[发明专利]一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法

说明书

本发明公开了一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法，属于肺部图像处理领域；其包括步骤1：对输入的肺部CT图像进行水平方向和竖直方向上的广义S变换，得到水平方向时频谱和竖直方向时频谱；步骤2：对所述水平方向时频谱和竖直方向时频谱进行Teager主能量的提取，得到水平方向Teager主能量图和竖直方向Teager主能量图；步骤3：将所述水平方向Teager主能量图和竖直方向Teager主能量图进行阈值分割，得到疑似结节；本发明通过广义S变换和计算Teager主能量属性，从时频分析的角度来分析结节和非结节区域的差异，通过寻找非零像素克服肺部CT图像的肺部边界对广义S变换的影响，利用时频谱中的Teager主能量属性的区别从而筛选出疑似结节区域，提高了筛选准确度。

技术领域

本发明属于肺部图像处理领域，特别涉及一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法。

背景技术

广义S变换是一种时频分析方法，对非平稳信号而言，时频分析方法可以分析出信号的频率成分和定位频率成分的位置；广义S变换不仅具有S变换的优点，比短时傅里叶变换有更好的时频分辨率，没有Wigner-Ville交叉项的干扰，而且相较于S变换有更广的可调节的频率分辨率。所以，广义S变换有更好的灵活性和更高的时频分辨率。

Teager主能量属性是基于Teager-Kaiser(TK)能量的改进，可以对信号的局部能量变换进行追踪和提取，相较于TK能量只能进行单频计算的缺点，Teager主能量可以多频段的计算；Terger主能量比其他的能量算子有更好的能量聚焦性。

在肺部CT图像处理中，结节筛选的方法分为四类：一、基于阈值的方法，利用结节和非结节区域的灰度值的差异进行筛选；二、基于滤波的方法，利用结节和非结节区域的形态差异进行筛选；三、基于匹配的方法，利用结节的形态信息进行筛选；四、基于聚类的方法，利用灰度值信息进行筛选；虽然四类方法的原理不同，但都是基于结节在空间的灰度信息和形态信息差异来进行筛选，无法完整地体现结节信息，导致假阳性结节个数多，筛选精度不高。因此需要一种筛选方法，从结节的频率信息进行筛选，提供一种高精度的结节筛选方法。

发明内容

本发明的目的在于：针对现有的肺部CT图像中结节筛选的方法中只利用了结节在空间灰度信息和形态信息，并没有利用结节的频率信息的问题，提供一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法，利用广义S变换获得的时频谱，从时频谱中提取Teager主能量信息，为肺部CT图像结节筛选方法提供了新的筛选方法，即时频分析方法，从而通过Teager能量进行结节筛选。

本发明采用的技术方案如下：

一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法，包括以下步骤：

步骤1：对输入的肺部CT图像进行水平方向和竖直方向上的广义S变换，得到水平方向时频谱和竖直方向时频谱；

步骤2：对所述水平方向时频谱和竖直方向时频谱进行Teager主能量的提取，得到水平方向Teager主能量图和竖直方向Teager主能量图；

步骤3：将所述水平方向Teager主能量图和竖直方向Teager主能量图进行阈值分割，得到疑似结节；

所述步骤1中对输入的肺部CT图像进行预处理，所述预处理包括确定肺部CT图像行变量和列变量的取值范围和去除肺部以外的像素，具体如下包括如下：

步骤a：确定输入的肺部CT图像中行变量和列变量的取值范围即非零像素，并计算非零像素所在的最小行mir、最大行mar、最小列mic和最大列mac，计算公式如下：

{(x，y)|I(x，y)＞0}

mir＝min(x)，mar＝max(x)，mic×min(y)，mac＝max(y)