（计算机软件与理论专业论文）基于肺部图像分类的肺结节检测技术研究.pdf

”：j 。1 0f 7 t 秘 ，矗i 飞 。t备d譬r。t，卜k静r辱b舷群pkrfl。ir 分类号 u d c 密级 学位论文 基于肺部图像分类的肺结节检测技术研究 作者姓名：宋志强 指导教师：王大玲教授 东北大学信息学院计算机软件与理论研究所 申请学位级别：硕士学科类别：工学 学科专业名称：计算机软件与理论 论文提交日期：2 0 0 8 年0 6 月2 0 日论文答辩日期：2 0 0 8 年0 7 月0 1 日 学位授予日期：2 0 0 8 年月日答辩委员会主席： 评阅人：移匆多幽刍飞、 评阅人： 露专訇歹幽刍1 东北大学 2 0 0 8 年0 6 月 中乞 h严， 0。 ， ， lllill弘 q j 1-7、o ， f 妒 l f t 一 ， i at h e s i si nc o m p u t e rs o f t w a r ea n dt h e o r y r e s e a r c ho nd e t e c t i o no fp u l m o n a r yn o d u l e sb a s e do n l u n gi m a g e sc l a s s i f i c a t i o n b ys o n gz h i q i a n g s u p e r v i s o r ：p r o f e s s o rw a n gd a l i n g n o r t h e a s t e r nu n i v e r s i t y j u n e2 0 0 8 10、， 独创性声明 本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得 的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过 的研究成果，也不包括本人为获得其他学位而使用过的材料。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作了明确的说明并表示谢 ：匕 恧。 学位论文作者签名： 界各瓠 日 期：锕、占加 学位论文版权使用授权书 本学位论文作者和指导教师完全了解东北大学有关保留、使用学位 论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印 件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文 的全部或部分内容编入有关数据库进行检索、交流。 作者和导师同意网上交流的时间为作者获得学位后： 半年一年口一年半口两年口 学位论文作者签名：舜怎该 签字日期：谰，6 、1 d 导师签名：刁士以 签字日期：舢萝多w 1；，_，- ，1-l-， 1 ，- j、 j 、 v j 东北大学硕士学位论文 摘要 基于肺部图像分类的肺结节检测技术研究 摘要 随着环境污染的加重，全球肺部疾病的发病率都呈明显的上升趋势，越来越多的人 开始关注自己的肺部健康。c t 作为检查肺部疾病的一种重要手段，在临床实践中广泛 被采用。对于肺部疾病的诊断，对肺结节的识别尤其重要。 本文对基于肺部c t 图像的肺结节检测技术进行了研究，首先对肺实质进行了分割， 然后在提取的肺实质内对可疑区域进行标记并对其特征提取，最后对可疑区域分类，最 终实现了肺结节的检测。 应用l e v e ls e t 方法在图像分割中的优势，本文提出了一种将形态学与水平集相结 合的肺实质分割方法。该方法的最大特点在于利用形态学的方法得到肺实质的轮廓窄带 和初始轮廓，使水平集只在轮廓窄带内演化，实现了肺实质的分割。实验表明该方法明 显的提高了分割性能。 对于特征提取问题，由于特征提取的质量是决定分类性能的关键因素，所以选择适 当的特征至关重要。描述图像特征的方法有很多种，如颜色特征、纹理特征、形状特征 等。本文进一步研究了临床诊断中对肺结节诊断的依据，通过对肺结节和图像的分析， 提取了2 9 个不同种类的特征。 对于肺结节分类问题，本文将支持向量机的机器学习方法引入其中。分析了支持向 量机的理论基础和数学模型，特别是支持向量机的推广能力和核函数理论，在此基础上 应用支持向量机方法、采用肺结节提取出来的特征对样本进行分类。 最后的实验结果表明本文采用的算法能够应用于肺结节计算机辅助诊断中。 关键词：医学图像；形态学；水平集；肺结节；特征提取；分类；支持向量机 一i i f ，一 、 p 、i 盖 _ ： ? z ； 东北大学硕士学位论文 a b s 缸狮t r e s e a r c ho nd e t e c t i o no f p u l m o n a r yn o d u l e sb a s e do nl u n g i m a g e sc l a s s i f i c a t i o n a b s t r a c t b e c a u s eo fc i r c u m s t a n c ep o l l u t i o n ，t h ei n c i d e n c eo fp u l m o n a r yd i s e a s ei s i n c r e a s i n g o b v i o u s l y m o r ea n dm o r ep e r s o n sp a ya t t e n t i o nt ot h e i rl u n gh e a l t h a sa l li m p o r t a n tm e a n s o fd e t e c t i n gl u n gd i s e a s e ，c th a sb e e na p p l i e di nc l i n i c f o rt h ed i a g n o s i so f l u n gd i s e a s e ， i d e n t i f y i n gp u l m o n a r yn o d u l e si sv e r yi m p o r t a n t i nt h i st h e s i s ，d e t e c t i o no f p u l m o n a r yn o d u l e sb a s e do nl u n gc ti m a g e si ss t u d i e d f i r s t l y , t h el u n gs e g m e n t a t i o ni ss e g m e n t e d ，i nw h i c hs o m e s u s p i c i o u sr e g i o n sa r em a r k e d t h e nt h e f e a t u r e so ft h er e g i o n sa r ee x t r a c t e dw h i c ha r eu s e df o rc l a s s i f i c a t i o n f i n a l l y , t h ep u l m o n a r y n o d u l e sw i l lb ed e t e c t e d h lt h i st h e s i s ，w i t ht h ea d v a n t a g e so fl e v e ls e t ，an e wm e t h o db a s e do nm o r p h o l o g ya n d l e v e ls e ti sp r o p o s e df o rl u n gs e g m e n t a t i o n t h em o s ti m p o r t a n tc h a r a c t e ro ft h i sm e t h o di s t h a tm e t h o d so fm o r p h o l o g yi su s e dt og a i nn a r r o w b a n do fc o n t o u ra n dt h ei n i t i a l i z a t i o n c o n t o u ro fl u n g ，m a k i n gl e v e ls e tf u n c t i o ne v o l u t i o no n l yi nt h en a r r o w b a n d t h er e s u l t so f e x p e r i m e n t a t i o ns h o wt h a tw i t ht h i sm e t h o dp e r f o r m a n c eo fs e g m e n t a t i o ni si m p r o v e d o b v i o u s l y f o rf e a t u r ee x t r a c t i o n ，s i n c et h eq u a l i t yo ff e a t u r ee x t r a c t i o ni sac r u c i a le l e m e n to ft h e p e r f o r m a n c eo fc l a s s i f i c a t i o n ，c h o o s i n gap r o p e rw a yt oe x t r a c tf e a t u r e so fi m a g ei se x t r e m e l y i m p o r t a n t t h e r ea r eal o to fw a y st od e s c r i b ei m a g ef e a t u r e s ，s u c ha sc o l o r , t e x t u r e ，a n ds h a p e s y m p t o m so fp u l m o n a r yn o d u l ei nc l i n i c a ld i a g n o s i sa l ef u r t h e rr e s e a r c h e d ，a n d2 9d i f f e r e n t f e a t u r e so f p u l m o n a r yn o d u l e sa r ed e t e r m i n e d b yu s eo f o u t l i n ea n a l y s i sa n di m a g ea n a l y s i s f o rc l a s s i f i c a t i o no fp u l m o n a r y n o d u l e s ，s u p p o r t e dv e c t o rm a c h i n e ( s v m ) i si m p o r t e d ， w h i c hi sam a c h i n el e a r n i n gm e t h o d f i r s t l y , t h et h e o r e t i c a lp r i n c i p l ea n dm a t h e m a t i c a lm o d e l o fs v m ，e s p e c i a l l yt h ep o p u l a r i z i n ga b i l i t ya n dk e r n e lf u n c t i o nt h e o r ya r ea n a l y z e d t h e nt h e f e a t u r ee x t r a c t i o nr e s u l t sa r et a k e na si n p u ta n ds v mi s a p p l i e dt oc l a s s i f yp u l m o n a r y n o d u l e s 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 em e t h o di nt h i st h e s i sc a l lb er e g a r d e da sa t e c h n i q u ef o rc a ds y s t e m si nc tp u l m o n a r yn o d u l e s k e y w o r d s ：m e d i c a li m a g e ；m o r p h o l o g y ；l e v e ls e t ；p u l m o n a r yn o d u l e ；f e a t u r ee x t r a c t i o n ； c l a s s i f i c a t i o n ；s v m i i i 一 。 ，；_ 毋j 东北大学硕士学位论文 目录 目录 独创性声明i 摘要i i a b s t r a c t i i i 第l 章引言1 1 1 课题背景。l 1 2 问题提出及描述1 1 3 相关工作2 1 4 本文研究思路及组织结构4 第2 章图像分割技术与肺结节检测算法综述7 2 1 基于阈值的分割7 2 1 1 直方图法。7 2 1 2 大津方法8 2 2 基于边缘的分割方法9 2 2 i 基于一阶导数的边缘算子9 2 2 2 基于二阶导数的边缘算子1 0 2 3 基于区域的分割方法l o 2 3 1 区域生长法1 1 2 3 2 分裂合并法1 2 2 4 水平集的方法1 2 2 4 1 曲线演化理论1 3 2 4 2 水平集方法1 4 2 5 肺结节检测算法咖18 2 6 本章小结1 9 第3 章基于形态学和水平集的肺实质分割2 1 一一 东北大学硕士学位论文目录 3 1 基于数学形态学的肺部轮廓窄带提取2 1 3 1 1 数学形态学方法2 1 3 1 2 灰度级图像扩展2 3 3 1 3 肺部轮廓窄带的提取2 6 3 2 基于水平集的肺实质分割2 6 3 2 1 无需重新初始化的水平集方法( u 方法) 2 6 3 2 2 肺实质分割2 8 3 3 实验结果及其分析3 1 3 4 本章小结3 2 第4 章疑似肺结节检测及特征提取3 3 4 1 疑似肺结节检测3 3 4 1 1 改进的轮廓跟踪算法3 3 4 1 2 实验结果3 4 4 2 特征提取3 4 4 2 1 肺结节特征分析3 5 4 2 2 疑似肺结节特征提取3 6 4 3 本章小结4 3 第5 章基于支持向量机的肺结节分类4 5 5 1 统计学习理论4 5 5 2 支持向量机简介4 6 5 3s v m 算法介绍4 7 5 3 1 线性可分4 7 5 3 2 近似线性可分5 0 5 3 3 非线性可分51 5 3 4 核函数的选择“一5 2 5 4s v m 在肺结节分类中的应用5 3 5 5 实验结果及其分析5 3 5 6 本章小结5 4 一v t l ， 参 l ， 东北大学硕士学位论文 目录 第6 章结论与展望。5 5 6 1 结j 沦。5 5 6 2 展望。5 5 参考文献5 7 致谢6 3 攻硕期间参加的项目6 5 一v i ，；，j 东北大学硕士学位论文第1 章引言 第1 章引言 1 1 课题背景 随着科技的进步，多学科交叉和融合已成为现代科学发展的突出特色和重要途径。 自从显微镜问世以来，对医学图像的分析已成为医学研究中的重要方法，特别是x 、c t 、 m r i 、p e t 、s p e c t 等新型成像技术和设备的出现以及电脑技术的发展，使得医学图像 处理技术对医学科研及临床实践的作用和影响日益增大，其结果使临床医生对人体内部 病变部位的观察更直接、更清晰，确诊率也更高。因此，医学图像处理技术一直受到国 内外有关专家的高度重视。 各种影像设备在医学诊断中的广泛应用也造成了新的问题：一方面，对每个病人一 次检查所产生的影像的信息量越来越大，从而使医生要阅读大量的影像信息，加大了图 像诊断的工作量；另一方面，单个影像设备不可能提供病人诊断所需要的全部信息，这 使得医生很难据此做出准确的诊断结论。这种情况必然造成如下后果：虽然在世界水平 上，通过借助影像工具使得疾病诊断的准确率得到了大幅度提高，从过去采用传统的问 诊和靠生化测量数据诊断时的5 0 提高到了8 5 ；但是，误诊还是在所难免的。更为重 要的是，依靠影像进行诊断的诊断水平非常依赖于诊断医生的经验和能力，个人差异性 很大。因此，基于影像引导下的计算机辅助诊断( m e d i c a li m a g eb a s e dc o m p u t ea i d e d d i a g n o s i s ，m i b c a d ) 就迅速发展起来。目前，许多医院使用了p a c s ( p i c t u r e a r c h i v i n g a n dc o m m u n i c a t i o ns y s t e m ) ，收集了大量病人的影像数据，如何充分利用以前的确诊病 例和医生的临床诊断经验以及当前病人的信息，使计算机快速有效地帮助医生诊断病 例，正是计算机辅助医学诊断系统要实现的目标。 1 2 问题提出及描述 近年来，随着环境污染的加重，全球无论是高发地区还是低发地区肺部疾病( 特别 是肺癌) 的发病率都呈明显的上升趋势【l 】，越来越多的人开始关注自己的肺部健康，c t 作为检查肺部疾病的一种重要手段，具有非介入、高分辨率的特点，在临床实践中广泛 的采用。这就导致了放射科日常处理的c t 图像数量的急剧膨胀，而对于这些c t 图片 的诊断需要医生根据自身的专业知识与经验细致认真的做出诊断，这就形成了大量c t 图像与医生数量( 特别是经验丰富的医生) 相对较少之间的矛盾。 对于肺部疾病的诊断，对肺结节( p u l m o n a r yn o d u l e ，p n ) 的识别尤其重要。肺结 节在医学上的定义为：指肺实质内单发圆形或类圆形致密影，直径小于3 c r n ，不伴有肺 不张或淋巴结肿大【2 1 。是分散于肺内的局限性病灶，其边缘足够清晰，可以测量其大小 一1 一 东北大学硕士学位论文第1 章引言 【3 1 。典型的肺结节如图1 1 所示。 图1 1 典型的肺结节 f i g 1 1t y p i c a lp u l m o n a r y n o d u l e 肺结节对临床医生及影像科医生而言是一个极大的挑战，一是其发生率高，而是诊 断和鉴别诊断极其困难。尽管临床上最为常见的肺结节只有三种，即肺癌、结核和炎性 假瘤，但是能够表现为肺结节的疾病包括了多达2 7 0 余种疾病，这些疾病的影像学表现 常常表现出同病异影和异病同影的特征【4 】。这就需要借助计算机辅助的手段，发挥计算 机对于细微差别的表征能力，超强的计算能力，辅助医生快速做出诊断。 采用计算机辅助诊断的技术来分析处理这数量巨大的肺部c t 图像，筛选掉大量的 正常的肺部c t 图像，对于正常影像、明显的异常影像做出正确诊断，降低了医生的简 单劳动的劳动强度，使医牛集中精力对疑难的异常影像进行分析诊断，极大的提高了医 牛的工作效率。此外更重要的是对于这些诊断疑难的影像能为医生提供各种病征的度量 数据，消除由于主观经验、观察能力等主观因素的不同导致的诊断差异，并提供准确率 较高的参考的识别诊断的结果，从而使影像诊断更加客观化，提高诊断的效率和正确率。 同时还可以为缺少医学影像专家的医院提供可靠的技术支持，为医学影像专家的培养提 供平台。 1 3 相关工作 随着电子计算机技术的发展，各种医学影像的分析也从简单的定性发展到了可以做 一定定量分析的阶段。对于肿瘤影像分析而言，主要有区分癌症的良恶性、癌症的分期 判断及预后等，c a d 系统结合专家知识，应用图像处理、模式识别和人工智能等技术， 先对肺部c t 影像进行预处理，然后利用图像分割技术，得到图像特征，最终通过分析 和筛选，得到检测结果和诊断结论，帮助医生进行图像的理解和判断。这样有助于降低 假阴性率，提高真阳性率。使用计算机来进行辅助检测和诊断能尽量减少对图像难点区 一2 一 ， j、 ， 0 ：i 。j 东北大学硕士学位论文笫1 章引言 域的误判，从而提高诊断的准确船怖鳓黼弦 关于辅助检测和诊断方面的技术和软件在过去1 5 年里发展很快，根据已经发表的 出版物提供的情况简单介绍如下。 应用c a d 技术的诸多癌症中有乳腺癌、肺癌【5 , 6 , 7 , 8 , 9 , 1 0 , 1 1 】、脑部肿瘤【1 1 1 、肝癌 1 2 , 1 3 】、 前列腺癌【1 4 1 和膀胱癌【1 5 1 等。关于乳腺癌的研究是开展最广泛的【1 6 , 1 7 , 1 8 】，普遍都是使用x 光片来做试验，主要工作是检测簇化的钙化点和肿块，这两者代表了肿瘤的恶性程度。 乳腺癌的c a d 技术是最为成熟的，x 射线乳腺机就是应用于乳腺癌检查的机器，它是 临床与计算机辅助诊断技术相结合的产物。在美国，开展乳腺癌的普查很普遍，早在2 0 0 0 年r 2 就有了产品问世。而国内目前也已经有厂商如东软医疗就开发了乳腺癌普查的相 关产品，当然，该项技术还有不完全成熟，所以r s n a ( r a d i o l o g i c a ls o c i e t yo fn o r t h a m e r i c a ) 和e u r o r a d 就建立了公共测试平台来继续努力改进这项技术。之后，人们 把目光投向了更为严重的肺癌。肺癌的计算机辅助检测和诊断早期的研究主要也是采用 x 光片【5 , 6 , 8 】，其主要工作集中在x 光片中肺域的分割、对于主要干扰物如肋骨的去除和 具体的特征选择以及分类工作，分类工作主要是一个筛选和良恶性判断过程，但最终实 现效果并不好，一般都容易造成较大量的漏诊；后来人们选择了肺部c t 影像d i 作为研 究对象，开展这项研究的机构很多，像美国h a r v a r d 等大学的相关放射影像方面的实验 室都在开展相关的工作，特别需要指出的是c h i c a g o 大学的k u r tr o s s m a n n 实验室在这 方面的研究成果最为丰剖5 9 1 。事实证明，c t 比x 光片有效降低漏检率，效果得到了很 大改进，并在逐渐达到临床所能接受的程度。c t 早期的研究结果也达不到医用标准， 很多情况下其正确诊断率有些偏低( 比如3 8 这样的数据) ，大部分研究都表明大于5 r a m 的结节检测效果比较高，具体分析其原因很大一部分程度在c t 本身，像在c t 扫描的 时候每层厚度过小或者间隔度过大，都造成了在扫描过程中很多小结节信息的丢失，所 以扫描后的片子不管怎么调整门限都难以发现结节，另外同样情况下也被分割得零零碎 碎的血管也存在一定的干扰性。 不过随着各国科研工作者不懈的努力，目前已经取得了很大的成果。2 0 0 3 年，r 2 公司已经有用于肺癌早期诊断的系统问世，p h i l i p s 等c t 机厂商也在做类似的研究【1 9 】， 虽然具体情况表明，具体系统的性能提升还需要走很长的路，而其普及应用也还有很长 一段时间；国内开展这方面工作的还很少，东南大学影像与科学技术实验室做过部分类 似方面的研究，取得了一定成果拉0 1 ，但总体来说，国内从纯医学方面讨论的比较多如， 但肺癌方面的c a d 技术可以说是一片空白，一方面是因为需求的原因，另一方面，研 究基础和实际技术条件上有一定差距。 其他如肝癌、前列腺、直肠癌和脑瘤等，这些癌症的c a d 技术的研究目前还主要 是摸索阶段。概括起来，目前研究较多的方向主要有两个，一个是难易程度较低的，即 一3 一 东北大学硕士学位论文第1 章引言 相对而言识别难度比较低的如肝癌等，适当的灰度变换就可以直接从c t 上观察出病变 区域，又比如脑部肿瘤，脑部肿瘤在m r i 中可以根据灰度变换和对脑部结构如血管的 变形来达到清晰辨认；另一方面则是医学上迫切需要克服的方向，像乳腺癌、前列腺癌 和肺癌等就属于这个方面。任何癌症都有其特殊性，适合针对病症的个体特点设计相应 的处理方案，每种肿瘤本身又具有复杂性，时间上和空间上的微小差异都可能带来结果 的较大差异。这都给实际工作带来了极大难度。 肺部肿瘤的提取和分析一直是医学图像处理的一个难题，从早期的x r a y 发展到后 来的c t ，都存在类似的问题，具体难点在于：( 1 ) 肺部各组织的c t 影像灰度值分布 干扰很大，另外很多组织或者器官重叠现像严重，产生很大的干扰，软组织和血管与需 要观察的结节等目标相混淆；( 2 ) 肺部肿瘤自身形状大小各异，生长环境复杂，无规则 可言，结节初选容易，但进一步的筛选和分析很难达到较高的正确率。国内外学者在这 方面作了大量的研究，已提出了若干方法，如基于梯度算子和形状算子的分割方法，另 外一个常见的就是多级灰度变换，该方法能很好的将与肿瘤相连的血管等组织分离出 来；分类工作中使用最多的是线性分类器( l i n e a rd i s e r i m i n a n ta n a l y s i s ，l d a ) 【2 l 】和神 经网络( n e u r a ln e t w o r k , n n ) i 引。 本文采用的是支持向量机方法。s v m 算法正是一种适用于小样本的机器学习方法， 因此，将s v m 方法作为一种模式识别算法应用到医学图像分类中，是一个值得研究的 课题，也是本文的主要研究对象。支持向量机( s u p p o r tv e c t o rm a c h i n e s ，s v m ) 起源 于统计学习和运筹学的最优化理论，它研究如何构造学习机，实现模式分类问题。其最 大的特点是根据v a p n i k 1 4 】结构风险最小化( s t r u c t u r a lr i s km i n i m i z a t i o n ，s r m 准则) 原 理构造决策超平面使每一类数据之间的分类间隔( m a r g i n ) 最大。s v m 的思想就是在 样本数目适宜的前提下，选取比较好的v c 维，使经验风险和置信值达到一个折中，使 每一类别数据之间的分类间隔( m a r g i n ) 最大，最终使实际风险变小。对于线性不可分 数据，按照c o v e r 定理【l5 1 ，将低维空间不可分数据映射到高维空间中。支持向量机根据 s r m 准则尽量提高学习机的泛化能力【l6 1 。即由有限的训练集样本得到小的误差，仍然 能够保证对独立的测试集保持小的误差。另外，由于支持向量算法是一个凸优化问题， 所以局部最优解一定是全局最优解，这是其他学习算法所不及的【2 6 矧。 1 4 本文研究思路及组织结构 肺结节检测的研究其目的是要从大量的图像数据中抽取出一定的模式和规则，用于 计算机辅助诊断。对肺结节的辅助诊断其主要的三个过程是课题需要研究的重点及内 容。本文针对这三个方面的问题展开： ( 1 ) 肺实质的分割 肺实质分割是肺结节检测的第一步，也是最重要的一部，因为这一步的结果将对后 一4 一 东北大学硕士学位论文第1 章引言 面几步产生直接影响。本文在比较现有的几种图像分割技术的优缺点后，提出了一种基 于形态学和水平集方法相结合的方法来分割肺实质，为肺结节检测和特征提取做准备。 ( 2 ) 特征提取 图像的底层特征是能够从图像数据中分析得来，对于图像特征的描述，尤其是图像 颜色、纹理和形状三类主要的特征描述己经有了很多成熟的表示方法。根据临床诊断中 对肺结节诊断的依据，本文选取了特定的特征用于肺结节的分类。 ( 3 ) 肺结节分类 采用支持向量机分类方法对提取的特征进行分类。支持向量机是一种强有力的基于 结构风险最小化原则的统计理论学习方法，具有较好的泛化能力和推广能力，相比于其 他机器学习方法，它在小样本学习中表现出很好的性能。 本文的研究方向是在肺实质分割的基础上，进行肺结节检测并提取特征，用支持向 量机对其进行分类识别。论文的结构安排如下： 第一章为引言，主要介绍研究的背景，相关工作及研究的思路； 第二章是图像分割算法和肺结节检测算法的综述。为此本文把现在应用于图像的经 典分割算法和肺结节检测算法加以介绍，最后得出本文采用的检测算法流程； 第三章为基于形态学和水平集的肺实质分割介绍，本文采用形态学方法和水平集方 法相结合的方式来进行肺实质的分割，在这一章给出具体说明； 第四章为疑似肺结节检测及特征提取，介绍疑似肺结节检测和特征提取方法，为后 续肺结节分类做准备； 第五章为支持向量机分类，详细介绍本文采用的支持向量机分类算法及流程，并给 出了结果及其分析； 第六章总结全文并对未来工作提出展望。 一5 一 垂 东北大学硕士学位论文笫1 章引言 一6 一 j ， t ? 0 东北大学硕士学位论文 第2 章图像分割技术与肺结节检测算法综述 第2 章图像分割技术与肺结节检测算法综述 用计算机进行数字图像处理的目的有两个，一是产生更适合人类视觉观察和识别的 图像，二是希望计算机能够自动进行识别和理解图像。无论是为了何种目的，图像处理 的关键一步是对包含有大量各式各样景物信息的图像进行分解，分解的最终结果就是图 像被分成一些具有各种特征的小成分，这些成分就称为图像的基元，产生这些基元的过 程就是图像分割的过程。图像分割作为图像处理领域中极为重要的内容之一，是实现图 像分析与理解的基础。从概念上来说，所谓图像分割就是按照一定的原则将一幅图像或 景物分为若干个部分或子集的过程图像分割也可以理解为将图像中有意义的特征区域 或者需要应用的特征区域提取出来，这些特征区域可以是像素的灰度值、物体轮廓曲线、 纹理特性、局部统计特征、频谱特征等，利用这些特征的差别可以区分图像中不同目标 物体。既然只能利用图像信息中某些部分特征分割区域，因此各种方法必然带有局限性 和针对性，只能针对各种实际应用领域的具体需求来选择合适的分割方法。从图像分割 基准和分割目标的不同上来区分，可以把图像分割算法大致分为阈值分割方法、基于边 缘的方法、基于区域的方法、数学形态学的方法、水平集方法等。 2 1 基于阈值的分割 阈值分割是最常见的并行直接检测区域的分割方法，从2 0 世纪6 0 年代以来，人们 开始图像分割中阈值算法的研究，现已提出数十种算法。阈值分割方法基于对灰度图像 的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素 在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值 应位于两个峰之间的谷，从而将各个峰分开。 2 1 1 直方图法 2 0 世纪6 0 年代中期，p r e w i t t 提出了直方图双峰法，即如果灰度级直方图呈明显的 双峰状，则选取双峰之间的谷底所对应的灰度值作为阈值，但是当两个波峰相差很远则 不适用，因为前景和背景很可能有一部分灰度值是共有的；在很多图像中直方图会存在 有多个波峰的情况，这样的阈值选取需要根据实际情况而定。实践证明，这种方法虽然 简单易行，但是因为同一个直方图可能对应若干种不同的图像，所以使用双峰法需要有 定的图像先验知识，而且该方法不适用于直方图中双峰法差别很大或双峰间的谷比较 宽广而平坦的图像，以及单峰直方图的情况。虽然这种方法具有一定的局限性，但是很 多方法都是基于这种方法的理论发展起来的。 一7 一 东北大学硕士学位论文第2 章图像分割技术与肺结节检测算法综述 2 1 2 大津方法 o s t u 在1 9 7 9 年提出的最大类间方差法( 有时也称之为大津方法) 一直被认为是阈 值自动选取方法的最优方法。该方法计算简单，并且同样具有较强的自适应性，在一定 条件下不受图像对比度与亮度变化的影响，因而在一些图像处理系统中得到了很广发的 应用【2 引。 大津方法基于一种判别式测度准则，最佳阈值在该测度函数取最大时得到。记 f ( i ，j ) 为m n 图像( f ，) 点处的灰度值，灰度级为m ，假设f ( i ，j ) 取值【o ，m 1 。记 p ( 后) 为灰度值为k 的频率，则有式2 1 ， 烈”2 赤厂盖七l ( 2 1 ) 假设用灰度值t 为阈值分割出的目标与背景分别为： f ( i ，) f ) ， 于是 目标部分比例： c o o ( t ) = p ( f ) ( 2 2 ) 目标部分点数： n o ( t ) = m n p ( f ) ( 2 3 ) 背景部分比例： 劬( f ) = 朋p ( f ) ( 2 4 ) 背景部分点数： n l ( t ) = m n p ( f ) ( 2 5 ) 目标均值： g o ( t ) = i p ( i ) c o o ( t ) ( 2 6 ) 背景均值： m ( f ) = i p ( i ) r o l ( t ) ( 2 7 ) 总均值： = 鳓( f ) 肌( f ) + ( - o l ( t ) 畸( t ) ( 2 8 ) 大津方法指出求图像最佳阈值g 的公式为： g = a r g 晒m 鲕a x ll r o o ( t ) ( p o ( t ) 一) 2 + qo ) ( “( f ) 一) 2 - j ( 2 9 ) 该式右边括号内实际上就是类间方差值，阈值g 分割出的目标和背景两部分构成了 整幅图像，而目标取值a o ( t ) ，概率为c o o ( t ) ，背景取值“( f ) ，概率为劬( f ) ，总均值为 z ，根据方差的定义即得该式。 因方差是灰度分布均匀性的一种度量，方差值越大，说明构成图像的两部分差别越 大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类 间方差最大的分割意味着错分概率最小，这便是大津方法的真正含义。 大津方法是一种自动的非参数非监督的阈值选择法，计算简单，选取阈值准确合理； 一8 一 东北大学硕士学位论文第2 章图像分割技术与肺结节检测算法综述 但是大津方法存在着计算量大的问题。大津方法不管图像是否存在明显的直方图特征都 可以选取出满意的阈值，大津方法不仅适合于单阈值分割，并且在多阈值分割中也有很 多应用【2 9 1 。但是大津方法也存在一个致命的缺陷，通过实验研究证明当图像中目标和背 景大小之比 很小时选取的阈值往往不是很合理，存在着较大的误差。 2 2 基于边缘的分割方法 由于图像局部特征的不连续性，图像中不同的个体之间有明显的灰度值突变、纹理 结构的突变、颜色的突变等，这种突变存在于目标与背景、目标与目标、区域与区域、 基元与基元之间。边缘信息是图像中非常重要的信息。基于边缘的图像分割方法就是通 过检测提取边缘来进行图像分割的方法。在理想的情况下，希望通过边缘检测的方法获 得连续的封闭的清晰的区域边界，而边缘是图像中灰度出现阶跃的地方，在数学一般通 过一阶或二阶方向导数的变化规律来进行边缘检测。目前主要有以下几种经典的边缘检 测算子基于一阶导数的边缘算子、基于二阶导数的边缘算子。 2 2 1 基于一阶导数的边缘算子 基于一阶导数的边缘算子，其中包括r o b e r t s 算子、s o b e l 算子、p r e w i t t 算子等，这 类算子主要利用像素的梯度值或判断某一方向灰度变化幅度大小的方法提取边界。在算 法实现过程中，使用一个n x n 的模板对图像中每个像素点进行卷积计算，然后选取合 适的阈值提取边界【3 0 1 。以下将具体介绍这几种算子的具体形式。 r o b e r t s 算子是一种交叉算子，它作用于像素点以及与像素点相邻接的三个像素点 形式为： g ( i ，) = i f ( i ，) 一f ( i + 1 ，歹+ 1 ) i + l f ( i + l ，) 一f ( f ，_ ，+ 1 ) i ( 2 1 0 ) r o b e r t s 卷积算子为g q = ：二q = ? 吲 图2 1r o b e r t s 算子的卷积形式 f i g 2 1c o n v o l u t i o nf o r mo fr o b e r t so p e r a t o r 其中g ( i ，_ ，) 表示某一点的像素的梯度，f ( i ，j ) 表示某一点的像素值，所以r o b e r t s 算子实质上就是工和y 方向上梯度值绝对值的和，因为r o b e r t s 算子是一个2 x 2 模板的 算子，只能近似的表征点o ，_ ，) 处的连续梯度，所以在检测边缘的时候存在着一定的误差。 s o b e l 是一个8 领域算子，对数字图像f ( i ，) 的每个像素，考察它8 邻点灰度的加 权差，与之接近的邻点的权大。s o b e l 卷积算子为： 一9 一 东北大学硕士学位论文第2 章图像分割技术与肺结节检测算法综述 最= 雕却s = 睢朝 e = 三i 三 ；e = 三三 2 2 2 基于二阶导数的边缘算子 2 3 基于区域的分割方法 东北大学硕士学位论文第2 章图像分割技术与肺结节检测算法综述 点出发，不断的扩展区域，这类方法叫做区域生长法；另一类是从整幅图像出发，针对 每一个像素确定其所属的区域，这种方法叫做区域分裂的方法。如果综合上面的两种方 法，把分裂出来的区域按照一定的准则进行聚类，这种方法叫做分裂合并法。 2 3 1 区域生长法 区域生长的基本思想是将具有相似性之的像素集合起来的构成去体育，具体先对每 个需要分割的区域找1 个种子像素作为生长的起点，然后将种子像素周围领域中与种子 像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，知道再没有 满足条件的像素可被包括进来，这样分割出来的点会形成一个连接的区域，这样的方法 就是区域生长法【3 。 图2 4 ( a ) 给出需分割的图像，设已知有2 个种子像素，图中绿色区域为比较的种子 区域，现要进行区域生长。这里本文所采用一个简单的判断准则：如果所考虑的像素与 种子像素灰度值差的绝对值小于某个阈值t ，则讲该像素添加进种子像素所在区域。图 2 4 ( b ) 为给出t = 3 时的区域生长结果，整幅图被较好地分成2 个区域；图2 4 ( c ) 为给出 t = i 时的区域生长结果，有些像素无法生长到区域之中；图2 4 ( d ) 为给出t = 8 的区域生 长结果，整幅图都被分在1 个区域中了。由此例可见阈值的选择是很重要的。 10 4 7 5 10 4 7 7 o1s55 2 0 5 6s 2 258 4 11555 11555 115 55 115 5 5 1i l55 5 1 1 2 2 5 5 5 5 5 7 7 5 5 5 5 7 5 5 5 l 一 薹 ( a )( b )( c )( d ) 图2 4 区域生长示例 f i g 2 4a ne x a m p l eo fr e g i o l l g r o w i n g 在实际应用区域生长法时需要解决3 个问题： ( 1 ) 选择或确定