n i f i c a n t l ym o r e h o p e f u lp r o g n o s i sa n d i st h ek e yt r e a t m e n t c ts c a n n i n gp r e s e n t sg r e a to p p o r t u n i t i e s f o rl u n gc a n c e rd i a g n o s i s h o w e v e r , t h el a r g ea m o u n to fc t i m a g e sc a u s e di n c r e a s i n g w o r ka n di n e v i t a b l ef a l s ed i a g n o s i sr a t e i m a g ep r o c e s s i n gt e c h n i q u e s ，f o re x a m p l e s e g m e n t a t i o na n de x t r a c t i o no fn o d u l e s ，r e c o n s t r u c t i o na n dr e n d e r i n go fs u s p i c i o u s o b j e c t s ，m a k ei tp o s s i b l et h a tc o m p u t e r - a i dr e a d i n gi m a g e s ，h e l pd o c t o r st oa n a l y z e p a t h o l o g i c a lc h a n g e sa n do t h e rr e g i o n so f i n t e r e s ti nc h a r a c t e ra n de v e ni na c c u r a t e q u a n t i t y , a n dr e l e a s et h ed o c t o r s b u r d e n t h ed i s s e r t a t i o nf o c u s e so n c o m p u t e r - a i d e dd e t e c t i o no fp u l m o n a r yn o d u l e s ，t h e a u t o m a t i cd e t e c t i o no fd i f f e r e n tp u l m o n a r yn o d u l e sa t t r a c t s m a n yu n i v e r s i t i e sa n d m u l t i n a t i o n a lc o r p o r a t i o n s w er e p o r ts e v e r a ls t e p st o a n a l y z et h ei m a g e ：f i r s t ，t h e p r e p r o c e s s i n go f c t i m a g e s ；s e c o n d ，t h ee x t r a c t i o no f p u l m o n a r yp a r e n c h y m a ；t h i r d ， t h es e g m e n t a t i o no fr e g i o no fi n t e r e s t ( r o i ) a n dt h e l a s t ，f e a t u r e se x t r a c t i o na n d c l a s s i f i c a t i o n 1 1 1 ed i f f e r e n c ea n dt h ec o r r e s p o n d i n gr e s u l to fc o n v e n t i o n a lc ta n d h i g h r e s o l u t i o nc t ( h r c t ) i sd i s c u s s e d w eu s eas e r i e so f i m a g ep r o c e s s i n gm e t h o d s s u c ha se d g ed e t e c t i n ga n dc o m p o n e n t sl a b e l i n gt oe x t r a c tp u l m o n a r y p a r e n c h y m a e s p e c i a l l yw ed i s c u s st h ec a s eo fn o d u l e sa t t a c h e dw i t hp l e u r a ls u r f a c e t h e nw eg e t r o i b yu s i n gi m p r o v e dw a t e r s h e ds e g m e n t a t i o na n df u z z ycm e a n c l u s t e r i n gm e t h o d s f e a t u r e ss u c ha sa r e a ，c e n t r o i de t ca r ee x t r a c t e da n dd u et om e d i c a lk n o w l e d g et h e n o d u l e sa r ec l a s s i f i e db a s e do ns e v e r a lr u l e s ，t h es u r f a c ev i s u a l i z a t i o no f d a t ai sa l s o d i s c u s s e d c l a s s i f i c a t i o no f m a l i g n a n ta n db e n i g nn o d u l e si st h eo t h e rm a i nc o n t e n to ft h e d i s s e r t a t i o n i ti st h ef i r s t - l e v e lc l a s s i f i c a t i o no f n o d u l e sa n dad i f f i c u l tp r o b l e m u p o n p r e s e n tr e s e a r c h w et a k ep r e s e n tm e t h o d si n t ot w oc a t e g o r i e s ：m e a s u r e m e n ta n d i i 东南大学硕士学位论文 c o m p a r i s o n ，a n dh e r e i nf o c u so nt h em e a s u r e m e n tm e t h o d t h em e a s u r e m e n t so f g e o m e t r ys h a p ef e a t u r e sa n dt e x t u r ef e a t u r e so f n o d u l e sa r ec o m p u t e d ，e s p e c i a l l yw e i m p o r tt h ef r a c t a lt h e o r yt oc l a s s i f i c a t i o no fp u l m o n a r yn o d u l e s ，c o m p u t ei m p r o v e d f r a c t a ld i m e n s i o n so fv a r i a b l en o d u l e si m a g e st od e s c r i b et h en o d u l e c o m p l e x i t y a c c o r d i n gt op r i o r c l i n i c a l k n o w l e d g e ，w ep r e s e n ta l g o r i t h m s t od e t e c tm e d i c a l s y m p t o m s t h e n l i n e a rd i s c r i m i n a n t a n a l y s i s i su s e dt o c l a s s i f y n o d u l e si n t o m a l i g n a n ta n db e n i g no n e s ，t h ed i s c r i m i n a n t s c o r e sa r e a n a l y z e du s i n gr e c e i v e r o p e r a t i n gc h a r a c t e r i s t i cc u r v e s ( r o c ) m e t h o d k e yw o r d s ：p u l m o n a r yn o d u l e s c o m p u t e r a i d e dd i a g n o s i s p a t t e r nr e c o g n i t i o n f r a c t a lt h e o r y f u z z yc l u s t e r i n g w a t e r s h e dl d a r o c i i i 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示了谢意。 研究生签名：主逸日期：坦丝! 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位 论文的复印件和电子文档。可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论 文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包 括刊登) 授权东南大学研究生院办理。 研究生签名：李逸导师签名：彗聋芝日期： 第一章绪论 1 1 课题背景及意义 第一章绪论 肺癌是最常见的内脏恶性肿瘤，也是己知的确诊后存活率最低的癌症之一。 肺癌的发病率逐年上升，在城市已居肿瘤死亡率首位。在2 8 个发达国家中，肺 癌已成为恶性肿瘤中最常见的死亡原因。例如：美国1 9 9 0 年肺癌的发病为1 5 4 万人，死亡为1 4 6 万人“1 。1 9 8 8 年在瑞士召开的第五届肺癌国际会议指出“2 1 世纪初，最常见的疾病很可能是肺癌和艾滋病”。中国预防医学科学院信息中心 公布，在今后3 0 年中，肺癌将成为中国人民的主要死因。随着经济的发展，我 国已成为肿瘤大国，其中肺癌将占全部肿瘤的t 3 ，并将主导我国癌症流行的趋 势。肺癌的5 年存活率仅为1 3 ，9 。1 ，主要原因是肺癌早期发现困难，以及晚期 病例又难以治愈等综合原因所致。因此，为了提高肺癌病人的生存率，在肿瘤的 早期生长阶段就进行检测与治疗是主要也是关键的方法。临床上，当病人因咳嗽、 咯血及胸痛等临床症状就诊时，通常首先采用x 线胸片检查，一般来说，此时胸 片上发现的肿瘤多数已属中晚期，经手术、放疗、化疗或生物治疗后，5 年存活 率仍较低。国外研究表明，采用普通胸片普查肺癌存在一定局限性”43 。近几年， 随着影像检查技术的改进，临床结果初步证明低剂量c t 扫描是检测早期无症状 肺癌最有效的影像学方法。 计算机辅助诊断系统( c o m p u t e r - a i d e dd i a g n o s i ss y s t e m ：c a d ) 为肺癌的早 期检测和诊断提供了有力的支持，随着计算机软硬件基础提升、人工智能技术发 展以及人类对病灶更完整的认识，利用c t 图像迸行早期病灶辅助诊测已趋成熟， 并开始为全世界临床诊断专家提供方便可靠的协助。2 0 0 2 年北美放射学会 ( r a d i o l o g i c a ls o c i e t yo f n o r t h a m e r i c a ：r s n a ) 最新学术报告显示，一个好的c a d 系统检测结果相当或略高于一般有经验的专家水平。c a d 利用先进的计算机软 硬件分析数字放射图像，以发现并检测出病变特征，实现鉴别诊测。在影像诊断 中，c a d 帮助医生将可疑对象勾出，提醒医生注意观察。 研究表明早期检测对成功治疗非常重要。资料显示9 0 g 市癌病灶在早期是有 可能被发现的，但事实上l 临床诊断率往往远不如预期。研究及实验结果表明：医 生单独诊断胸片时有高达3 0 的机率可能疏漏有诊断意义的肺部结节。肺癌在中 国乃至全世界都是危害人类健康的头号杀手，中国更是全球肺癌病人最多的国 家，因此c a d 对中国临床医生与病患的帮助可能更重于欧美等肺癌发生率较低 国家区域，对它的研究具有十分重要的意义。 东南大学硕士学位论文 i 2 国内外研究概况 目前对肺癌自动检测研究较多的是美国和日本的科研机构，其它有巴西和德 国的一些大学，还有菲利普，g e ，西门子等一些大跨国医疗公司。b r o w n 等人“ 使用了一种基于解剖结构对图像分割的方法，o k u m u r a 等人1 提出了一种可变n 环滤波器的方法检测肺结节，其本质是一种数学形态学方法，该方法将那些包含 待测结节的c t 图像显示给医生，从而减少了需要诊断的g t 图像数量；k a w a t a 等人“2 1 则通过计算分析肺结节的周围和内部结构特征空间来进行提取和分类； l e e 等人“”用改进的遗传算法模板匹配方法进行结节检测，其优点是只需定义结 节的一些参考模型( 如球型，半圆形等) 即可通过快速模板匹配检测到结节； p e n e d o 等人3 用一种两级人工神经网络来检测肺结节，该方法仅使用较少数目 的特征就可咀做出判决：m a l t h e w 等人“6 1 建立了病人模型，以此来对结节进行辅 助检测；菲利普公司的r a f a e l 等人则分别使用二维“”和三维“7 3 的闽值方法进行结 节分割；西门子公司的c a r o l 等人“”和l i 等人“”都进行了研究，前者设计了一 种交互式的诊断、显示和测量结节系统，后者使用区域生长方法提取r o i ，然后 使用解剖知识结合球形度等特征分类判决。 目前通常的对肺结节进行检测的系统框架如下： 图1 1 肺结节检测系统框架 第一章绪论 1 3 本文的组织 本文在国内外研究的基础上，对肺部结节的自动检测和良恶性判别作了方法 性研究。主要内容如下： 第一章前言。 第二章肺部结节的自动检测。主要包括图像预处理，肺实质的自动分害- f j s h 肺结节的提取三个部分。 第三章肺结节的良恶性判别。通过对肺结节的特征提取，使用线性判别分 析进行分类，最后使用r o c 曲线分析结果。 第四章总结展望。 东南大学硕士学位论文 2 1 概述 第二章肺部结节的自动检测 由于肺部结节具有形态各异，位置不定，易与其它组织粘连等特点，在c t 图像上特征不明显，有时即使是最好的医生也难以做出判断，目前仍需通过穿刺 等医学手段来最终确诊，因此对其的计算机辅助检测一直是国际上研究的难点和 热点。对肺部结节的自动检测涉及到图像分析和模式识别的多个领域，如图像分 割、可视化、特征提取和判决分类等。当前的研究偏重于理论方法研究，还没有 应用于实际辅助诊断的系统。比较典型的检测系统包括三个部分：肺部区域的识 别、肺结节的特征提取和分类，有人”“也将前两部分称为图像分析过程，后部 分称为图像诊断过程。有的系统也使用模板匹配或滤波器的方法来直接检测肺结 节。 从计算机检测的角度来看，我们将肺结节分为三类：孤立性肺结节、与胸膜 ( 胸墙) 相连的肺结节和与血管相连的肺结节。 基于c t 图像的原发性肺结节的辅助诊断主要分为三个步骤：图像的预处理、 肺实质的分割和结节的提取。 2 2 图像的预处理 在图像分割处理之前，首先需要对原始图像进行预处理。虽然c t 图像采集 技术使用的重建算法能够有效地避免噪声的引入，但是为了后续分割能得到更好 的结果，我们需要对图像进行平滑处理。我们使用中值滤波、均值滤波和自适应 维纳滤波器进行滤波，结果如图2 - 1 。 维纳滤波原理：假设信号x ( f ) 是由有用信号s ( f ) 和噪声信号”( f ) 构成的，设 计滤波器的目的就是使输出信号y ( f ) 尽可能地降低噪声信号”( f ) ，同时恢复有用 信号s ( f ) 。在设计滤波器之前，首先要建立一个最优标准，使滤波器估计所得的 信号按照这个标准来说是最优的。当然，最好的最优准则就是y ( r ) = s ( t ) ，但这 是线性滤波器无法做到的。 定义误差信号： e 0 ) = s ( t ) 一y ( t ) ( 2 - 1 ) 4 第二章肺部结节的自动检测 那么均方误差就是平均误差的度量； 埘e = e e 2 ( f ) = f p 2 ( t ) d t ( 2 - 2 ) 维纳滤波器以最小化均方误差作为最优标准。这是因为对误差进行平方运算 将使得大误差的分量远远大于小误差分量，选择最小化均方误差就可以限制滤波 器输出的主要误差。也可以使用其它的最优准则进行分析( 如平均误差等) ，但 是这些准则将使得分析过程变得较为复杂，而且效果不是很好。 原图 中值滤波图像 均值滤波图像 维纳滤波图像 图2 1 肺结节滤波处理图像结果 可以将维纳滤波描述为：给定s ( f ) 和h ( r ) 的功率谱，选择一个均方误差最小 的冲激响应厅p ) ，使得输出y ( t ) = x ( o + ( f ) 产生的均方误差m s e 最小。维纳滤波 器将信号和噪声都视为随机信号，随机实际上代表了对噪声知识的缺乏，因此需 要事先对噪声做出假设。陈等人。”认为c t 图像的噪声是椒盐噪声，我们据此假 东南大学硕士学位论文 设构造了强度为o 0 0 5 ，卷积邻域大小为3 3 的椒盐噪声对图像进行维纳滤波， 从所得结果来看，维纳滤波器较好地实现了去除噪声的目的。 2 3 肺实质的分割 在进行其它自动处理之前，首先将肺实质分割出来已成为一个必要步骤，因 为这样可叭大大减少运算量，缩短运算时间。 由于肺实质内部充满空气，密度较小，与周围的肋骨组织密度差别明显，在 c t 图像上反映为c t ( h u ) 值的不同，而且对于同一台机器来讲，不同病人c t 图像的肺实质h u 值几乎是相同的“。如我们在实验中使用的美国p i c k e r 公司的 c t 机，其图像中肺实质的c t 值一般为一2 0 0 2 5 0 h u 。目前通常的方法是采用 阂值分割方法得到肺实质。 在进行肺实质的分割时主要有两种情况：一种是结节与胸膜不粘连的情况， 这种情况处理比较简单。如用特定的全局闽值二值化图像”“，然后用连通域标记 等运算得到肺实质。l i 等人“”通过对整个c t 体数据直方图分析得到全局阈值， 然后用这个阈值对每张c t 二值化，接着作标记得到肺区域，相似的还有a n t h o n y ”。 和g i g e r ”等人的方法。另一种就是结节侵蚀胸膜的情况，如图2 2 ： 图z 一2 结节侵蚀胸膜的情况 此时直接使用阈值来分割会造成得到的肺实质不完整。对于这种情况， a r i s t o f a n e s 等人。”使用了“滚球技术( r o l l i n gb a l l ) ”，这种方法实质是形态学闭 运算，使用一球形物体作为结构元素来填充边缘上由于结节侵蚀造成的小圆洞。 这种方法的缺点是只能填充较小的圆洞，对于大的侵蚀无能为力。 对于第一种结节与胸膜不相连的情况，我们采用以下方法分割肺实质： ( 1 ) 二值化与形态操作 我们输入去噪后的c t 图像，( j ，) ，选取合适闽值丁，将所有c t 值小于r 的 第二章肺部结节的自动检测 像素置为1 ，其余置为0 ，得到二值图像b ( f ，) 。在对图像进行边界检测之前，有 的二值图像的肺实质边缘由于存在较高密度的纤维化病灶，会被误归类为背景。 由于形态闭运算具有填充物体内细小空洞、连接邻近物体的作用，因此我们对图 像进行三次形态闭运算来磨光肺实质边缘尖角，填平小的凹陷。闭运算： 口x = ( 占0 x ) o x ( 2 - 3 ) 为形状结构单元，o 为膨胀运算，o 为腐蚀运算。实验中，z 取为八邻域， 得到图像m 0 ，j ) 。 ( 2 ) 边界检测与骨架化 我们使用c a n n y 算子裣测出图像膨( f ，歹) 的边界，然后使用形态学骨架化方 法，得到单像素的边界图像e ( i ，j ) ( 图2 3 ) 。 图2 3 形态运算图像与边界检测图像 ( 3 ) 标记提取 观察所得图像e g ，) ，可以发现，在图像中面积最大的是躯干部分，而左右 肺部在躯干内是面积近似相等的最大区域。因此，我们对e ( f ，_ ，) 进行8 连通域标 记得到躯干边界，去除无关区域( 如检查台等) 。然后在躯干图像内取得左右肺 边界。以此为模板图像即可得到肺实质图像三( j ，) ，如图2 - 4 ： 查壹奎堂堡圭堂堡垒塞 图2 4 提取的肺实质图像( 与胸膜不相连情况) 对于结节与胸膜相连情况，我们采用k a n a z a w a 等人。“的方法，利用解剖学 知识计算二值化后的肺初始轮廓上每个点的曲率，将肺轮廓上的每个象素分为凹 点、凸点和平滑点。如图2 5 ： 图2 5 补偿肺结节侵蚀胸膜方法图 上图中a 、b 为两凸点，p 、q 为距离a 点四个像素的点。当将砀和互j 分 别延长至长度d 时，如果其中有一条线段与肺轮廓线相交，则将a 、b 两点互相 连起来，形成新的轮廓，补偿区域的大小取决于距离d 。因此，长度d 应该随着 凸点位置而调整。肺尖等复杂形状的区域距离应该设的小一点。实验中，与纵隔 连接的凸点取d 为l o ，其余为3 0 ，结果如图2 6 ，可以较好地补偿被结节侵蚀 的胸膜，得到较完整的肺实质。图2 7 为对一个病人序列图像进行处理得到的 肺实质图像。 第二章肺部结节的自动检测 图2 6 补偿后得到的肺部 图2 7 对一个病人序列图像分割得到的肺实质 2 4 肺结节的提取 肺结节的检钡9 根据使用的c t 图像不同可分为高分辨率c t 图像( h i g h r e s o l u t i o nc t ：h r c t ) 和常规c t 图像( c o n v e n t i o n a lc t ) 。高分辨率c t 图像一 般层厚1 l _ 2 5 r a m ，重建间距0 5 l m m ，图像大小为5 1 2 5 1 2 像素，平面分辨 率为0 3 0 5 m m ，扫描整个肺部平均可得3 0 0 层图像或更多，因此可以检测小 结节( 2 m m ) 。而常规c t 一般层厚5 1 0 m m ，重建间距1 0 r a m 左右，分辨率为5 1 2 5 1 2 像素，扫描整个肺部平均可得3 0 3 5 层图像，一般用于检测大于等于5 m m 东南大学硕士学位论文 的结节。 高分辨率c t 与常规c t 图像的不同决定了他们在肺结节计算机辅助诊断中算 法的不同，他们的主要区别为”“： ( 1 ) 常规c t 图像中小于层厚的结节的阴影会被部分体积效应所冲淡，但也 正因为部分体积效应使得结节比与其相连的血管c t 值( h u ) 要高一些，因此可 以用区域生长或阈值将他们区别开。 ( 2 ) 常规c t 图像中小结节会被突出部分小于l o m m 的血管所遮蔽。 ( 3 ) 常规c t 图像中细小血管在倾斜地穿过多层图像时会表现得不连续，因 此被误认为结节。 而高分辨率c t 图像中由于高轴向分辨率，生成的数据可看作各向同性。对 于大于l m m 的结节，部分体积效应可以忽略不计，c t 值可以看作绝对衰减值， 数据中包含了更多的信息，例如形状等，是目前研究热点。但目前应用比较广泛 的是常规c t ，因此常规c t 图像的肺结节自动检测更具有实际应用意义。我们在 本文中首先对常规c t 图像进行研究。 2 4 1 常规c t 图像肺结节的提取 目前肺结节的检测方法多种多样。对于常规c t 图像来说，r e e v e s 等人。“首 先用三维区域生长结合树截断算法跟踪出肺的脉管( 包括气管内腔和主支气管) ， 然后将它们去除掉，这作为结节检测的一个预处理步骤。 对于孤立性结节，将它们与脉管结构区别开的特征是：结节是致密结构，脉 管则是长的、相连的、细小结构。对于与脉管相连的结节则使用了一系列三维形 态滤波器，除掉长的圆柱形脉管得到结节。与胸膜相连的结节则首先使用三维 矩分析，然后用定向滤波核得到结节。g i g e r 等人。”用二维多阈值方法对每张c t 图像进行处理，b r o w n 等人“采用迭代阈值和三维区域生长方法。 t o s h i a k i 等人1 于1 9 9 8 年使用一种可变n 环滤波器应用于二维和三维常规 图像，这种方法本质是一种数学形态学方法。输入图像为包含结节和脉管的有效 图像面积。检测孤立性结节时，首先进行二值距离交换( b i n a r yd i s t a n c e t r a n s f o r m ：b d t ) ，可变n 环滤波器的大小由该象素点的b d t 操作所决定；检 测与血管相连队结节时，首先进行灰度权重距离变换( g r e yw e i g h t e dd i s t a n c e t r a n s f o r m ：g w d t ) ”，该值能反映几何形状和密度分布信息，即使结节与血管 相连成穿破血管，g w d t 值在结节中仍比血管中高一些。这种方法比较适合检 测圆形结节，对于不规则的肺结节来讲，检测效果不理想。该方法对于与胸膜相 连的结节也无能为力。 我们首先对上面分割得到的肺实质图像使用模糊c 均值聚类( f u z z ycm e a n c l u s t e r i n g ：f c m ) 方法得到r o i ，然后提取r o i 的特征参数，最后根据医学先验 第二章肺部结节的自动检测 知识构造基于准则的分类判别。 2 4 1 1f c m 方法简介 由于医学图像( 如m r i 、c t 等) 离散化采样造成的部分体积效应，引起图 像轮廓的模糊。边界处的像素往往是多个不同结构的交叠点，二值决策常常会造 成赝像”“。同时，又因为医学图像具有几何方面的模糊性“，一些病变组织由于 侵袭周围组织，其边缘无法明确界定。因此，我们采用模糊c 均值聚类方法。” 来提取感兴趣区域。 f c m 算法的定义可以描述为：欲将数据集x = x ix ：，k ) 分为c 类， 设x 中的任意样本屯对第f 类的隶属度为，0 s s 1 。分类结果可以用一个 c 阶矩阵u = ( uc k ) ，i = 1 ，2 ，c ，= 1 ，2 ，h 来表示，该矩阵称为模糊矩阵 具有如下性质： u r ，“。 o ，1 ，i = l ，2 ，c ，k = 1 ，2 ， ， c, t = l ，k = 1 ，2 ，玎；o 0 ， h 0 ) ，马鞍脊( k 0 ，h 0 ) 。 而输出图像的一阶导数可以表示为 ( d d x ) s ( x ) = ( d d x ) f ( x ) + g ( x ) ) = ( d d x ) f ( x ) - g ( x ) = f ( x ) * ( d d x ) g ( x ) = f ( x ) + g ( x ) ( 2 - 9 ) 式中 烈加纰- 1 - a 幽l n b 6 6 b 。，= 羔筹1 竺 1 0 ) 根据对称指数滤波器的迭代算法，输出图像的一阶导数可以简单地由下面公 式计算出： d 1 ( f ) = 。( f + 1 ) 一t 。( f 1 ) ( 2 - 1 1 ) t d ( f ) = ( 1 6 ) x ( f ) + 6 t d ( 卜1 ) i = 1 ，n ( 2 1 2 ) ( f ) = ( 1 6 ) x ( i ) + 6 ( f + 1 ) i = n ，1 ( 2 一1 3 ) 对原始图像分别进行五y 方向滤波求导，则原始图像的梯度图像可以表示为 g ( x ，y ) 2 d 1 。( x ，y ) 2 + ( x ，y ) 2 ( 2 1 4 ) 采用( 2 1 4 ) 式得到的梯度图像作为分水岭算法的输入图像，噪声产生的过度 分割可以得到比较好的抑制。 我们首先对一幅h r c t 图像中的左肺滤波后进行分水岭分割，结果发现过 分割的现象仍然比较严重，并不能达到较好的分割结果( 图2 一1 4 ) 。 东南大学硕士学位论文 左肺图像直接进行分水岭分割后图像 图2 一1 4直接分割结果 因此我们在对图像进行分水岭分割之前，必须首先进行预处理。第一步将图 像的对比度调至最大。我们综合使用商帽变换( t o p h a t t r a n s f o r m ) 和低帽变换 ( b o t t o m h a t t r a n s f o r m ) 来实现。高帽变换体现了原始图像中的灰度峰值，而低 帽变换则体现了原始图像中的灰度谷值，为了能够找到最准确的闽值进行分割， 将高帽变换结果与原始图像相加后再与低帽交换结果相减，从而得到最大对比度 的图像。 然后通过扩展最小值变换( e x t e n d e d - m i n i m a t r a n s f o r m ) 找到图像的谷值， 并将找到的谷值象素置为0 ，这样这些点将成为进水点。下一步调用分水岭分割， 得到改善了的图像( 伪彩色显示) 。 图2 1 5 预处理过程 第二章肺部结节的自动检测 图2 一1 6 分水岭方法最终结果 对于三维体数据我们首先进行距离变换，然后进行分水岭分割，得到肺部轮 廓和感兴趣体积。 图2 一1 7 提取的肺部轮廓 图2 1 8 提取的感兴趣体积 19 东南大学硕士学位论文 2 5 肺结节的显示 2 5 1 概述 在肺结节计算机辅助诊断系统中，一项重要的任务是重建出肿瘤表面并进行 仿真显示，为医生提供直观的肿瘤三维形态信息。重建肿瘤表面的最简单方法是 将分布于不同层面的肿瘤二维轮廓相应点直接连成三角形或多边形贴面来形成 肿瘤表面。但是，由于给定肿瘤的层间距离较大或重建对象本身形状极不规则， 即使用c t 进行薄层扫描( 层距1 1 5m m ) ，相邻层肿瘤轮廓线形状也相差较大， 从而形成复杂的轮廓线。 基于链码匹配技术的断层间复杂轮廓线三角片曲面重构算法建立在相邻层 轮廓相似性的基础上。这种相似性包含两个方面： 方向角的相似性：对于单一轮廓而言，不管其形状多复杂，从轮廓上某点爿 逆时针方向沿轮廓游历一周回到出发点，所经过的方向角总是2 石。这是任意复 杂单一轮廓相似性的基础。 形状的相似性：复杂轮廓线是指形状不规则或相邻层形状差异较大的轮廓但 对于任意形状复杂的空间实体而言，其表面在空间上的连续性决定了相邻断层上 的轮廓的形状具有某种程度的相似性。而这种相似性正是应用链码匹配技术实现 曲面重构的必要条件。 我们的算法属于全局优化方法，首先将二维轮廓曲线进行f r e e m a n 编码，将 二维轮廓曲线转换成包含形状信息的一维链码，以表征相邻轮廓形状相似程度的 “链间距离”为目标函数，获取轮廓特征点的对应关系，将复杂轮廓线分割为简 单的曲线段，为最后的曲面重构提供正确的轮廓线分割匹配。算法的计算复杂度 为o 向+ 脚，脚和分别为相邻层轮廓点数，优于其它全局优化算法，如表面积 最小法。“，其计算复杂度为2 m n il 0 9 2l ( m n ) 。 2 5 2 链码匹配算法简介 链码匹配算法首先被用于文本比较，但由于对链状结构描述上的优越性，它 被广泛应用于模式识别领域中。”。w a g n e r 和f i s c h e r 引入了串匹配算法。假设 在一个给定字符集上有两个字符串a 和b ，我们定义a 和b 的链间距离为序列s 的一个最小权重，其中s 包含了将a 变换为b 的每一个操作，允许的基本操作包 含且仅包含三类：1 _ 插入一个字符到串的指定位置。2 删除串的指定位置的一个 字符。3 替换串的指定位置的一个字符。相应的，每一个s 根据事先的约定，被 第二章肺部结节的自动检测 分配了一个权重，在这里我们称之为操作权函数m ，从而，序列s = 嗣是瓯的 代价函数为： y ( s ) = ( s ) ( 2 1 5 ) i = t 因此，链间距离由( 2 1 6 ) 式表示： 8 ( a ，b ) = m i n y ( s ) ) ( 2 - 1 6 ) 显而易见，我们由此得到以下递归关系： 占( 4 ，毋) = m i n 8 ( a , 一1 ，b j ) + c o ( 4 一a ) ， 万( 4 + 哆一，) + 脚( 4 寸g ) ，5 ( 4 ，哆一，) + ( 五j 哆) ， ( 2 一1 7 ) 其中五为空字符，l z l = 0 ，( 1 a l 为a 的长度，以下相同，c o ( 4 a ) ，c o ( a , 斗b z ) ， 曲( 斗b ，) 分别代表删除、替换和插入操作) 。 这是一个极小化问题，为了将该问题进一步简单化，我们将链间距离用“迹” ( t r a c e s ) 来描述，字符串a 和b 之间的“迹”瓦。为由一个有序的整数对( f ，) 序列组成，其中( f ) 满足条件： 1 i = l i 彳k = 1 l b l ； 2 对于五。中的任意两个整数对( f ) 和( f ，歹) ，j b j ) ( 2 1 8 ) i , j e t 1e jl “ 不难看出，该代价函数的三项分别表示替换，删除，插入的权重。w a g n e r 和f i s c h e r 在。”中得到了关于“迹”的一个重要性质，他们认为字符串a 和b 的 链间距离5 ( a ，b ) 等于a 和b 之间“迹”的最小代价函数，并且当满足条件2 时， 它们之间的对应关系，或称最长相似子序列( l c s l o n g e s tc o m m o ds e q u e n c e s ) 可以由“迹”中的整数对( j ) 表示： 1 如果4 = q ，c o ( 4 寸b ) = 0 2 如果4 b j ，c o ( 4 叶q ) = ( 4 寸 ) + ( a 斗b ) 21 东南大学硕士学位论文 显然我们的应用满足这一条件。我们首先通过s n a k e 方法”提取相邻层目标 轮廓。在实现链码匹配之前要对待匹配的轮廓进行预处理。其步骤如下： 计算起始轮廓线的围定周长，对其中之一进行周长缩放，使二者周长相等， 然后进行平移使二者质心重合。将经过预处理得到的新曲线分离为符号化的数字 曲线，通过f r e e m a n 编码，我们对每一条符号化的数字曲线，都可以得到一个相 应的字符串，字符串中的字符由a ，b ，c ，d ，e ，g ，h 组成，分别表示左、左上、上、 右上、右、右下、下、左下八个方向。我们由此构造基本的操作权函数： 替换：如果4 = b j ，( 4 - - b j ) = 0 ，如果a i b j ，( 4 斗b j ) = 2 ( 2 - 1 9 ) 插入：( a b j ) = 1 ( 2 2 0 ) 删除：( 4 一a ) = 1 ( 2 2 1 ) 显而易见，我们的代价函数满足条件2 ，根据w a g n e r 和f i s c h e r 的算法，我 们可以计算出两轮廓链码之间的链间距离，进而找到与链间距离所对应的两链码 之间的“迹”，而“迹”正是我们需要的两条轮廓之间的特征点匹配关系。将求 得的匹配点对坐标经反平移和缩放复原到原位置，就获得原始轮廓的匹配关系。 本文所处理一个包含结节的常规c t 图像，取其中8 层，如图2 1 9 所示。 c t 图像数据层内分辨率为0 3 3 0 3 3 m m ，层间厚度1 5 m m ，图像灰度范围一2 0 0 0 2 0 0 0 。该结节经活检被确诊为恶性肿瘤。图2 2 0 是根据匹配结果重建出的肿瘤 三维图像，图2 2 1 是用表面绘制的方法得到的结节图像，选取灰度阈值为1 0 0 0 。 本方法与表面绘制方法相比较，速度更快，且形态特点突出，细节明显。经临床 医生鉴别，其边缘多不锐利，表面粗糙不平，并有短毛刺伸出，很好地表现了该 恶性结节的特征形态。 图2 1 9 包含结节的常规c t 序列图像 第二章肺部结节的自动检测 2 6 小结 图2 2 0 三维重建结果 图2 2 l 灰度阈值为1 0 0 0 的表面绘制，箭头所指为结节 本文对肺部结节的检测进行了探讨。对分布位置不定、形态各异的肺结节的 检测一直是国际上各大学和大跨国公司研究的热点。我