（生物医学工程专业论文）肺部ct图像中结节的检测算法研究.pdfVIP

h n gc a n c e ri st h em o s to r d i n a r ym a l i g n a n tt u m o rn o w a d a y s , a n dt h ee a r l y d i a g n o s i sa n dt r e a t m e n t 啪s i g n i f i c a n t l yi n c r e a s et h ec h a n c eo fs u r v i v a lf o rp a t i e n t s c r s c a n n i n gh a sb e e nt h em o s ti m p o r t a n tm e t h o d0 fi u n gc a l l c e re x a m i n a t i o n ，w h i c hi s e x c e l l e n td i a g n o s i st o o lf o re a r l yl u n gc a n c e l l u n gn o d u l e sa r et h em a j o ri n d i c a t i o n so f l u n gc a n c e ro nc ti m a g e s s i n c et h ec o m p l e x i t yo ft h el u n gs t r u c t u r ea n dt h e m u l t i p l i c i t y o f n o d u l e ss h a p e , e v e n t h es e a s o n e d d o c t o r c a n n o t e a s i l y d i s c o v e r a n o f t h e p o s s i b l ed i s e a s ei nt i m e f u r t h e r m o r e ，t h eh u g ca m o u n t so fc ts c a n n i n gp i c t u r e s , e s p e c i a l l yt h eh i g hr e s o l u t i o np i c t u r e sw h i c hc o u l dp r o d u c em o r et h a n3 0 0s l i c e sf r o m o n l yo n ep a t i e n t , a l s ow i l lb r i n gv e r yl a r g ew o r kb u r d e na n dd i f f i c u l t yf o rt h ed o c t o r s w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e ra n di t sc o r r e l a t i v et e c h n o l o g y , i ti sp o s s i b l et o c a r r yo nt h ec o m p u t e ra i d e dd e t e c t i o n ( c a d ) ，w h i c h 伽h e l pt h ed o c t o rt ou n d e r s t a n d a n d j u d g ep i c t u r e sp r e c i s e l ya n df u r t h e ri m p r o v et h ed e t e c t i o na c c u r a c y l u n gn o d u l e sa r cs o m ea p p r o x i m a t ec i r c u l a rs i c k n e s sr e g i o n w h o s ed i a m e t e ri s l e s st h a n3 c m i ta l w a y ss h o w sa sc o m p a c tr e g i o n so nc ti m a g e s f o re f f e c t i v e l y i m p l e m e n t i n gt h ec a d o fl u n gn o d u l e s ，a ni n t e g r a t e da u t o m a t i cd e t e c t i o na l g o r i t h mo f l u n gn o d u l e si sp r o p o s e di nt h i sp a p e r t h ed e t e c t i o ns c h e m ei n c l u d e sf o u rs t e p s b a s e d o nt h em o r p h o l o g i c a la n a l y s i s ，a ne f f e c t i v ei m a g ee n h a n c e m e n tm e t h o di sp r e s e n t e do n t h ec h a r a c t e r i s t i co fl u n gc t i m a g e s ，w h i c hc a no b t a i np r e f e r a b l ef i l t e r i n gr e s u l t f o r g e t t i n gt h ew h o l el u n g sp a r e n c h y m a ，t h ei m p r o v e dg m m i se m p l o y e dt os e g m e n tt h e i m a g e sp r e l i m i n a r i l y , w h i c h c o m b i n e dw i t ht h er e g i o ng r o w i n ga n dm o r p h o l o g ym e t h o d a c c o r d i n gt ot h eb a s i ci m a g ec h a r a c t e r i s t i c ss u c ha si n t e n s i t ya n dc o n t r a s t , t h ep l u m p s e e dr e g i o n sc a nb ee x t r a c t e df r o mt h er e g i o no fi n t e r e s t ( r o i ) o nt h eb a s i so ft h e s e s e e d s ，t h ew h o l er o ic a nb ee x t r a c t e db yt h ep r o p o s e da d a p t i v et h r e e - d i m e n s i o n a l r e g i o ng r o w t ha l g o r i t h m o w i n gt oag r e a td e a lo ff a l s ep o s i t i v e sl i ei nr o i , t h es v m c l a s s i f i e ri sd e s i g n e dt od i s t i n g u i s hn o d u l e sf r o mn o r m a la g e a sw i t hg o o dd e t e c t e dr e s u l t a f t e rt h ee f f e c t i v ef e a t u r e se x t r a c t i o n t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e dd e t e c t i o na l g o r i t h m sc a no b m i n g o o dd e t e c t i o nr e s u l t i ti sb e l i e v e dt h a tt h e s ed e t e c t i o na l g o r i t h m sw i l lb eo fe x t e n s i v e a p p l i c a t i o np r o s p e c t k e y w o r d ：c a di m a g es e g m e n t a t i o nl u n gn o d u l ed e t e c t i o n f e a t u r ee x u a c t i o n 独创性( 或创新- 陛) 声明 本人声明所呈交的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中所罗列的内容以外，论文中 不包含其它人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学 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 做的任何贡献均己在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：量生 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕 业离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科技大学。 学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。( 保密的论文 在解密后遵守此规定) 本人签名： 导师签名 瘩堑z 第一章绪论 第一章绪论 1 1 课题背景及意义 肺癌是最常见的内脏恶性肿瘤，是迄今为止对人类生命健康威胁最大的肿瘤 疾病之一。近半个世纪以来，各国肺癌的发病率和死亡率都在急剧上升，它己成 为危害人类健康的头号杀手，而我国肺癌患者的数量更是居于全球首位。肺癌早 期多无症状或症状轻微，不易发现，待到发现时，往往已有转移。研究表明：如 果肺癌能在早期被检测出来并治疗，其五年生存率将从1 4 上升到4 9 1 1 1 ，因此 肺癌的早期诊断和治疗是提高肺癌病人生存率的关键。 在c t 技术日益普及的今天，c r 扫描已成为肺癌检测的最重要的手段1 2 1 传 统的胸部x 线片由于骨骼重叠和器官阴影，给肺部肿瘤的检测造成一定的困难。 c t 可提供人体各部位的断层扫描图像f 3 】，克服了传统x 线胸片中身体前后部位的 重影，c t 图像不但能提供较高的密度分辨率，还为肺部图像提供了较高的灰度对 比度，并且利用这些三维体数据，还能够重建出具有高度可视化性能的三维影像【4 l ， 给临床诊断提供了直观的病变信息，使过去不易确诊的疾病有了准确诊断的可能。 肺结节是肺癌在c r 图像中最为常见的表现形式【5 l ，它通常是指肺实质内直径 不超过3 c m 的圆形或类圆形病灶，在影像中表现为类圆形的致密区域。由于肺部结 构复杂，肺结节本身形状、大小各不相同，并且肺结节的( t 值与肺部某些组织较 为相似，因此仅凭肉眼判断有很大的难度。同时，c r 扫描产生的图像数量非常大， 常规c t 一般可产生大约4 0 层图像，而高分辨率c t 图像可达到3 0 0 - 6 0 0 层【q ，大量的 图像数据将导致阅片医生工作量的剧增，也容易造成疲劳引起的主观误诊。 随着计算机性能的提高以及人工智能、模式识别、计算机视觉等相关技术的 大力发展，使得利用计算机进行分析和辅助检测成为可能。据研究表明9 0 的肺癌 病灶在早期是有可能被发现的，但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。计算机辅助诊断系统能够为肺癌的检测和诊断提供了有 力的支持，我们可以利用计算机实现肺部图像的处理算法，标注出肺结节的可能 位置，帮助医生对图像进行分析和判断，即提供给医生一致性和重复性均较好的 “第二观感”，避免因为主观原因而造成的疏漏和误诊，从而提高诊断的真阳性 率，降低假阳性率，使诊断的结果更加准确。 计算机辅助检测可大大的提高肺癌病灶的早期检测准确率，从而有效提高了 治疗的成功率，这对于人类生命健康具有非常重大的意义。现在医学图像处理界 2 肺部c t 图像中结节的检测算法研究 比较认同的观点是尽量使计算机产生的信息能被用于辅助医生来进行诊断，而不 是试图让计算机扮演诊断医生的角色阴。这就意味着计算机辅助检测是帮助医生检 测，减轻医生的负担，从而提高检测准确率。在医生阅片前首先进行计算机辅助 探测，标记出图像中可能为结节的部位，再将这些有标记的图像提供给医生进行 诊断，这将大大减少医生的阅片数量，提高医生的阅片效率，同时还能克服人眼 惰性和对灰度不敏感的缺陷，有效提高了检测准确率。 近年来，专家学者们相继提出了许多肺部c t 图像的计算机辅助检测和诊断算 法，取得了一定的成果，有一些相应的软件已投入临床使用。但这些算法多存在 人工干预的问题，自动化程度不高，或者算法普适性不强，往往针对特定的图像 方能获得较好的效果，如果换一套数据，这些算法的检测性能将大大降低。本文 的研究目的是提出鲁棒性较强，能够适用于大多数图像数据的自动检测算法，辅 助医生进行肺部结节的检测，从而提高检测准确率和效率。 1 2 国内外研究进展及现状 1 2 1 计算机辅助检测系统的国内外研究现状 计算机辅助检测( c o m p u t e r a i d e dd e t e c t i o n ，c a d ) 是近年来随着计算机技术的 飞速发展而应用于影像诊断领域的一项新技术。它利用专业的计算机算法分析医 学影像，发现并检出病变部位，帮助放射科医生提高病灶检出率，被称为放射科 医生的“第二双眼睛”。c a d 系统的开发已有相当长的历史，在图像分析工作中， 人们一直在使用计算机技术，期望找到一些可靠的线索，帮助提高计算机的图像 分析性能，并将这些研究成果应用于人体各个病变部位的检测之中，目前c a d 系 统主要应用于肺部、乳腺、盆腔及头颅等部位的疾病检测和诊断，而肺部癌症的 检测只是其中一个典型。 r 2 公司在芝加哥大学的研究基础上推出了他们的c a d 系统，并因此成为这 一领域的领头羊，他们推出的i m a g e c h e c k e r 于1 9 9 8 年获f d a 认证，美国i c a d 公司和加拿大c a d x 公司的m a m m o r e a d e r 和s e c o n dl o o k 也于2 0 0 2 年分别获得 了f d a 的p m a 认证。许多欧洲国家，例如荷兰、北欧、比利时等都大幅引进各 种计算机辅助检测系统，藉此筛检出早期病变，因此计算机辅助检测系统的市场 有进一步扩大的趋势。由于a 蛐具有灵敏的检测能力，可侦测出画面的细微变化， 因此已成为放射医学不可或缺的辅助系统。 目前，学术界和厂商对c a d 比较一致的评价是，虽然c a d 是放射学家检测 病变的好帮手，但c a d 不能替代放射学家的工作。从事影像处理的计算机分析专 第一章绪论 3 家往往精通计算机技术和图像处理技术，而对放射影像诊断的了解远远达不到放 射科医师的水平，尤其在复杂的胸部影像检测中更是如此，为检测病灶而设置的 规则或分类标准往往与放射医师的诊断标准有一定的差异，因而胸部影像的计算 机辅助诊断结果往往会出现假阳性较高的问题。好的c a d 系统应该尽量使计算机 产生的信息能帮助医生进行诊断，而不是取代诊断医生的位置。 1 2 2c t 图像中的肺结节检测算法的研究现状 肺结节形状各异、大小各不相同，并且密度与肺部某些组织类似，在c t 图像 中通常表现为圆形或类圆形的致密影，光凭人眼很难将肺结节和肺部软组织区分 开。长期以来，肺部结节的自动检测算法研究一直都是医学图像计算机辅助诊断 领域的一个难点和热点。目前，对肺部图像的研究主要集中在美国、德国和日本 的一些大学和科研机构，还有一些大的跨国公司，如g e ，西门子，菲利普等。 近年来，已有众多专家学者提出了多种肺结节的检测算法，并取得了一定的 成果。a r m a t o s l 采用多灰度阈值的三维分析方法提取感兴趣区域，然后利用感兴趣 区域的九个特征进行简单的分类来提取肺结节；k a n a z a w a 9 等人只对单层的c t 图 像进行分析来检测肺结节，虽然方法简单，但没有考虑到c t 图像的三维信息； w i e m k e 糟【1 0 】等用最优阈值的三维分割方法，充分利用了图像的三维信息，具有较 好的检测效果，但这种方法采用了较多的硬编码，自动化程度不高；o k u m u r a 等人 f l l j 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c t 图像 数量：k a w a t a 等人【1 2 l 则通过计算分析肺结节的周围及内部结构特征空间，来进行 提取和分类；l e e 等人l 廿】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【1 4 l 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 数日的特征就可以做出判决，但检测效果不是很理想。 这些算法虽然取得了较好的检测结果，但也存在一些问题，如有的算法存在 较多的人工干预问题，自动化程度不高，有的算法只对单层图像进行处理，丢失 了三维的信息，有的算法普适性不强，针对特定的图像而言效果比较好，如果更 换处理数据，其检测性能将大大降低。本文的主要研究目的就是提出鲁棒性较强， 能够适用于大多数图像数据的肺结节自动检测算法 1 3 论文的主要研究成果及章节安排 本文致力于肺部c t 图像中肺结节的自动检测算法研究。在国内外众多学者的 4 肺部c t 图像中结节的检测算法研究 研究基础上，结合c t 图像的影像特点和肺结节在影像中的表现，提出了一种全自 动的计算机辅助检测算法。在预处理和完整的肺实质分割的基础上，应用自适应 区域生长等算法提取出感兴趣区域( r e g i o no fi n t e r e s t ，r o i ) ，然后提取出r o i 的有 效特征并应用s v m 分类器进行训练和学习，从而准确地检测出肺结节。经过对大 量数据的实验验证，其结果表明了本文方法的有效性。 本文提出了一套完整的肺部结节自动检测算法，主要的研究成果概括如下： 1 提出了一种能够完整分割肺实质的算法，有效解决了肺实质分割时容易出 现边缘缺口而使分割不完整的问题 首先运用高斯混合模型对肺部图像进行初步分割，解决了传统分割算法中硬 编码较普遍的问题，然后应用区域生长连通标记和形态学运算的方法获取较为完 整的肺实质，实现了肺实质分割的自动化，并较好的解决了肺实质分割时出现的 边缘缺口问题，取得了满意的分割效果。 2 提出了一种有效提取肺部感兴趣区域的算法，包括感兴趣区域种子点的选 取，以及有效的自适应三维区域生长算法，保证了感兴趣区域的完整提取。 针对图像中像素的灰度和局部对比度的特征，提出感兴趣区域种子点的完整 提取算法，然后在获取的种子点基础上，根据肺部c t 图像的特点，提出了自适应 的三维区域生长算法，算法依据图像的特点进行自适应的三维生长，能够更准确 有效的提取包含肺结节在内的肺部感兴趣区域。 3 建立了基于典型特征的s v m 分类模型进行肺部结节的识别，有效地去除了 感兴趣区域中的大量假阳性区域，获得了较好的分类效果。 根据肺部图像的特点，系统地提取了图像的灰度和空间几何等四类特征，针 对这些特征，设计了基于多种多维特征的s v m 分类器，将泛化能力良好的s v m 分 类器应用于肺结节与正常组织的分类中，取得了较好的检测结果。 本文的章节安排如下： 第一章本章为绪论部分，主要介绍了本文研究课题的背景和意义，以及肺 部结节辅助检测的国内外研究进展，并简单的评述了目前肺结节检测的各种算法。 第二章本章设计了基于形态学滤波的图像预处理方法。在c r 图像的获取过 程中，不可避免的会引入一些噪声点，如果直接对原始肺部c t 图像进行处理，将 严重地影响图像的检测效率和效果。本文在分析和比较各种滤波算法的基础上， 提出了针对肺部c r 图像特点的形态学滤波算法，获得了较好的去噪效果。 第三章本章提出了一种完整分割肺实质的有效算法。肺实质是肺结节检测 中要进行处理的区域，肺实质的分割是提取肺结节的重要步骤。本文的肺实质分 割是在有效去噪后的肺部图像上进行的，首先应用高斯混合模型对图像进行初步 分类，然后结合区域生长连通标记和形态学运算的方法获取完整的肺实质，实验 结果表明，这种肺实质的自动分割算法有较好的分割效果。 第一章绪论 5 第四章本章提出了有效提取感兴趣区域的完整算法。首先针对肺部c t 图像 的特点，利用图像的灰度和对比度等信息提出完整种子点的自动获取算法，然后 针对已提取的种子点，提出了自适应的三维区域生长算法，提取出完整准确的感 兴趣区域。针对感兴趣区域边缘模糊的现象，介绍了模糊区域生长的方法，此方 法能较好的反映感兴趣区域边缘的渐变性。 第五章本章建立了基于多种特征的s v m 分类模型。在上一章中提取的感兴 趣区域的基础上，系统地提取了感兴趣区域的四类特征，即灰度特征、几何特征、 形状特征和纹理特征，并介绍了s v m 分类器的基础理论，随后建立起相应的s v m 分类模型对感兴趣区域进行分类识别，有效地提取出了肺结节。 第六章本章是对全文的总结和展望。在简要回顾论文工作的基础上，总结 了论文所提出的各种方法，并针对本文研究工作的一些遗留阀题和今后可能进行 的工作进行了展望和规划。 第二章肺部c t 图像的预处理 7 第二章肺部c t 图像的预处理 2 1 引言 目前，c t 扫描已成为肺部癌症检测的最重要的手段。c t 图像是指运用c t 机 对人体进行扫描，经计算机处理而获得的重建图像。它是由于胸部不同组织结构 密度的不同，造成对x 射线的吸收衰减不一致，从而形成不同组织的灰阶影像对 比分布图。c t 有高的密度分辨率，即使密度差别很小，也可形成有差别的显影。 在c r 扫描和计算机重建的过程中，不可避免的存在一些噪声点和杂质，噪声 的引入和c t 机扫描时的状态，扫描方式和重建算法有关。如果直接对肺部c t 原 始图像进行处理，将严重地影响图像的检测效率和效果这就需要在进一步分析 和处理c t 图像之前，对图像进行预处理，以便去除噪声和杂质，提高待检图像的 质量，为后续的检测以及医生阅片作好准备。 2 2c t 扫描原理和c t 成像特点 c t ( c o m p u t e dt o m o g r a p h y ) 是计算机断层摄影的简称，是应用x 线对人体选定 的层面进行扫描，经计算机处理而获得的重建图像，显示出来的是断面图像 c t 设备主要包括扫描部分、计算机系统、图像显示与存贮系统。扫描部分由 x 线管，探测器和扫描架组成，扫描方式常采用旋转式和旋转固定式。计算机系 统则将扫描收集的信息数据进行存贮运算。图像显示与存贮系统将经过计算机处 理、重建的图像显示在显示器上。目前c i 设备在旋转固定式扫描的基础上，通 过改进已有螺旋扫描c t 与电子束c t ，提高了设备的功能。螺旋扫描c t 是在旋 转式扫描基础上，采用了滑环技术，围绕人体的一段体积螺旋式地连续采集数据， 形成短时间快速容积扫描。电子束c t 又称为超速c r 0 j f c r ) 是用电子枪产生x 线，扫描时间短，可进行单层或多层扫描，每秒可获得多帧图形。电子束c t 对心 血管疾病的诊断具有更高的价值。 c t 检查方法分为普通c r 检查和高分辨率c t 检查，而普通c t 检查又分为平 扫，造影增强扫描和造影扫描等。 c t 图像以不同的灰度来表示、反映器官和组织对x 线的吸收程度，图像中像 素的灰度值称为c r 值。c t 值是以组织对x 线的吸收系数来表示组织密度高低， 具有量的概念，单位为i - 1 u ( i - i o u n s f i e l du n i t ) 。c t 值是以水为标准，其它组织的密 8 肺部c t 图像中结节的检测算法研究 度值均为与水比较的相对值，水的c t 值为0 h u ，人体中骨皮质的密度最高，c t 值最大，为+ 1 0 0 0 h u ，而空气的密度最低，c t 值最小，为- - 1 0 0 0 h u ，人体中密 度不同的各种组织其c t 值均包括在这2 0 0 0 个等级之内。 c r 与x 线图像相比，其密度分辨率更高，因此，人体软组织的密度差异虽小， 吸收系数多接近于水，也能形成对比而成像，这也是c t 成像的突出优点。 2 3 肺部图像的预处理 预处理一般是图像处理的必需步骤，预处理对计算机的后续处理有很大的帮 助。本文对肺部断层图像进行预处理的目的，主要是去除图像中的噪声，为后续的 检测步骤提供高质量的图像。 c t 图像的噪声和设备的状态、扫描方式以及重建算法有关。医疗影像设备拍 摄图像时不可避免的会带来噪声，特别是高分辨率c t 扫描成像。这些噪声点和感 兴趣区域有相似的地方，严重影响了肺结节检测算法的效率、准确率和稳定性， 因此有必要把它们从图像中去除掉。去除噪声点的方法很多，本文对肺部c t 图像 分别采用了多种滤波算法，包括均值滤波，中值滤波和梯度倒数加权平滑滤波， 维纳滤波，以及针对肺部c i 特点的形态学滤波等方法，并进行了实验对比，结果 表明形态学滤波具有较好的效果。 下面首先粗略地介绍几种图像滤波的常用方法，然后重点介绍形态学滤波方 法在肺部图像中的运用，并简略地介绍本文用到的中值滤波算法及其改进。 均值滤波是线性平滑滤波器旧，算法简单，但它的主要缺点是在降低噪声的 同时使图像产生模糊，特别是细节处，均值滤波模板越大，去噪能力增强的同时 模糊程度也越严重。频域平滑也容易出现这种问题，因为高频成分包含有大量的 边缘信息，采用频域滤波器去除噪声的同时将会导致边缘信息的损失，而使图像 边缘模糊l 。中值滤波是非线性滤波器，算法与均值滤波相似，但中值滤波所取 的是模板元素的中间值。中值滤波对极限噪声点远不如平均滤波那么敏感，因而 产生的模糊较少，更适合消除孤立噪声点。在肺部c t 图像的滤波实验中，中值滤 波比均值滤波的效果好得多，这是因为肺部c t 图像中的噪声较小并且孤立的原因。 梯度倒数加权平滑法1 1 。7 】的理论依据是，在同一个区域内的像素灰度变化要比区域 之间的像素灰度变化小，相邻像素灰度差的绝对值在边缘处要比在区域内部的大。 其具体做法是，在一个以待处理像素为中心的窗口内，把中心像素与其各相邻像 素之间的梯度倒数定义为各相邻像素的权，这样，在区域内部的相邻像素权值大， 而位于区域外的那些像素权值小，这样平滑后的图像不会有明显的模糊。实验结 果表明梯度倒数加权平滑法平滑后的图像细节保持的比较好，但去噪的效果不佳。 维纳滤波器的目的是尽可能地降低噪声，同时恢复图像的原始信息，维纳滤波一 第二章肺部c r 图像的预处理 9 般以最小化均方误差作为最优准则，也可以使用其它的最优准则进行分析，但这 些准则将使得分析过程更为复杂，而且效果不是很好，维纳滤波器需要对噪声有 足够的先验知识，而肺部c r 图像的噪声并不是那么明确的。 由于本文实验所用图像较为复杂，图像中有很多与感兴趣的部分特征近似的 区域，当选用这些传统的平滑去噪方法一个常见的问题是在平滑去噪的同时也使 感兴趣区域有不同程度的模糊，从而干扰了医生的分析和诊断。因此有必要针对 肺部c r 图像的特性，寻找一种新的滤波方法，以达到去除噪声等无用信息时，不 损失有用信息的目的。 数学形态学的应用则能够在图像去噪的同时，保持感兴趣区域的形态特征， 这与我们去除噪声的同时而不给感兴趣区域带来模糊的思想相符，也正是我们选 择形态学工具的原因。下面将详细介绍数学形态学方法以及此方法在肺部c t 图像 中的应用。 2 3 1 形态学基础 数学形态学t 1 研是一种分析几何形状和结构的数学方法，它以集合论为基础， 用具有一定形态的结构元素去度量和提取图像中的对应形状，以达到分析和识别 的目的。由于形态学具有完备的数学基础，并且有良好的识别图像几何特征的特 性，因此自1 9 8 5 年起，它逐渐成为分析图像几何特征的常用工具。 数学形态学是由一组形态学的代数运算子组成的，最基本的形态学运算子有： 腐蚀、膨胀、开和闭，它们在二值图像和灰度图像中各有特点。基于这些基本运 算还可以推导和组合成各种数学形态学实用算法。由于我们需要增强的均为灰度 图像，因此下面仅介绍灰度图像的各种基本的形态学运算。 1 膨胀 膨胀运算能够将图像周围的背景点合并到物体中，若两个物体间距离较近， 那么膨胀运算可能会使这两个物体连通在一起。膨胀的运算符为o ，用结构元素b 对灰度图像，进行膨胀记为，0 6 ，其定义如式( 2 1 ) 所示： ，。6 。 x l ( ；) ，n ，】一m c 2 - ， 上式表明用b 膨胀厂的过程是：先对b 做关于原点的映射，再将其映像平移x ，这 里，与b 映象的交集不为空集。换句话说，用b 来膨胀，得到的集合是b 的位移与 ，至少有1 个非零元素相交时b 的原点位置的集合。 2 腐蚀 腐蚀在数学形态学运算中的作用是消除物体边界点，如果两个物体之间有细 肺部c t 图像中结节的检测算法研究 小的连通，那么当结构元素足够大时，通过腐蚀可以将两个物体分开。腐蚀的运 算符为o ，用结构元素b 对灰度图像，进行腐蚀记为( f o b ) ，其定义如式( 2 - 2 ) 所示： f o b - 洲6 ) l ， ( 2 - 2 ) 上式表明，用b 腐蚀的结果是所有x 的集合，其中b 平移x 后仍在，中。换句话说， 用b 来腐蚀厂得到的集合是b 完全包括在，中时b 的原点位置的集合。 膨胀和腐蚀并不是互为逆运算，所以它们可以级连结合使用。例如，可先对 图像进行腐蚀然后膨胀其结果，或先对图像进行膨胀然后腐蚀其结果( 这里使用同 一个结构元素) 。前一种运算称为开启，后一种运算称为闭合。 3 开启和闭合 开启和闭合是在腐蚀和膨胀两个基本运算的基础上组合而成的。若对图像， 及结构元素b ，用，。6 表示，对b 的开运算，用f b 表示，对b 的闭运算，则它们 的定义分别为： fo b 一( i o b ) * b ( 2 - 3 ) f b f f o b ) o b ( 2 - 4 ) 从式中我们不难看出，开运算就是对腐蚀图像用膨胀来进行恢复，而闭运算可看 作是对膨胀图像用腐蚀来进行恢复，不过这一恢复过程并不是信息无损的，它们 通常不等于原始图像。实际中常用开运算消除与结构元素相比尺寸较小的亮细节， 保持图像整体灰度值和大的亮区域基本不受影响；闭运算则用来消除与结构元素 相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不受影响。 2 3 2 肺部c t 图像的噪声去除 肺部c t 图像中的噪声一般为一些小亮点或小亮块。通过上一小节的介绍，我 们知道开运算能够去除图像中尺寸小于结构元素的亮细节，因此只要选取合适的 结构元素，我们就能去除这些小亮细节，也就是图像中的噪声。 本文的形态学滤波不是对肺部原始图像直接平滑，如果直接对原始c t 图像进 行平滑滤波，将给图像带来很大程度的失真，并且平滑效果也并不理想。这是由 于c r 图像中噪声的灰度范围分布非常广，c t 值从接近肺实质的c - q 值到大于一 般肺结节的c t 值不等，并且噪声在c - q 图像中的位置也很随机。 因此首先对肺部图像进行二值化，二值化的阙值选取稍大于肺实质的c t 值。 然后对肺部的二值图像运用形态学开运算，由于噪声在肺部图像中一般为圆形， 因而选取圆形的稍大于一般噪声点的形态学结构算子即可。经过开运算后，就得 到了去除了噪声后的二值图，再求得肺部原始图像的二值图与去噪后二值图的差 第二章肺部c t 图像的预处理1 1 分图像，就得到了噪声的二值图。这也是t o p - h a t 1 5 】变换的思想。将噪声的二值图 像映射回原始肺部c r 图像中，便可去除c t 图像中的噪声。这就是我们针对肺部 c t 图像而提出的形态学平滑滤波方法。此方法充分保持了肺部c r 原始图像的特 征，不会给平滑后的图像带来模糊，并且充分去除了c t 图像中的噪声，符合算法 的平滑要求，为图像的后续处理做了很好的准备。在下一小节中将通过实验结果 再次证明这种方法的有效性 2 3 3 实验结果及分析 为了验证形态学滤波的有效性，我们对肺部c t 图像进行了实验，并和其它的 滤波方法进行了对比。实验中，形态学滤波中的结构算子选为d i s k 2 ，梯度倒数加 权滤波和均值滤波选用的是3 ) ( 3 模板，中值滤波所选用的是5 x 5 的模板，并在具体 的滤波操作中进行了改进，先取横向的5 个点的中值，然后取纵向的5 个点的中 值，再取这两个中值中的较小者做本点的l - - r 值。这样改进后提高了图像的处理速 度。在维纳滤波时，根据陈旭等人1 1 9 】的文章，假定肺部c t 图像中的噪声为椒盐噪 声。所有的实验参数的设定都是经过多次试验，7 并结合肺部影像特点和算法的特 点来确定的。 为了说明我们提出的滤波算法的实验结果，并和其他的滤波算法形成对比， 本小结给出一些相应的实验结果，如图2 1 所示。 ( a ) 原图( b ) 形态学滤波( c ) 梯度倒数加权滤波 ( d ) 均值滤波 ( e ) 维纳滤波 中值滤波 图2 1 肺部c r 图像滤波实验对比 图2 1 中，图( a ) 为原始图像，图( b ) 为我们提出的肺部形态学滤波方法得到的 肺部c t 图像中结节的检测算法研究 结果，图( c ) 梯度倒数加权滤波获得的结果，图( d ) 为均值滤波的结果，图( c ) 为维纳 滤波的结果，图( d 为中值滤波法得到的结果。图像中，肺实质部分是我们要处理 的部分，所以肺实质部分的去噪效果是我们对滤波效果的评价标准。由实验结果 可以看出我们提出的肺部形态学滤波滤波效果较好，在充分去除噪声的同时而不 会使图像产生模糊。 2 4 小结 本节在分析比较了多种滤波去噪的方法后，结合肺部c t 图像的影像特点，提 出了基于数学形态学的肺部c t 图像的去噪方法。形态学滤波是一种对肺部图像中 噪声的去除非常有效的方法，它在去除噪声的同时，不会改变原始图像的形态， 也不会致使图像中的细节产生模糊，具有很好的滤波效果。 形态学滤波是一种行之有效的图像滤波去噪方法，也可用于其它图像的预处 理当中。但不同的图像其特点有所不同，在形态学处理时，需要确定的结构元素 的大小，形状，以及运用此滤波器的具体方法都会有所不同。如何在不同的图像 中根据图像特点选取这些参数，以及具体如何使用这种滤波算法，有待于更多的 学者进一步研究。 第三章肺部实质的自动分割 第三章肺部实质的自动分割 3 1 引言 肺部c t 图像已广泛用于肺部疾病的分析和辅助诊断中，如肺实质的密度分 析、肺气管的分析、肺和隔膜的结构分析f 3 】以及肺部各种疾病的辅助诊断等。肺实 质的分割是这些分析和处理中的重要步骤，其结果直接影响到后续分析和处理的 效率和效果。众多学者己在这方面做了许多的工作：k a l e n d e r 【4 1 等用人机交互的方 式获得肺实质；a r m a t o s l 等人则利用图像左对角线上的点做累计直方图，提取分割 阙值，进而得到肺实质，然而当这条线上存在噪声点时，这种方法将存在很大的 误差；陈旭等人【1 9 3 用阈值连通标记等方法得到肺实质，此方法虽然简单有效，但 是没有考虑结节与胸膜连结的情况；h u 嗍等注重左右肺的分离，但此方法过分复 杂，有失实用性；d a j n o w i e c l 2 1 j 等用简单的阈值结合形态学运算提取肺实质，虽然 方法简单，但同样普适性不强。 为了有效解决上述问题，本文提出了一种全自动分割肺实质的方法。针对上 一章中进行了预处理之后的图像，首先运用高斯混合模型进行初步分割，将肺实 质和其它区域进行分离，然后并通过区域生长连通标记去除背景，从而获得肺实 质的大致区域，最后用形态学运算弥补肺实质分割时容易引起的肺实质边缘的缺 口，得到完整的肺实质。整个算法的大致流程如图3 1 所示。 c t 图像 i 上 应用高斯混合模型预分割 j 去除背景 j r 获得肺实质的大致区域 j ( 获得完整肺实司 图3 1 分割算法流程图 1 4肺部c t 图像中结节的检测算法研究 3 2 基于高斯混合模型的肺部区域分割 肺部图像主要由肺实质、心脏和肺实质外的空气、检查床等部分组成，我们 要检测的肺部区域就是肺实质，是包括在胸壁中的肺的部分。肺实质整体密度较 小，表现为c t 值比较小，而肺实质周围的胸壁密度较大，在图像中表现为c t 值 较大，在肺部c t 图像的直方图中反映为c t 值较小( 包含肺实质部分) 和c t 值较 大泡含胸壁部分) 两大部分。因此我们可以用高斯混合模型 2 2 j 3 1 模拟肺部c r 图像 的直方图，将肺实质和肺实质周围的部分分离开。本节将介绍这种算法和对其相 应的改进。 3 2 1 高斯混合模型 高斯混合模型的实质是用多个高斯模型的加权求和来模拟实际情况。 高斯模型的分布密度函数可表示如下： p ( x l a ) - 墨鹏b ) ( 3 - 1 ) 其中，m 为高斯混合模型的混合数，n 为混合系数，z 为灰度值，p 仁，a ) 为高斯 混合密度，a 表示高斯混合模型的完整参数集，也对为单个高斯密度分布函数。 生业 岛( 石) - f = ! 一p2 0i2(32) 2 嚣o l 其中一、q 为高斯密度分布函数的参数。 3 2 2基于高斯混合模型的预分割 人体中密度不同的各种组织c t 值均居于1 0 0 0 h u 至f j + 1 0 0 0 h u 之间，因此本文 仅对c t 图像中c t 值在1 0 0 0 - 1 0 0 0 范围内的部分进行处理。肺部c t 图像由肺实 质、心脏和肺实质外的空气、检查床等几部分组成。我们根据图像中c r 值的差别， 可把c t 图像分成包含肺实质的c t 值较小的部分，以及包含胸壁等的c t 值较大 的部分，并利用高斯混合模型把这两部分分割开来。高斯混合模型的实质是用多 个高斯模型的加权求和来模拟实际情况。这里我们用高斯模型来模拟肺部c t 图像 的c t 值分布情况并进行初步分类。 应用高斯混合模型初步分类时，其中的参数p j 、肛和珥需要确定，为此我们 采用e m 算法来得到这些参数。 e m 算法即期望最大化( e x p e c t a t i o nm a x i m i z a t i o n ，e m ) 算法，是参数估计的一 第三章肺部实质的自动分割 种很重要并且很有效的常用算法。最初由d e m p s t e r , l a i r d 和r u b i n 提出，它是一 种用于不完全数据情形下进行最大似然估计或最大后验估计的方法。e m 算法是一 个与最大似然估计相一致的算法，它大大降低了最大似然估计的计算复杂度，但 性能却能与最大似然估计相近，具有很好的实际应用价值。 e m 算法是一种迭代方法，它的每一次迭代由两步组成：e 步( 求期望) 和m 步( 极 大化) 。此算法主要用于求后验分布的参数。文献f 2 2 】中介绍的迭代方法是： e - s t e p z 。o l - 丝p ( x 盟；t ) ( 3 - 3 ) m - s t e p 。专荟掣( 3 - 4 ) 。南荟窖k 0 - 5 ) 矿“。南荟掣( 工一) 2 0 - 6 ) 其中，为图像处理的像素总数，历为迭代的次数。 文献【2 2 】介绍的e m 算法是基于像素点的，每个像素点都要计算一次，因此运 算速度很慢。我们对以上算法步骤进行了改进，提出了基于灰度值进行处理的e m 算法，使得算法速度有很大的提高，从原先的两个多小时运行时间缩减到一分钟之 内。改进后算法的具体步骤为： e - s t e p 掣一瑞( 3 - 7 ) m - s t e p 。砉互础骘 o - s ) “枷。嘉荟剐工跆k 0 - 9 ) 掣”。嘉荟肌掣( 工一) 2 ( 3 4 0 ) 其中，n 为图像处理的像素总数，g 为灰度级总数，肼为迭代的次数，| i l ( 石) 为像 素值为x 时对应的像素点的数量。 肺部c t 图像中结节的检测算法研究 3 2 3 实验结果及分析 为了检验我们的算法的正确性，我们对所有的数据进行实验( 8 9 5 幅图像) ，实 验结果表明了我们提出的算法的有效性，通过我们的算法确能有效地对肺实质和 周围组织进行分离。下图为一幅c i 图像的肺实质分割实验结果。 ( a ) 原图( ”分割后的结果 图3 2 运用高斯混合模型初步分割结果 图3 2 ( a ) 为一幅c r 原始图像，图3 2 ( b ) 是对图( a ) 运用高斯混合模型进行初步 分割的结果。由实验结果可以看出，经过高斯混合模型分割后，肺实质，即胸壁 包围的暗区域，和其它组织已经较好的分离开，为肺结节的准确检测提供了保证。 此方法有效克服了传统硬编码分割的缺陷，不需要人机交互，能够自动地将 肺实质与肺部其它组织进行分离，为肺实质的分割做好了准备。经过我们对其中 参数的求解算法e m 算法的改进，大大地提高了算法的运行速度，使得算法的准 确率和效率都有了大幅提高。 3 3 肺实质的分割 经过高斯混合模型分割后，肺部c r 图像根据c t 值分布情况将肺实质和背景 大致分开，下面我们要得到完整的肺实质。从上一小节的实验结果中可以看出， 肺实质外还有许多的干扰，肺实质内还包含一些空隙，这是由于血管、气管、结 节等高密度区域在肺部图像中的影像反应导致的。这些区域都会对提取完整的肺 实质形成干扰，因而要得到完整的肺实质，有必要将这些背景区域去除。 3 3 1 去除背景 这时只要去除肺实质以外的部分，就可以得到肺实质的大致区域。我们提取 出肺实质外的所有暗区域，赋予亮的区域相同的标记，使背景( 胸壁外的区域) 连 在一起，就得到了肺实质之外的所有区域。这时分割所得的图像把c t 图像大致分 成了肺