（影像医学与核医学专业论文）基于Hessian矩阵的肺结节计算机辅助检测算法研究

1、基于H e s s i a n 矩阵的肺结节计算机辅助检测算法研究研究生：张娟专业：影像医学与核医学导师：王昌元教授鲁雯教授中文摘要目的研究基于H e s s i a n 矩阵的多尺度增强算法对圆形或类圆形疑似结节区域的增强作用，用于实现对肺结节的计算机辅助检测，帮助诊断医生对肺结节进行初检，减轻医生的负担，提高肺结节的检测率。材料和方法本研究选取了4 4 幅肺部C T 图像，共有9 0 个大小不等的结节作为本实验的样本数据，图像大小512 x 5l2 像素，位分配16 位，位存储12 位，4 0 9 6灰度级，5n l m 或7 咖层厚，像素大小O 7 4m mx 0 7 4 咖，管电压l4

2、 0 k V p ，管电流3 0 0 m A ，图像存储为D I C O M 标准格式。本研究在W i n d o w sX P ，V C + + 6 0 的编程环境中，实现了对D I C O M 格式C T 图像的直接读取，然后对图像进行预处理，通过阈值分割和区域增长的方法提取完整的肺实质，达到了消除冗余信息和对影像信息降噪的目的，利用高斯函数模拟肺结节，构造H e s s i a n 矩阵，利用不同的尺度参数来实现对不同大小的结节增强，提取疑似结节的感兴趣区域，然后对有C A D 和无C A D时临床医生的诊断利用R O C 曲线进行评价，计算出R O C 曲线下的面积。结果本研究实现了基

3、于H e s s i a n 矩阵的多尺度增强算法对圆形类圆形肺结节疑似区域的增强，通过对有C A D 和无C A D 时临床医生诊断进行R O C 分析，结果表明有C A D 时诊断医师的结节检出能力( A ，= O 9 5 ) 高于没有C A D 时( A z = O 8 8 ) 。结论基于H e s s i a n 矩阵的多尺度增强算法能有效的提高圆形或类圆形肺结节的检出率，但假阳性较高。该算法实用有效，本研究开发的基于该算法的软件系统界面友好使用方便。关键词：计算机辅助诊断，计算机辅助检测，H e s s i a n 矩阵，肺结节lC O M P U T E R A I D E DD

4、E T E C T I o NA L G o R I T H Mo FL U N GN o D U L E SB A S E Do NH E S S I A NM A T R I XG r a d u a t eS t u d e n t ：Z h a n gJ u a nS p e c i a l t y ：S u p e r v i s o r ：I m a g i n gm e d i c i n ea n dn u c l e a rm e d i c i n eP r o f e s s o rW a n gC h a n g y u a nP r o f e s s o rL UW

5、 e nA B S T R A C TO b j e c t i v eT os t u d yt h ee n h a n c e m e n te f f e c to fm u l t i - s c a l ee n h a n c e m e n ta l g o r i t h mb a s e do nH e s s i o nm a t r i xf o rc i r c l eo rl i k e - c i r c l es u s p e c t e dr e g i o no fl u n gn o d u l e s ，r e a l i z et h ec o m

6、p u t e r a i d e dd e t e c t i o no fl u n gn o d u l e s ，a l l e v i a t et h ed o c t o r Sb u r d e na n di m p r o v et h ed e t e c t i o nr a t eo fl u n gn o d u l e s M a t e r i a l sa n dM e t h o d sI no u rs t u d y ，4 4i m a g e sw e r es e l e c t e da n dt h e r ew e r e9 0n o d u

7、l e s A l li m a g e sw e r ep r o d u c e db yS i e m e n sS o m a t o m1 6C Tw o r k s t a t i o nw i t h51 2 x 51 2p i x e lm a t r i xs i z e ，16 - b i ta l l o c a t i o n ，12 - b i td e p t ha n d4 0 9 6g r a y l e v e l T h ep i x e ls i z ei s0 7 4 衄x 0 7 4 咖w i t h5 咖o r7 衄s l i c et h i c

8、k n e s s A l li m a g e sw e r es t o r e do fD I C O M B yu s i n gW i n d o w sX Pa n d V C + + 6 0t od e v e l o pt h es o f t w a r e ，w er e a l i z e dt od i r e c t l yr e a dt h e2 - D i m e n s i o n a lC Ti m a g e so fD I C O M G r a y - l e v e la n dr e g i o n - g r o wa l g o r i t h

9、 mw e r ea p p l i e dt os e g m e n tt h el u n gf i e l d s ，a c h i e v d i e dt od e l e t er e d u n d a n ti n f o r m a t i o na n dr e d u c en o i s eb yp r e p r o c e s s i n gC Ti m a g e s T h e nw eu s et h eg a u s s i a nf u n c t i o nt os i m u l a t et h el u n gn o d u l e s ，c o

10、 n s t r u c tH e s s i a nm a t r i x ，r e a l i z et h ee n h a n c e m e n to ft h ed i f f e r e n tn o d u l e sb yu s i n gd i f f e r e n ts c a l e s ，s e g m e n tt h eR O Io fs p i c i o u sn o d u l e sr e g i o n s ，a n dt h e ne x t r a c tt h ef e a t u r eo ft h es p i c i o u sn o d

11、u l e s A ne x p e r i e n c e dr a d i o l o g i s tw i t h10y e a r se x p e r i e n c ew a sa s k e dt od e t e c ta l lt h en o d u l e sw i t h o u tC A D A n do n em o n t hl a t e rt h es a m er a d i o l o g i s tw a sa s k e dt or e v i e wa l lt h ei m a g e st od e t e c tn o d u l e sw i

12、 t hC A D ，t h e nt h eR O Cc u r v ew a su s e dt oe v a l u a t et h ec a p a b i l i t y ，t h ew ec o u l dg e tt h ea r e ao fR O C R e s u l t sT h es e l e c t i v em u l t i - s c a l ee n h a n c e m e n ta l g o r i t h mc a ne n h a n c e m e n tt h ec i r c l eo rl i k e - c i r c l er e

13、g i o n sa n dr e s t r a i nt h el i n e l i k er e g i o n sw e l l R O Ca n a l y s i s2w a su s e dt oa s s e s st h ep e r f o r m a n c eo fo u rC A Ds y t e m ，t h ea r e ao fR O C ( A ：) i sO 9 5w i t hC A D ，b u tw i t h o u tC A D ，t h ea r e ai s0 8 8 C o n c l u s i o nT h em u l t i - s

14、 c a l ee n h a n c e m e n ta l g o r i t h mb a s e do nH e s s i a nm a t r i xc a ni m p r o v et h ed e t e c t i o nr a t eo fc i r l eo rl i k e c i r c l er e g i o no fl u n gn o d u l e se f f e c t i v e l y ，b u tt h eF P F ( f a l s ep o s i t i v ef r a c t i o n ) i sh i g h e r T h i

15、 sm e t h o di su s e f u lb e c a u s ei tc a ni m p r o v ee a r l yd e t e c t i o no fn o d u l e si nl u n gc a n c e r K e yw o r d sc o m p u t e r - - a i d e dd i a g n o s i s ；c o m p u t e r - - a i d e dd e t e c t i o n ；H e s s i a nm a t r i x ；l u n gn o d u le s3英文缩写英文全称符号说明C A Dc

16、o m p u t e r - a i d e dd i a g n o s i sc o m p u t e r a i d e dd e t e c t i o nC Tc o m p u t e dt o m o g r a p h yD I C O MA C RN E M AP A C SR O IR O CA N NB Pd i g i t a li m a g ea n dc o m m u n i c a t i o n si nm e d i c i n et h eA m e r i c a nc o l l e g eo fr a d i o l o g y中文全称计算机辅

17、助诊断计算机辅助检测计算机体层摄影医学数字成像与通讯美国放射学院N a t i o n a lE l e c t r i c a lM a n u f a c t u r e r s 国家电气制造商协会A s s o c i a t i o np i c t u r ea r c h i v i n ga n dc o m m u n i c a t i o n 图像存档和通讯系统s y s t e mr e g io no fi n t e r e s t i n gR e c e i v e ro p e r a t i n ga n a l y s i sa r t i 行c i a l

18、n e u r a ln e t w o r kb a c kp r o p a g a t i o n兴趣区c h a r a c t e r i s t i c 受试者操作特性解析4人工神经网络反向传播原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律责任由本人承担。论文作者签名：丑垄芬一日期：关于学位论文使用授权的声明本人完全了解泰山医学院有关保留、使用学位论文的规定，同意学

19、校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权泰山医学院可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存论文和汇编本学位论文。( 保密论文在解密后应遵守此规定)论文作者签名：雪医耻导师签名：前言1 课题研究的背景、目的和意义肺癌是最常见的恶性肿瘤，是对人类生命健康威胁最大的疾病之一【1 1 。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，它已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

20、并治疗，其五年生存率将从14 上升到4 9 t 引，因此肺癌的早期诊断和早期治疗是提高肺癌患者生存率和降低死亡率的必要手段。对无症状肺癌高危人群进行筛选检查，是发现早期肺癌的有效办法。可用于早期肺癌筛选的办法包括普通胸片、低剂量C T 扫描、癌细胞学、肺癌标记物以及肺癌相关基因的检出等。影像学检查是肺癌早期检出的重要环节，可直接显示病变，有助于临床治疗，因而备受关注。在C T 技术日益普及的今天，C T 扫描已成为肺癌检测的最重要的手段1 3 】。肺结节是肺癌在C T图像中最为常见的表现形式1 4 】，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。

21、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C T 值与肺部某些组织( 如血管)较为相似，因此仅凭肉眼判断有很大的难度。同时，C T 扫描产生的图像数量非常大，大量的C T 图像直接导致医生工作量的增加，从而增加了漏诊和误诊的几率，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2 0 的机率可能疏漏有诊断意义的肺部结节。计算机辅助检测( C o m p u t e ra i d e dd e t e

22、c t i o n ，C A D ) 可大大的提高肺癌病灶的早期检测准确率，现在医学图像处理界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。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检测，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，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【5 1 。C A D 能消除由于主观经验、

23、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，从而提高疾病治疗的成功率。因此肺癌的C A D 研究具有十分重要的意义。2 国内外研究现状、发展动态肺结节形状各异、大小各不相同，并且密度与肺部某些组织( 血管) 类似，在C T 图像常表现为圆形或类圆形的致密影，仅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

24、，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 l 6 J 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 1 】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 r a 【7 】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 f8 J 等人提出了一种可变N 环滤波器的方法检测肺结节，其本质是一种数学

25、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 图像的数量；K a w a t a 2 J 等人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 9 】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 l lo J 等人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，

26、有的算法只对单层图像进行处6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。本研究利用计算机图像处理技术，首先对肺部C T 图像进行预处理，分割出肺实质，然后利用多尺度增强算法对肺C T 图像上圆形及类圆形区域进行增强，得到肺结节的感兴趣区。3 本研究的主要内容本研究课题在对国内外相关研究进行了较为系统的总结回顾的基础上，对基于H e s s i a n 矩阵的C T 图像肺结节的C A D 方法进行了初步的探讨，主要从以下几个方面完成了对肺C T 图像中肺结节检测的工作。( 1 ) D I C O M 格式图像的处理方法：本研究

27、处理的图像是直接从C T 机的D I C O MI 作站取得，无需图像格式的转换，可直接接入P A C S 系统实现网络共享，存取图像快捷方便。( 2 ) 图像的预处理：对肺C T 图像进行预处理，通过高斯平滑滤波对图像进行平滑，降低图像的噪声，然后运用阈值分割和区域增长相结合的方法分割出完整的肺实质，减少数据的运算量。( 3 ) 多尺度增强算法的实现：用H e s s i a n 矩阵构造多尺度增强算法，用不同参数的增强滤波对C T 图像中圆形类圆形疑似结节区域进行增强，根据增强结果得到肺结节的感兴趣区域。( 4 ) 算法结果检验：将我们的试验图像先经过有经验的诊断医生进行诊断，然后用我们的

28、软件对疑似区域标注后再给相同的诊断医生诊断，我们对医生前后的诊断结果进行对比，做出R O C 曲线的分析。7材料与方法1 材料肺部结节检测根据使用的C T 图像不同可分为高分辨率C T 图像( H i g hR e s o l u t i o nC T ：H R C T ) 和常用C T 图像( C o n v e n t i o n a lC T ) 。高分辨率C T图像一般层厚约1 1 2 5 m 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O 3 0 5 m m ，扫描整个肺部均可得上百层图像或更多，因此可以检测小结节( 2 r a m ) 。

29、而常规的C T 图像一般层厚为5 10 m m ，重建间距1 0 m 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 的结节。本研究的测试数据是常规肺部C T 图像，选取4 4 幅图像，共有大小不等的9 0 个结节，图像大小512 x 51 2 像素，位分配16 位，位存储12 位，4 0 9 6灰度级，5m m 或7 栅层厚，像素大小O 7 4 衄x 0 7 4 衄，管电压14 0 k V p ，管电流3 0 0 m A ，图像存储为D I C O M 标准格式。采用方正台式计算机，C P U 为I n t e

30、l ( R ) P e n t i u m ( R ) D u a lE 2 l4 01 6 0 G H Z ，512 M 内存，W i n d o w sX P 操作系统，V C + + 6 0 企业版。2 方法本研究的核心内容是根据基于H e s s i a n 矩阵的多尺度增强算法来实现对肺部C T 图像肺结节的增强，实现过程如下：首先读取D I C O M 格式的C T 图像信息1 1 】，然后进行肺图像的分割，提取完整的肺实质，消除冗余信息和噪声；对分割的每层数据先进行多尺度增强滤波，对圆形类圆形的区域进行增强，增强结果作为待检测兴趣区( r e g i o no fi n t e

31、r e s t ，R O I ) ，然后对有C A D和无C A D 时临床医生诊断进行R O C 分析，。肺结节的辅助诊断过程如图1所示：8图1 肺结节识别和诊断过程2 1D I C O M 文件格式D I C O M ( D i g i t a lI m a g i n gC o m m u n i c a t i o ni nM e d i c i n e ) 是由美国放射学院( A m e r i c a nC o l l e g eo fR a d i o l o g y ，A C R ) 和国家电气制造商协会( N a t i o n a lE l e c t r i c a lM

32、 a n u f a c t u r e r sA s s o c i a t i o nN E M A ) 共同制定的标准，包括了医学的数字成像和通信两个方面的内容，是目前建设P A C S ( P i c t u r eA r c h i v i n ga n dC o m m u n i c a t i o nS y s t e m s ，医学影像存档与通讯系统) 广泛遵循的一个国际标准。D I C O M 图像文件是医学影像传输和存储的专用格式，一般由符合D I C O M 标准的医疗影像设备所产生。D I C O M 文件不同于其它的图像文件，里面不仅包含图像数据，还包含许多和图像有

33、关的文本信息，如病人姓名、检查日期、检查部位等。这些文本信息是医学图像数据库中重要的数据组成部分，但由于数据被封装在文件中，一般无法在计算机上直接进行读取。D I C O M 格式图像文件是指按照D I C O M 标准而存储的文件。D I C O M 文件一般由D I C O M 文件头( H e a d e r ) 和D I C O M 数据集( D a t aS e t ) 组成，如图2 所示：D I C O M 文件D I C O M 数据图2D I C O M 文件结构D I C O M 文件头的最开始是可选的文件前言，它包括前同步码和前缀。前同步码长12 8 字节，都设成0 0 H

34、 ，文件前缀为四个字节的字符串“D I C M ”。文件前言之后是文件总信息头，包含对标识数据集的说明信息，如文件的传9输语法、S O P 类等。D I C O M 数据集由D I C O M 数据元素( D a t aE l e m e n t ) 按一定顺序排列组成。数据元素主要由标签( T a g ) 、数据类型( V a l u eR e p r e s e n t a t i o n ，V R ) 、数据长度( V a l u eL e n g t h ，V L ) 、数据域( V a l u eF i e l d ，V F ) 四个部分组成，如图3 所示：数据集传输方向I 数据元夕

35、数据元素数据元素”弋标签数据类型数据长度数据域( T a g )( V R )( V L )( v F )图3DI C OM 数据集与数据元素结构图标签( T a g ) 标签是一对1 6 位( b i t ) 的无符号整数，代表了组号和元素号。在数据字典中所有的元素都是用( 组号，元素号) 这种方式来表示的。数据类型( V R ) 数据类型指明了该数据元素中的数据是什么类型。在D I C O M 中用两个字节的字符串来表示。如一个数据元素的V R 是“D A ”，表示该数据元素中存储的是日期型数据。在数据元素中，V R 是可选的，由传输语法( T r a n s f e rs y n t a

36、 x ) 决定。数据长度( V L ) 数据长度指明了该数据元素的数据域中数据的长度( 字节数) 。一般要求字节数目为偶数，不是偶数的补充一个字节。这个长度只是值的长度，不包括数据元素标签、V R 、数据长度字段。数据域( V F ) 数据域中包含了该数据元素的数值。该字段的数据类型由数据元素的V R 标志。在D I C O M 数据集中，最后一个数据元素为像素数据( 7 F E 0 ，0 0 1 0 ) ，该元素中存储了图像的像素信息，而像素数据( 7 F E 0 ，0 0 10 ) 之前其它数据元素记录的则是与图像有关的文本信息，如患者姓名、检查日期、检查设备世号手o2 2 肺部C T 图

37、像的预处理目前，C T 扫描已成为肺部癌症检测的最重要的手段，是筛选检测肺癌的有效方法【1 2 , 1 3 , 1 4 】。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1 0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 T 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，噪声的存在与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

38、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 2 1 肺部C T 图像的平滑预处理是图像处理的必需步骤，对计算机的后续处理有很大的帮助。本研究对肺部断层图像进行预处理的目的，主要是降低图像的噪声，为后续的检测提供高质量的图像。预处理的主要目的是降低图像中的无关信息、恢复有用的真实信息、增强有关信息的可检测性和最大限度地简化数据，从而改进图像分割、特征提取和识别的可靠性。降低噪声的方法很多，本研究分别介绍了多种滤波算法，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 T 图像特点的形态学滤波等方法，

39、通过比较，本研究选取了高斯滤波对图像进行平滑，得到了很好的降低噪声的效果。( 1 ) 均值滤波：均值滤波【15 】是线性平滑滤波器，是取图像邻域中邻近像素的平均灰度值，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。( 2 ) 中值滤波：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【5 1 。中值滤波的优点是运算简单而且速度较快，并且在滤波噪声的同时能很好地保护信号的细节信息( 如边缘) 。中值滤波对极限噪声点不如均值滤波敏感，因而产生的模糊较少，更适合消除孤立噪声点。在肺部C T

40、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。( 3 ) 梯度倒数加权平滑滤波：梯度倒数加权平滑滤波的理论依据是，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【l 引。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。( 4 ) 维纳滤波：维纳滤波

41、器是一种典型的线性平滑滤波器，它是一种自适应的滤波器，能根据图像的区域方差来调整滤波器的输出。维纳滤波的目的是尽可能地降低噪声，同时恢复图像的原始信息，一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 T 图像的噪声并不是那么明确的。本研究采用了高斯滤波对图像进行平滑，降低图像噪声，达到降噪的目的，并且最大限度地保持了图像信号的高频细节。下面着重介绍高斯平滑滤波器的工作原理。高斯滤波器是以高斯函数为权函数的线性平滑滤波器，高斯平滑滤波器对去除服从正念分布的噪声是很有效果的。高斯

42、函数的表达式为：1一2g ( x ) 2 丽1e x p 学)“)其中，仃为分布参数，决定了高斯滤波器的宽度。随着分布参数的减小，高斯卷积的平滑程度降低，反之，分布参数增大，平滑程度提高。对图像来说，常用二维【1 7 】和三维高斯函数作平滑滤波器，因为他们具有旋转对称性，即在各个方向上的平滑程度是相同的。我们对二维的C T 图像进行处理，选择二维高斯平滑滤波器。二维高斯平滑滤波器定义为：鼬棚= 去7 O e x p ( 乏)( 2 )么一么盯一可以将该二维高斯函数离散化得到高斯模板，再用高斯模板与二维图像进行卷积运算，从而达到平滑图像，降噪的目的。高斯滤波效果的好坏与尺度参数盯的取值有着密切的

43、关系，仃越大，平滑程度越大，那么就能够更准确地反映出图像中当前像素与周围各像素之间所存在的相互关系；反之，仃越小，则平滑程度越小，这种相互关系就不能很好地被表达出来【”】。理想的滤波效果是滤波器平滑的仅仅是噪声信号，因此噪声信号像素点对应的尺度参数应尽可能的取大，但是，如果取值过大，则会将有用信号也一并滤除掉，这种结果是不希望得到的。因此，本研究经过反复试验发现，仃= 2 时滤波效果最好，不但滤除了噪声，达到了降噪的目的，而且保留了有用信息，因此取仃= 2 ，用9 x9 的高斯模板与原图像作卷积，即用模板在二维数据上遍历，直到每个像素都计算完毕。关于边界点，由于无法进行卷积计算，则维持原值不变

44、。2 2 2 肺实质的分割肺是很复杂的器官，它包括支气管、肺动脉、肺纹理及毛细血管等，肺实质分割过程中的不精确会导致我们后续检测过程的失真。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【l9 1 。因此，在分割过程中尽可能完整的保持肺实质特征是十分重要的。一些方法被建议用于医学图像的处理中，诸如阈值法、边缘检测、区域生长及形态学运算等。本研究所采用的是基于阂值分割和区域生长相结合的方法来实现肺实质提取。( 1 ) 基于边缘检测的分割方法边缘检测利

45、用不同区域间像素灰度不连续的特点检测出区域间的边缘，从而实现图像分割。通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检测方法得以实现的主要假设之一。边缘检测方法一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。目前，已有较多的边缘检测方法，如C a n n y 算子、彩色梯度算子、二维二进小波算法、松弛标签技术算法、主动轮廓方法、多尺度方法、多分辨率方法、边界曲线拟合法等等。还有一些文献则试图将几种方法结合起来，以取长补短，提取理想的图像边缘，并藉此对图像进行高品质的分割。虽然边缘检测的优点是边缘定位准确、运算速度快，但它有两大难点限制了其在图像分

46、割中的应用，即：不能保证边缘的连续性和封闭性；在高细节区存在大量的碎边缘，难以形成一个大区域，但又不宜将高细节区分为小碎片。由于上述两个难点，因此无论采用什么方法，单独的边缘检测只能产生边缘点，而不是完整意义上的图像分割过程。这也就是说，边缘点信息需要后续处理或与其它相关算法相结合，才能完成分割任务。常见的方法是用边缘生长技术最大程度的保证边缘的封闭性，或用有向势能函数( D P F ) 将有缺口的两边缘强制连接，得到封闭边缘图。( 2 ) 阈值分割阈值分割算法【2 0 】是区域分割算法中具有代表性的一类非常重要的分割算法。同时也是一种最常用、最简单的分割方法，以一定的图像模型为依托，通过取阈

47、值后得到的图像，各个区域可以分离开。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。它特别适用于对象和背景占据不同的灰度级范围这类图像。它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，反映在图像的直方图上，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。只要选取一个适当的灰度级阈值，然后将每个像素灰度和它们比较。超过阈值的赋l ，低于阈值的赋O ，得到一幅二值图像，并把目标从背景中分离出来。这个过程可用下式表示：，、I1 f ( x ，y ) 0g ( z ，y 户i o ，其它( 3 阈值

48、分割中的一个关键问题是如何选择合适的阈值。仅凭人眼主观上的感觉很难选择到合适的阈值。一种比较常用的方法是利用图像的灰度直方图。如果图像中的目标和背景占据的灰度范围差别比较大的话，则其直方图会呈现双峰模型( 如图4 所示) ，可以选择两个峰中间的谷底对应的灰度作为门限值，这样可以使像素错分的概率降到最小。图4 双峰直方图1 4在阈值分割方法中，最优阈值( 谷底) 的选取是关键的问题。目前有很多解决这个问题的方法，如对直方图曲线拟合求极值的方法、求取高斯模型参数的方法等。阈值分割的缺点：不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异，各物体的灰度值范围有较大重叠的图像分割

49、问题难以得到准确的结果；它仅仅考虑了图像的灰度信息而不考虑图像的空间信息；阈值分割对噪声和灰度不均匀很敏感。( 3 ) 基于区域生长的图像分割方法基于区域生长的分割方法是利用区域内特征的相似性把图像划分成一系列有意义区域的处理方法。区域生长法的基本思想【2 I 】是将具有相似特性的像素集合起来构成区域。首先为每个需要分割的区域确定一个种子像素作为生长起点，然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中。把这些新像素作为种子继续生长，直到没有满足条件的像素可被包括，这时生长停止，一个区域就形成了。区域生长法要解决的主要问题是区域生长准则的设计和算法的高效性。生长准

50、则往往和具体问题有关，直接影响最后形成的区域，如果选取不当，就会造成过分割和欠分割的现象。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。( 4 ) 阈值分割和区域生长相结合方法实现肺实质的提取在肺结节的C A D 应用中，为了减少运算的数据量，提高效率，许多C A D方法的第一步都是肺影像的分割 1 3 1 ，肺的有效分割是后续的结节检测处理的基础。图像分割的方法非常多，由于C T 图像中肺组织影像与其它组织影像的灰度级差别很

51、大，故计算机自动分割常用阂值法。在本研究中我们结合阈值分割和区域生长分割方法的优点实现了肺实质的提取，并采用扫描线法来消除肺外结构。二值化的图像中，除保留了肺组织影像，另外还有其它组织结构( 即图中白色区域外的部分，包括空气间隙、检查床等) 的影像，为了得1 5到单一的肺组织影像，本研究又用了一种类似区域填充的方法，以消除肺组织以外其它结构的影像。消除算法的过程是：在二值化的图像中先按从上到下的顺序逐行扫描并根据像素值做出判断，如果当前像素值为0 ( 黑) 且其下一像素值也为0 ，则将当前像素值置为2 5 5 ( 白) ，直到当前像素值为0 ，而其下一像素值为2 5 5 结束该行扫描，进入下一

52、行扫描；再从下向上进行同样的扫描判断过程。当然也可以先从左到右，再从右到左，或相反。由于左右扫描方式有时效果不好，本研究采用上下的扫描方式。用阈值和区域生长方法相结合，然后用扫描线法消除肺外结构，能够很好的提取肺实质图像。2 3 基于点增强原理的肺结节检测本研究的感兴趣区域为肺部的肺结节及肺结节的疑似区域，肺结节疑似区域为和肺结节C T 值相似的肺部血管、气管等高密度区域。在原始肺部C T图像中，肺结节和血管、气管等组织C T 值非常相近。同时由于C T 扫描方式的不同和肺部本身结构的复杂性，加上部分体积效应【2 2 】的影响，肺结节与肺部血管气管等软组织在C T 影像图像中的灰度值很接近，甚

53、至部分重叠，在纹理和形态上也比较相近，不可能一步到位把肺结节提取出来【4J 。因此我们的方法是首先提取感兴趣区域，然后对感兴趣区域进行分析，从而提取肺结节部分。针对肺结节的检测和分析，国内外学者已有很多研究。A r m a t o 【5J 采用多灰度阈值的三维分析方法提取感兴趣区域，然后在感兴趣区域的基础上提取肺结节；W i e m k e r a I7 J 等用最优阈值的三维分割方法，能够充分利用图像的三维信息，具有较好的检测效果，但这些方法的阈值采用硬编码，影响了算法的自适应性和鲁棒性；K a n a z a w a 6 】等人只对单层的二维C T 图像进行分析，当检测需要结合三维信息时无

54、法得到更好的分析。本研究首先对肺部影像进行肺实质的分割，利用L iQ i a n 9 1 2 3 1 等提出的选择性点增强滤波器法进行图像增强和R O I 选取，提取出圆形及类圆形疑似结节的区域，然后采用区域增长的方法分割结节，并在原图像中对疑似结节区域进行标注，完成肺结节的初检，为以后计算肺结节的特征值，并用神经网络分类器判别做基础。下面详细说明多尺度点增强算法的过程。2 3 1 二维结节的数学仿真模型对于医学图像而言，有效地分析局部的形状特征是必需的，而肺部结节1 6诊断的一个主要任务就是在序列C T 图像中检涮到近似圆形形状结节的位置、大小及偏心率同时抑制肺组织中血管及气管等线性形状的干

55、扰。在本研究中，我们用高斯函数来模拟圊形类圆形的疑似结节部分达到对点( 结节) 区域的增强而对线性( 血管) 区域的抑制。高斯滤波器由于具有优异的性能而被广泛研究，在此基础上人们进一步提出了尺度空间理论，实现了对图像从粗到精的处理，其主要思想是采用不同的高斯核，在不同的尺度空间得到不同的高斯滤波函数，本研究用高斯函数来建立圆和线的数学模型，公式表示如下：撕阳砷f - 专笋如= e x p f 苦这里d ( 墨Y ) 是一个由二维高斯函数构成的圆形表达式，( x ，y ) 是一个任意平行于x 轴线的一维高斯函数构成的线形表达式。我们使用这些形状表达式是因为他们是连续的二阶可微分函数，并且利用圆形

56、和线形的高斯函数能够很方便的设计点和线的增强滤波，参数。在高斯函数中表示圆和线的尺度。我们采用高斯圆形数学模型对结节进行建模，用高斯线形数学模型对血管和气管等线形组织进行建模，通过改变尺度参数o ，得到不同尺度的圆和线。其结果如下图5 所示，图5 ( a ) 是尺度。分别为2 ，4 ，8 ，1 6 ，3 2 的线模型，图5 ( b ) 足尺度。分别为2 ，4 ，8 ，1 6 ，3 2 的圆模型。_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _

57、 _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _图5 ( a ) 仿真线形模犁图5 ( b ) 仿真圆形模型上图我们可以看到用高斯模型对线形和圆形物体进行的仿真图形，因为一般肺结节多为圆形或类圆形，所以我们用二维高斯函数来模拟结节。2 3 2 选择性增强滤波构造的理论基础( 1 ) 偏微分方程基于偏微分方程的图像处理是图像处理领域中的一个重要分支，它研究的主要内容是考察偏微分方程在图像处理中的应用，近年来它成为图像研究的一个热点。本节详细介绍二元函数的- - 阶微分在图像中结节增强处理中的应用，并且根据二元函数

58、的二阶微分原理，引出二元函数的二阶微分公式。本研究中，我们利用图像的二阶微分来设计我们的增强滤波。对于二维图像，k ，) ，它的4 个二阶导数分别用厶，厶，厶和矗柬表示，并且二阶混合导数丘= 厶。因此，3 个Z - 阶微分的数学表达式如下所示：在x 方向上对二阶偏微分的定义：k = 害- ，( 川肿f ( x + l , y ) - 2 f ( x , y )( 6 )在Y 方向上对二阶偏微分的定义：o = 睾= ，( # y 一1 ) + ， y + I ) 一2 ，( L 力( 7 )在X 、Y 方向上对二阶混合偏微分定义为：厶= 厶= 塞= f ( x + l , y + 1 ) + ，

59、k 力一，( H L 力一，o ，y “)( 8 )( 2 1H e s s i a n 矩阵特征值分析H e s s i a n 矩阵方法2 4 1 是一种用高阶微分提取图像特征的方法，类似于梯度方法。梯度方法认为具有最大模的一阶方向导数的方向是垂直于图像特征的方法。H e s s i a n 方法认为具有最大模的二阶方向导数的方向是垂直于图像特征的方向【25 1 ，与它垂直的方向被认为是平行于图像特征的方向，我们在后面提到的增强滤波器中用到了H e s s i a n 矩阵，下面介绍它的基本原理以及二维图像中H e s s i a n 矩阵的应用原理。对于一个二维可导的原始图像，我们用它的

60、二维偏导数来构造每一个像素( x ，Y ) 的H e s s i a n 矩阵，表达式为：日= 睫乞I其中厶= 厶，因为日是实对称矩阵，阵Z 将H e s s i a n 矩阵H 变换成对角矩阵R ：( 9 )所以一定可以找到一个2 2 实矩R = I 矧彰舷一z r 眨乞l z，其中Z r 是Z 的转置矩阵。矩阵Z 的两个列向量是矩阵日的两个特征向量，矩阵R 的两个对角元素五和五是矩阵日的两个特征值。因为矩阵R 中两个反对角元素被消去了，所以可以认为特征值的计算等同于H e s s i a n 矩阵的对角化，因此我们用两个特征值 和五来构造我们的增强滤波。在二维图像空间中，H e s s i