[发明专利]一种肺部CT图像粘连血管型结节检测方法

摘要

本发明提供了一种肺部CT图像粘连血管型结节检测方法。本发明首先从肺部CT图像的肺实质中去除灰度值较低的背景区域，获得高灰度级的目标区域；之后计算符号距离；接着通过形状增强滤波获得候选结节，再利用形状约束的CV模型分割含有候选结节的目标区域，得到分割区域，最后对分割区域周边的形状特征进行分析，即可识别出真正的结节和假阳性结节，从而识别出粘连血管型结节。本发明提供了一种计算机辅助影像诊断的方法，可以帮助医生消除由于主观经验、观察能力等主观因素的不同所导致的诊断差异，并提供出准确率较高的参考识别诊断结果，从而使影像识别更加客观化，提高了识别的效率和正确率。

主权项

1.一种肺部CT图像粘连血管型结节检测方法，其特征是，包括如下步骤：a、获取目标区域：采用区域增长方法，从肺部CT图像的肺实质中去除灰度值小于灰度级阈值的背景区域，得到目标区域；灰度级阈值为20；b、计算符号距离：将目标区域的符号记作1，将背景区域的符号记作0；计算肺实质中每一像素点到该像素点所在区域边界的最短距离，再乘以该像素点所在区域的符号，得到该像素点的符号距离；目标区域内每一像素点的符号距离为非0值，即目标区域为非0值区域；目标区域中每一像素点的符号距离的不同，在图像中则表现为明暗的不同，中间点的符号距离比边缘点的符号距离大，在图像中则表现为中间点比边缘点明亮；背景区域内每一像素点的符号距离为0值，即背景区域为0值区域；c、通过形状增强滤波获得候选结节：使用基于Hessian矩阵特征值的圆形增强滤波器，对非0值目标区域进行圆形增强处理，获得候选结节，同时也获得了候选结节的边界轮廓；所述候选结节为孤立结节、粘连血管型结节或假阳性结节；在计算Hessian矩阵之前，对目标区域进行高斯平滑滤波处理，选择与圆形结构尺度相匹配的高斯尺度参数σ；针对直径在3～10mm范围内的结节，σ的取值在0.75～2.5mm之间；采用若干个σ取值对应的滤波值，并取其中最高输出值作为滤波结果；对高斯平滑滤波后的图像计算其Hessian矩阵；Hessian矩阵是以图像的二阶导数为对角线的对称矩阵H，表达式为： H = f x x f x y f y x f y y - - - ( 1 ) ]]>令矩阵H的两个特征值为λ1和λ2，且|λ1|≥|λ2|；特征值代表与该像素点所在局部区域形状逼近的椭圆形结构的两个轴长，所以λ1＝λ2<0时，该点为圆形结构上的像素；因此，构造圆形增强滤波器Ecircle： E c i r c l e = | λ 2 | 2 / | λ 1 | , | λ 1 | > 0 , | λ 2 | > 0 0 , o t h e r - - - ( 2 ) ]]>设定一滤波阈值，采用公式(2)中圆形增强滤波器对非0值目标区域进行圆形增强处理，增强处理后，得到若干圆形的或类圆形的候选结节；这些候选结节是孤立结节、粘连血管型结节、或者是由血管分叉部分或粗血管内部结构形成的假阳性结节；d、用形状约束的CV模型分割含有候选结节的目标区域：使候选结节的边界轮廓作为CV模型的初始轮廓和圆形约束形状，用带有圆形约束的CV模型对目标区域进行有约束的分割，得到包含候选结节的分割区域；e、对分割区域周边的形状特征进行分析：计算每个分割区域所粘连的管状血管的数量；当分割区域所粘连的管状血管的数量为0时，分割区域内的候选结节为孤立结节；当分割区域所粘连的管状血管的数量为1时，分割区域内的候选结节为粘连血管型结节；当分割区域所粘连的管状血管的数量大于1时，分割区域内的候选结节为假阳性结节；步骤e中计算每个分割区域所粘连的管状血管的数量，具体为：将分割区域记作K，将与分割区域K所粘连的区域记作F，将区域K和F的连接部位记作K/F；判断区域F是否为管状血管，若是，则使分割区域K所粘连的管状血管的数量加1，若否，则忽略不计；直至与分割区域K所粘连的所有区域均判断完毕；判断区域F是否为管状血管，具体判断过程为：根据下面公式计算区域F的应力： L ( F ) = Σ x ∈ F min y ∈ K / F | | x - y | | A ( K / F ) - - - ( 13 ) ]]>式(13)中，运算符号||·||为像素单元的L2范数，A(K/F)为区域K和F连接部位K/F的面积；判断L(F)与应力阈值ε的大小，若L(F)＞ε，则区域F为管状血管；若L(F)≤ε，则区域F不是管状血管；ε为150个像素；步骤d中带有圆形约束的CV模型的能量函数为： E ( C , u 1 , u 2 ) = E C V ( C , u 1 , u 2 ) + βE s h a p e ( φ ) = λ 1 ∫ Ω | u 0 ( x , y ) - u 1 | 2 H ( φ ( x , y ) ) d x d y + λ 2 ∫ Ω | u 0 ( x , y ) - u 2 | 2 ( 1 - H ( φ ( x , y ) ) ) d x d y + ∫ Ω δ ( φ ( x , y ) ) | ▿ φ | 2 d x d y + v ∫ Ω H ( φ ( x , y ) ) d x d y + β ∫ Ω ( φ - φ B ) 2 d x d y - - - ( 11 ) ]]>式(11)中，Eshape(φ)为能量约束项，Eshape(φ)＝∫Ω(φ-φB)2dxdy；φ为演化曲线C的水平集函数，φB为圆形约束形状的水平集函数；β是正参数，用于调节圆形约束形状对曲线演化影响的大小；β为0.02～0.2；ECV(C,u1,u2)为不带圆形约束的CV模型的能量函数，ECV(C,u1,u2)的表达式为： E C V ( C , u 1 , u 2 ) = λ 1 ∫ Ω | u 0 ( x , y ) - u 1 | 2 H ( φ ( x , y ) ) d x d y + λ 2 ∫ Ω | u 0 ( x , y ) - u 2 | 2 ( 1 - H ( φ ( x , y ) ) ) d x d y + μ ∫ Ω δ ( φ ( x , y ) ) | ▿ φ | 2 d x d y + v ∫ Ω H ( φ ( x , y ) ) d x d y - - - ( 8 ) ]]>式(8)中，C为演化曲线，演化曲线C将图像Ω分为成两部分，u1为演化曲线C内的平均灰度值，u2为演化曲线C外的平均灰度值，u0为图像Ω的灰度值，μ≥0，ν≥0，λ1>0，λ2>0，μ、ν、λ1和λ2为权重系数。