[发明专利]一种肺结节图像的多尺度增强方法

说明书

本发明公开了一种用多尺度增强滤波器和3D特征的肺结节检测方法。首先，构建结节和血管的理想模型，并构建增强滤波器分别对肺部3D图像中的结节图像和血管图像进行增强；接着提取疑似肺结节图像，并提取其SNOAH特征；最后采用不同核函数的SVM分类器对特性进行分类。实验结果表明，本发明中提出的肺结节特征描述子‑表面法线方向角度直方图是有效的，可以很好地区分结节图像和血管等其它的图像，能够有效地降低检测结果的假阳性。

技术领域

本发明涉及肺部结节图像的检测，具体涉及一种肺结节图像的多尺度增强方法。

背景技术

在肺结节的计算机CAD系统中，由于CT图像中血管的密度、CT值等都与结节相似，往往会存在较高的假阳性，影响肺结节的检测准确率。在本发明中，提出了一种基于多尺度增强滤波器和3D形状特征的肺结节自动检测方法。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种用多尺度增强滤波器和3D特征的肺结节检测方法。

本发明的技术方案如下：

一种肺结节图像的多尺度增强方法，包括以下步骤：

A，构建结节和血管理想模型；

构建三维结节、血管和曲面的理想模型的表达式如下：

海森矩阵是一个由多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率；在理想球体模型中，其每一个体素V(x,y,z)对应的Hessian矩阵H的表达式为：

通过计算发现，H是三阶对称矩阵，且其六个混合偏导f_xy，f_xz，f_yx，f_yz，f_zx，f_zy的值都为0，f_xx，f_yy，f_zz计算公式如下：

另外，对每个Hessian矩阵都按照以下公式进行矩阵分解，其中λ₁，λ₂，λ₃是矩阵的特征值，且|λ₁|≥|λ₂|≥|λ₃|，对应的特征向量分别为e₁，e₂和e₃；

由于上述公式中的Hessian矩阵为对角矩阵，所以对角线上的元素就是这个矩阵的特征值，计算公式如下：

Hessian矩阵的特征值对应的特征向量两两正交，而且特征向量的方向对应着三维椭球各轴的主方向，特征值的大小对应着各轴的长度，特征值和特征向量共同反映了物体的形状和大小；在球体内部，任何一点对应的海森矩阵的特征值都与该点的坐标值相关，且当该点离球心距离越近，其特征值大小的绝对值越大，当点为球心时，其3个特征值的绝对值都达到最大且相等，如下公式所示：

同样的，某点离圆柱中心线距离越近，其特征值大小的绝对值越大，当点在中心线上时，其2个特征值的绝对值都达到最大且相等，第3个特征值为0；