CT图像特征（通用7篇）
CT图像特征 篇1
摘要：特征提取在图像处理中有着重要作用,该文主要阐述医学CT图像中特征提取方法的应用。首先针对图像的每一类特征综述了其提取方法,其次着重叙述了针对医学CT图像特征提取的方法。
关键词：图像特征,特征提取,模式识别
医学CT图像的特征提取是一个经典难题,在医学图像模式识别领域却扮演着极其重要的角色。一方面,在样本有限的情况下,使用大量的特征来设计分类器从计算开销和从分类器性能两方面来看都不合理;另一方面,特征和分类器性能之间的关系并不是线性的,随着特征数量超过一定的限度,分类器性能会变坏[1]。近年来,国内外众多学者对此展开了研究,提出了许多方法。
1 图像特征的表示
图像特征是标识一个图像最基本的属性,利用图像的属性差异可以与其它图像进行区分。特征提取的任务就是要提取图像区别于其它图像的属性。在特征提取中常用的图像特征有颜色(灰度)特征、纹理特征、形状特征和空间关系特征四类。
图像特征的表示和提取是图像分析的基础环节。通过相应方法提取的特征应能够抽象和具体地描述物体,从而为后续分类提供可靠的依据。用于分类器训练的样本个数随特征向量维数的增加而呈指数增长,从而造成人们所说的“维数灾难”。因此,应选取尽可能少的、有用的特征。
良好的特征能够较好的标识物体,有效的提取方法可以准确提取图像的特征,从而使分类器设计简单化并得到较精确的分类结果。
2 图像特征提取方法
图像特征提取是图像模式识别的基础和前提。如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。特征提取从广义上来讲就是一种变换,即通过变换的方法用低维空间表示高维的图像样本空间,达到降维的目的。至今为止,有许多学者从不同角度提出了医学CT图像的特征提取方法。
目前常用的图像特征有:颜色特征、纹理特征、形状特征、空间关系特征。针对这四类特征将特征提取方法如图1分类。
2.1 颜色特征提取方法
颜色特征描述了物体本身的表面性质,是一种基于像素点的全局特征。颜色对图像或其区域的方向、大小等变化不敏感,对于对象的局部特征表达不是很好。因此,常使用颜色直方图提取颜色特征,其优点是不受图像旋转和平移变化的影响,但是颜色的空间分布信息没有表达出来。晏春莉[2]利用颜色直方图和二值向量两种颜色特征描述了医学数据库中的图像信息。邱兆文[3]提出了的基于HSV空间的20色非均匀量化算法,和传统颜色量化算法相比降低了特征空间的维数,提高了检索速度,易将图像的先验知识融合到SVM中。
2.2 纹理特征提取方法
纹理特征描述图像或图像区域表面的特性,不能完全反应物体本质属性。不同于颜色特征,纹理特征不是基于像素点的特征,应在包含多个像素点的区域中进行统计计算。其优点是旋转不变性,而缺点是当图像分辨率发生变化时纹理结果会有很大偏差。
Haralick[4]于1979年对纹理特征提取方法进行了综述,并把纹理特征提取方法分为统计方法和结构方法。Reed[5]于1991年总结了自1980年以来的纹理特征提取方法,同时把纹理特征提取方法分为基于特征的、基于模型的和基于结构的特征提取方法。Tuceryan和Jain[6]于1993年将纹理特征提取方法分为统计方法、几何方法、结构方法、模型方法和信号处理方法五类,是现在应用最广泛的分类方法。
2.3 形状特征提取方法
形状特征是指事物反应出来的视觉特征,比较直观。各种基于形状特征的图像检索方法能够有效利用图像中感兴趣的目标进行检索。这种方法的不足之处是缺乏完善的数学模型;目标变形时结果不可靠;全面描述目标对计算消耗和存储消耗有较高要求;许多形状特征所反映的目标形状信息与人的直觉不完全一致。
形状特征提取方法一般分为基于边界特征的方法和基于区域特征的方法。
2.3.1 基于边界的特征提取方法
1)边界的周长。边界的周长指整个连通区域的最小外包围轮廓的长度,求其长度有三种计算方法。
第一,采用形态学细化连通区域的外轮廓线,然后直接求外轮廓线的长度,对于在单独X,Y向的路径点的长度距离记为1,而在对角线上的长度距离记为,由于这种处理方法涉及形态学处理技术,而形态学处理图像都可以应用像素直接访问语句ScanLine,运算速度较快;
第二,使用链码计算连通区域的外轮廓线长度,设外轮廓线上链码为偶数的像素个数为M,为奇数的的像素个数为N,则连通区域的周长,但这种方法计算复杂,运算速度较慢;
第三,在外轮廓线没有求出的情况下,直接采用边界跟踪方法求出外轮廓线的长度,这种方法的程序设计较复杂,运算速度中等。
2)边界的直径。边界上相隔最远的两点之间的距离称为边界的直径,边界B的直径定义如下:
其中dD(×)可以是欧氏距离、街区距离和棋盘距离中的任意一种,bi和bj是边界上的点。
3)曲率。在离散空间中,曲率指边界像素的总数目和边界方向有显著变化的边界像素数目的比率。
2.3.2 基于区域的特征提取
方法如下:
1)区域面积。在数字图像中,区域的面积定义为区域中像素的数目,即可将区域内像素标记为f(x,y)=1,区域外标记为f(x,y)=0,则面积可以用公式表示为:
2)区域重心。区域重心是根据所有属于区域的点计算出来的坐标:
3)区域灰度。在文献[8]中描述到目标的灰度特性要结合原始灰度图和分割图像来得到,常用的区域灰度特征有目标灰度的最大值、最小值、中值、平均值、方差以及高阶矩等统计量,它们多可借助灰度直方图得到。
2.4 空间关系特征提取方法
空间关系是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系[9]。空间位置关系主要指目标之间的距离大小以及方位,相对方向关系强调的是目标之间上下左右等的相对关系。在文献[10]中对于如何将图像的空间关系转换为图像相似性的定量度量提出了解决方案。
3 医学CT图像特征提取的应用
医学CT图像由于其本身的复杂性,在进行特征研究时往往结合临床医生的专家经验进行选择。对于医学CT图像大多选择纹理特征或者形状特征为所要提取的特征,有时结合使用这两种特征可以达到更好的效果。
3.1 纹理特征的应用
董放等[11]提出了基于分形维数对肝脏CT图像的纹理特征研究。在文章中指出同一脏器软组织的分形维数值与所处的位置没有关系,只与脏器组织本身的性质有关。正常肝脏软组织的分形维数大约在2.35左右,而肝癌软组织的分形维数大约在2.40。从而根据分形维数值区分正常肝和癌变组织。
刘昉[12]提出了局部分形指数小波分析法、分形维数计算和多重分形谱作为超声组织纹理分析的参数,实现正常肝脏、肝硬化和肝癌的区分。
3.2 形状特征的使用
朱建峰[8]将形状特征应用与肺癌的CT图像检测中。用边界长度、边界的直径、傅里叶描述子、区域面积、区域重心、区域灰度、偏心率、球状性、圆形度等形状特征来研究肺癌CT图像。
在肝癌的CT图像检测中,同样我们可以使用形状特征来描述。临床医生经常采用癌变区域的大小、癌变区域的毛刺征、癌变区域的密度来对肝癌分类。因此在计算机辅助诊断时采用形状特征有一定的研究价值。
1)癌变区域的大小:对于病变区域大小的计算,采取计算最大直径的方法,也即是边界的直径。首先利用形态学细化的方法找出癌变连通区域的外轮廓线——边界。利用边界的直径计算公式求出边界上最远的两点之间的距离。
2)癌变区域的光滑度:连通区域的外轮廓线,然后直接求外轮廓线的长度,对于在单独X,Y向的路径点的长度距离记为1,而在对角线上的长度距离记为2,由于这种处理方法涉及形态处理技术,而用形态学处理图像都可以用像素直接访问语句ScanLine,运算速度较快;在医学上,判断肿瘤还会依据病灶区边缘的毛刺来判定。统计不同毛刺的数目,根据统计表来区分肿瘤的光滑度,从而提取光滑度特征,再结合医学知识,进而对肝肿瘤分类提供依据。
3)癌变区域的密度:对于密度的计算可以转换为求密度差值。计算思路如下,采取计算病变区域密度与背景密度的差值。CT图像是以不同的灰度来表示的,反映器官和组织对X线的吸收程度。因此在CT图像中,采用CT值来表示物质的密度,也就是图像的灰度。在分割后的肝癌CT图像中找出病变区域的质心,然后定位到原图相同的位置处,取其灰度值x,将背景的灰度值b代入公式d=x-b,求得差值d。找出质心是问题的关键。
4 结论
特征提取是医学CT图像模式识别中的重要环节,受到广泛的关注。该文结合文献中出现的一些特征提取方法,按照不同特征类别总结了每一类中应用的特征提取方法;结合肝癌CT图像的特征提取讲解了特征提取方法在医学CT图像中的应用。针对肝癌CT图像本身的复杂性提出了特征提取的方法。尽管已经有很多进行特征提取的方法,但是针对解决实际问题的研究还很不充分。如何结合使用现在已有的方法,以及针对特定问题提出新的方法,是目前医学CT图像特征提取方法的研究方向。
参考文献
[1]王娟,慈林林,姚康泽.特征选择方法综述[J].计算机工程与科学,2005,27(12):68-71.
[2]晏春莉,耿国华,周明全.图像数据库中基于颜色的特征提取和度量算法[J].西北大学学报:自然科学版,2000,30(3):189-192.
[3]邱兆文,张田文.一种新的图像颜色特征提取方法[J].哈尔滨工业大学学报,2004,36(12):1699-1701.
[4]Haralick R M.Statistical and structural approaches to texture[J].Proceedings of the IEEE,1979.67(5):786-804.
[5]Reed T R,du Buf J M H.A review of recent texture segmentation and feature extraction techniques[J].CVGIP:Image Under standing,1993,57(3):359-372.
[6]Tuceryan M,Jain AK.Texture Analysis,Handbook Pattern Recognition and Computer Vision[M].Singapore:World Scientific,1993,235-276.
[7]翟俊海,赵文秀,王熙熙.图像特征提取研究[J].河北大学学报:自然科学版,2009,29(1):106-112
[8]朱建峰.基于CT图像的周围型肺癌自动识别系统[D].四川大学,2007:48-51.
[9]汪彦龙,刘金华.基于对象空间关系的图像检索方法研究[J].计算机技术与发展,2006,16(1):66-68.
[10]程显毅,李小燕,任越美.图像空间关系特征描述[J].江南大学学报:自然科学版,2007,6(6):637-641.
[11]董放,李保伟.基于分形维数对肝脏CT图像的纹理特征研究[J].Medical Journal of the Chinese People’s Armed Police Forces,2003,14(06):337-340.
[12]刘昉,程敬之.肝脏超声图像局部分形指数研究[J].生物物理学报,1996,11(2):345-350.
CT图像特征 篇2
关键词：医学图像配准,特征点,ICP算法
1 引言
医学图像配准是目前医学图像处理的一项关键技术, 其目的是建立患者坐标系和术前影像坐标系之间的映射关系, 使术前影像和术中内窥镜图像上的几何特征在空间上对应起来, 配准的结果使所有的解剖点或者是所有在医学上具有诊断意义的点和手术部位都达到匹配。
根据配准的过程, 医学图像配准方法可以分为基于像素相似性和基于形状特征两类。基于像素相似性的方法主要利用灰度值作为配准的准则, 不需要对图像进行预处理, 配准精确度高, 缺点是耗费时间长、效率较低。基于形状特征的配准方法主要是利用图像间的共有几何特征进行配准, 常使用的形状特征有点、轮廓等, 原理比较简单, 应用广泛。基于轮廓的配准方法根据所配准对象的边缘轮廓进行配准, 可以快速实现图像的全局配准, 对于距离轮廓较远区域的配准能力较差。基于特征点的配准方法通过对特征点插值来计算映射转换关系, 能够很好地完成点对之间的配准。这两种方法各有侧重, 基于轮廓的方法侧重图像整体的结构特征匹配, 而基于特征点的方法能够处理任意点对间的变换和配准。在微创手术过程中, 视觉系统给手术医生提供直观的视觉信息反馈, 便于手术医生进行手术位置定位以及手术过程中的视觉引导。这里我们要根据从内窥镜得到的二维图像信息, 结合遥操作微创手术机器人所隐含的数据信息, 以CT图像为浮动图像, 快速地建立内窥镜图像信息和CT图像的匹配。
2 特征点的提取
在微创手术机器人系统中, 医学图像配准中所需的特征点通常是医生选取的在医学上具有解剖意义的一系列解剖点, 而非纯粹的几何意义的点, 解剖点大多灰度变换剧烈, 或者具有特定的几何意义, 例如拐点、高曲率点等。人体器官模型多为非规则的模型, 这里以内窥镜得到的图像为参考图像, 以CT图像为浮动图像, 手术医生首先根据病人的CT图像, 选取具有解剖意义的特征点。手术医生在手术前可根据从内镜得到的放大的医学图像, 观察手术器械末端和人体器官组织的相对位置关系。基于遥操作技术的理论经验, 手术医生操作手控器对需要手术的区域或待配准的其他组织的表面进行有限个特征点的提取, 并按照提取的顺序将这些关键点进行存储, 这些点大多为医生感兴趣的解剖点, 可作为待手术区域或其他组织的特征点来参加配准。在特征点的提取过程中, 要求两幅图像中的特征提取次序保持一致, 目的是减少配准过程中的计算复杂度。提取的两组特征点如图1和图2所示。
利用手控器可实现对操作者手部运动的实时测量, 当对具有解剖意义的关键点进行采集时, 记录的这些点的坐标值是在手控器坐标系的坐标值。微创手术机器人从手末端的位置信息可以通过相对于手控器的位置信息的坐标变换关系转换获得, 那么我们就可以得到待手术的人体重要器官或组织表面特征点在从手坐标系里的位置信息, 从而转化为内窥镜图像坐标系的坐标信息。由于手术时医生只是对病灶部位进行操作, 所以医生感兴趣的只是病灶及其周围的部分。所以, 在进行图像配准时, 可选择对这部分组织进行局部配准即可。
3 图像配准
将病人病灶部位的CT图像和遥操作微创手术机器人所隐含的数据信息结合, 提出一种新的基于特征点的图像配准方法, 实现器官的局部配准。下面按照图像配准方法的组成部分来描述本文算法, 主要包括:配准策略, 相似性测度和优化策略。
待配准的图像分别记为参考图像Ir和浮动图像It, 从这两幅图像采集的特征点集记为Pr、Pt, 点的个数都为N。配准变换函数标记为T, 相似性测度标记为E。
3.1 配准策略
这里将分成两步进行配准变换计算, 第一步进行粗略配准, 然后再进行精确配准。首先利用最近的对应特征点对求解出旋转变换矩阵R, 再结合其重心求解出平移向量t。在由R和t确定的刚体变换下, 点集Pr被映射到点集P′r=PrR+t。
3.1.1 粗略配准
首先通过手工方法在两个特征点集中指定n (n>3) 组对应特征点对, 每一组特征点对都对应于实际对象的同一个特征或者部位, 利用浮动特征点集Pt中的n个特征 (Pt1, Pt2, …, Ptn) 和参考特征点集Pr中的n个特征 (Pr1, Pr2, …, Prn) 的变换关系Pti=R0Pti+t0, (i=1, 2, …, n) , 来求解出刚性变换 (R0, t0) , 从而实现粗略配准。然后将变换 (R0, t0) 应用到特征点集Pt上得到其刚性变换后的特征点集P′r=PrP0+t0, 从而将两个特征点集Pr和Pt粗略配准到了同一坐标系 (Pt为基准特征点集) 。
3.1.2 精确配准
薄板样条插值是多变量插值, Bookstein最早将其应用于点匹配的医学图像配准中。对于二维图像, 薄板样条函数的形式为:
其中, A (x, y) =Pm (x, y) , 。函数A (x, y) 是一个全局线性变换, Pm (x, y) 是一个m阶的多项式, 一般使用m=1的线性多项式P1 (x, y) =a0x+a1y+a2代表全局仿射变换。R (x, y) 函数是非线性函数g (ri) 的加权和, 其中ri= (x-xi) 2+ (y-yi) 2表示点 (x, y) 到插值点 (xi, yi) 的距离, ci为控制系数, g (ri) 是薄板样条的核函数:
将薄板样条应用于图像配准, 配准变换函数T表达式为
其中, Ptix和Ptiy是测试图像It中选取的第i个特征点的x和y分量。这样, 图像配准就变为求解N+3个变量a0, a1, a2, ci (i=1, …, N) 以使某一测度函数最优。
3.2 相似性测度函数
相似性测度采用欧氏距离法。本文算法利用特征点的信息, 因此相似性测度函数E表达式为, 为图像对应特征点对之间的欧氏距离。
3.3 搜索策略
搜索的任务是在空间中寻找最优的配准变换关系, 在搜索过程中以相似性测度的值作为判优的主要判据。由于配准过程中往往需要大量的运算才能求解, 搜索策略的好坏将直接关系到配准的速度, 设计一个有效合理的搜索策略非常重要。
搜索的目标是使相似性测度函数E的取值最小。本文采用最近点迭代法ICP策略, 此方法首先假设已经得到一个初始的位姿估计, 然后从一个图像中选取一定数量的点作为控制点, 并在另外一个图像中找出这些点的近邻点作为对应点, 接着通过对这些对应点对间的距离最小化来求得一个变换, 最后通过不断的迭代该过程直到满足收敛条件E≤ e为止。
4 实验结果及分析
运用上述方法对内窥镜图像和CT图像进行测试, 配准结果较好, 该算法能实现对图像的整体轮廓及图像中感兴趣的生理解剖位置的配准, 收敛速度较快。
5 结论
本文的主要贡献在于将病人病灶部位的CT图像和遥操作微创手术机器人所隐含的数据信息结合, 提出一种新的基于特征点的快速局部图像配准方法。算法以特征点间的欧氏距离作为图像配准的相似度度量, 用最近点迭代法 (ICP) 求解配准变换关系。通过对医学图像进行测试, 配准结果较好, 该算法能实现对图像的整体轮廓及图像中感兴趣的生理解剖位置的配准, 配准结果非常理想。
参考文献
[1]Barbara Zitova, Jan Flusser, Image registration methods:a survey[J].Image and Vision Computing, 2003, (21) :977–1000.
[2]Bookstein F Fl, Principal warps:Thin plate splines and the decomposition of deformation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989:567-585.
[3]彭文, 童若锋等.基于图像与特征点的医学图像配准方法[J].中国图像图像学报, 2007, 9 (13) :1126-1131.
[4]Shen J K, Matuszewski B J, Shark L K.Deformable image registration[C].Proceedings of the IEEE International Conference on Image Processing.Genoa, Italy, USA, 2005:1112-1115.
SPECT/CT的图像质量控制 篇3
1 SPECT图像质量控制
以福建省质量技术监督局2010年发布的《单光子发射计算机断层成像装置(SPECT)校准规范》JJF(闽)1030—2010[2]为依据,进行常规的校正。
1.1 均匀度测试和校正[3]
目的:SPECT均匀度测试是保证核医学图像质量的关键,如果有57Co面源,需要每天测试1次图像的均匀性,如果使用99mTc点源,至少1周测试1次。
材料:99mTc放射点源,剂量0.5~0.8 m Ci,采集计数率在20~40 Kc/s。
方法:
(1)将准直器卸掉,装上塑料板(专用),将探头换至L模式。
(2)点击左屏左上角工具图标,再勾选QC(Quality Control,QC)选项,接着点击Daily QC。
(3)在弹出的对话框中点击Background Test(本底测试),并在探头2选项前打勾,测量本底。当本底测量结束时,如果结果中没有出现红色标志即达标,可进行进一步测试。如果出现红色,说明环境有污染,找出污染源,等环境达标后再进行下一步测量。
(4)本底达标后,将配好的点源放在墙壁的固定位置,将探头1旋转至对准放置源的位置点击image quality test(图像质量测试),在出现的对话框中点击Apply(应用),再点击Start开始探头1的均匀性测试。测试完后,点击Next即可看到测试结果。如果结果中没有红色标注Status:Failed,表示图像质量达标。如果出现红色,需要对光电倍增管进行增益调整,执行如下操作。
(5)点击左屏左上角工具图标,再勾选QC,再点击Periodic Re-tuning(定期再调整),在弹出的对话框左侧点击Iter.Cal(用刚才的放射源),点击Start,待程序完成后,再点击屏幕左侧的Z Energy Gain Calibration(Z能量增益校正),点击Apply,待调整自动完成后,重新做Image Quality Test,测试达标后即可。对于探头2,重复步骤(1)~(4)达标即可;不达标,执行第5步。
1.2 旋转中心校正(COR)[4,5]
材料:99mTc放射点源,剂量1m Ci;准直器:LEHR、HEGP(准直器型号)。
方法:将放射源放在白色三脚架的前端A,架子放在检查床头B,见图1。探头上带有LEHR。点击C.O.R.QC(旋转中心校正)下的C.O.R.Test(旋转中心测试);点击Source Positioning ACQ。
在采集工作站上,点击Apply,到扫描间按
此时千万不要动三脚架,并用笔记下此时的床高,床板伸出距离,将探头换至L模式,用同样的床位置,点击L模式下旋转中心采集及处理,方法同上。
2 CT图像质量控制[6]
包括球管预热(Tube Warm-up)和快速校准(Fast Calibration)。
2.1 Tube Warm-up
目的:保证CT发挥最佳性能,和获得稳定一致的图像,并且延长球管寿命。
使用:每天早晨开机后立刻作1次,且闲置超过3 h再作(有提示)。
条件:扫描架内无任何物体。
2.2 Fast Calibration
校准内容:(1)Balance check(Gantry平衡检查);(2)Mylar window check(聚脂薄膜窗口清洁检查);(3)Warm-up I(第一次加热);(4)Auto m A calibration(自动毫安校准);(5)Warm-up II(第二次加热);(6)Auto Z-slope(探测器位置检测);(7)Collimator cal(准直器校准);(8)Mini scan(检测焦点位置。确保Z-轴射线束跟踪正确操作);(9)Clever gain(数据采集系统放大增益检测);(10)Air calibration(空气校准)。
操作步骤:
在CT界面点击球管图标,在打开的界面中点击Tube Warm-up,在弹出的红色对话框中点击右下角字体,待键盘绿灯闪烁后点击开始键,机器自动开始校正。
待结束后点击Fast Calibration,按键盘上开始扫描键,待校准结束后点击Quit退出。程序会一次完成上述内容,没有红色提示就说明校正通过。
3 图像融合测试
影像融合技术是利用计算机将多种影像学检查的图像信息进行数字化综合处理,将多源数据进行空间配准后,产生一种全新的信息影像,以获得研究对象的一致性描述,同时融合各种检查的优势,以达到辅助诊断的目的。最佳的影像融合手段应该是同时采集、同机融合。也就是在同一台显像设备上同时获取不同来源的影像,这样的图像配准是最优化的,最大限度地降低了误差[7]。但目前的技术水平还难以实现真正意义上的同时采集。
材料:10 m L注射器,99mTc放射源,配准专用模型。
放射源的准备:准备6份3 m Ci99mTc分别装入6只10m L的针管内,针管用水充满放置0.5 h左右,针管放置方式,见图2。
操作步骤:
(1)将床完全拉出,模型(放置针管)置于距机架70~90 cm处,并在床头放置一个15 kg的重物,见图3。
(2)在采集工作站点击左屏左上角工具图标,再勾选QC,然后点击图中的Registration Test Acquisition,点击Start,回到扫描间按SET,不要更改任何参数,按手控盒上GO开始采集。待SPECT断层采集完成后,点击手控盒上GO等待床移动到CT位置,点击Confirm。按移床键,采集键开始CT采集,等待CT采集结束后,点击CT Acq Completed,如果数据没有传到Xeleris工作站,手动将数据传到工作站。在Xeleris工作站上选取Tomo和CTACTomo两组数据,点击Miscellaneous下的SPECT-CT registration QC图标,自动处理完后,在采集工作站点击Fetch Results。如果结果中没出现红色提示,表明结果达标。
综上所述,要获得一张完美的SPECT/CT图像,定期执行以上操作是最基本的也是最重要的。质控中其他性能指标测试,如能量分辨率、空间分辨率、密度分辨率、CT值精度、噪声、伪影等都必须建立在此操作通过的基础上。
参考文献
[1]王荣福,李险封,王强.SPECT/CT的最新应用进展[J].CT理论与应用研究,2012,(3):577-582.
[2]JJF(闽)1030-2010,单光子发射计算机断层成像装置(SPECT)校准规范,[S].
[3]赵德善.SPECT和γ照相机质量控制及参考规范[M].北京:人民卫生出版社,2010.
[4]贾晓娟,韩军,唐彩华.等.GE HawkEye-SPECT仪日常维护与质量控制[J].实用医技杂志,2012.(4):417.
[5]孙黎明,刘臣斌.SPECT验收测试与质量控制[J].中国医疗器械杂志,2001,(3):168-171.
[6]张峰,程木华,郑子梅,等.探讨符合线路SPECT/CT的日常质量控制与质量保证[J].现代医学仪器与应用,2007,(3):42-45.
基于CT的医学图像三维重建 篇4
三维重建是计算机视觉、模式识别及可视化技术等领域的经典研究主题。三维重建的任务就是要从提取到的采样数据中恢复物体的三维结构, 即物体的原型。从断层数据进行医学图像三维重建一直是研究的热点问题, 它涉及数字图像处理、计算机图形学以及医学领域的相关知识。医学图像三维重建及可视化在诊断医学、手术规划及模拟仿真、整形及假肢外科、解剖教学等方面都有重要应用。因此, 对医学图像三维重建的研究, 具有重要的学术意义和应用价值。
1、资料与方法
1.1 一般资料
本文采用蚌医附院64排螺旋CT扫描机的实际病例的数据集, 选取一个不具备明显特征且无特殊既往病史的成年男子手部作为样本, 对其手部部分进行CT切片采集, 年龄37岁, 共得到336张格式为dicom3.0的文件, 其层厚是0.65mm, 55秒完成。图1即为使用专业影像eFilm软件获取的CT扫描的显示效果图。
1.2 仪器
应用64排螺旋CT机, 取平卧位测量。三维重建采用通用计算机, 基本配置为:CPU为AMD Athlom II X2 245, 内存为2G, 显卡为NVIDIA GeForce 9800GT。
1.3 方法
本文采用MC面绘制算法在VTK中实现了手骨模型的表面绘制, 采用光线投射法实现了手骨模型的直接体绘制。
1.3.1 MC表面重建及实现
传统的MC算法是W.Lorensen[2]等人于1987年提出来的一种三维表面重建方法, 因其原理简单、容易实现, 得到了广泛的应用。此算法在美国已经申请专利, 它被认为是至今为止最流行的面显示算法之一[3.4]。由于它的本质是从一个三维的数据场中抽取出一个等值面, 所以也被称为"等值面提取" (Iso-surface Extraction算法[5]。
传统的MC算法求等值面的步骤可以描述如下:
1.三维离散规则数据场分层读入;2.扫描两层数据, 逐个构造体素, 每个体素中的8个顶点取自相邻的两层;3.将体素每个角点函数值与给定的等值面值做比较, 得到该体素的构型索引值;4.根据构型索引值查表得出体素中与等值面有交点的边索引;5.通过线性插值方法计算出体素棱边与等值面的交点;6.求出体素各角点处的法向量和三角面片各顶点处的法向量;7.绘制等值面图。
1.3.2 直接体绘制及实现
直接体绘制法[6]将数据场中的体元看成一种半透明物质, 并赋予其一定的颜色和光阻度, 由光线穿过整个数据场进行颜色合成。实质是一个三维离散数据场的重采样合成的过程。目前传统的体绘制方法有三种光线投射法[7]、投影成像法[8]和频域变换法[9]。本文主要介绍光线投射法。光线跟踪算法的流程图如图3所示。
2、结果
2.1 MC面绘制结果
采用MC面绘制算法在VTK中实现手骨模型三维面绘制效果如图3所示。
2.2 体绘制结果
图4为利用光线投射法绘制的效果图。
3、讨论
本文首先介绍了基于CT断层数据的三维绘制技术, 并分别采用MC算法实现了CT切片的三维面绘制和光线投射法实现了直接体绘制, 并以手部CT数据集为例, 以VC2008环境, 使用C++语言, 以VTK5.6版本为开发包[10], 利用影像技术和断层解剖知识, 给出最终实现的结果, 为今后影像诊断和临床手术打下良好的数据基础。
面绘制要构造中间曲面表示, 必然要通过闭值或数值方法提取出中间曲面, 这就是被称为分割 (Segmentation) 的过程。目前的分割基本上还是停留在二者择其一的状态, 缺少准确有效的方法。通过分割, 许多三维数据场中的细节信息丢失, 有些分界面被扩大, 结果的保真性较差。由于体绘制是直接研究光线通过体数据场时与体素的相互关系, 因此无需构造中间面。体素中的许多细节信息得以保留, 结果的保真性大为提高。同时, 这2种算法均可以清楚看到在病人大拇指中指关节与近指关节之间有骨质增生现象, 方便医生诊断。
通过研究还可以发现, 基于图像质量的要求, 体绘制要优于面绘制。但从交互性能和算法效率上讲, 在目前的硬件平台上, 面绘制还是要优于体绘制的。这是因为面绘制采用的是传统图形学的绘制方法, 所以现有的交互算法、图形硬件和图形加速设备能充分发挥作用。
摘要：本文介绍了医学CT三维重建的算法, 分析了目前所用的关键技术, 为医学图像三维重建应用软件的开发打下了理论基础。最后使用VTK开发包, 以手部骨骼三维重建为例, 给出了实现面绘制和体绘制方案和结果。
关键词：VTK,CT,面绘制,体绘制,三维重建
参考文献
[1].朱玉云, 史小平, 伍炼.国产MITK软件在医学影像三维可视化中的应用研究[J].生物医学工程与临床, 2008, 12 (5) :380-384.
[2].Lorensen W.E., Cline H.E Marching Cubes:A High Resolution 3D Surface Construetion Algorithm[A].SIGGRAPH'87 Proceed-ings[C], 1987, 163-169
[3].Wallin A., Constructing iso-surfaces from CT Data[J].IEEEComputer GraPhics&Application, 1991, 11 (5) :28-33
[4].Shu R., Zhou C., KanKanhalli M.S., Adaptive Marching Cubes[J].The Visual Computer, 1995, 11 (4) :202-217
[5].Alliez P., Meyer M., Desbrun M..Interactive geometry remesh-ing[J].ACM Transactions on GraPhics, 2002, 21 (3) :347-354
[6].Garland M., Heckbert P.S..Suface simplification using quadricerror metrics[J].Computer Graphics.1997.31 (3) :209-216
[7].WEI jun, ZHAO Hai-tao, TIAN yun, et al.Analysis of DirectVolume Rendering in VTK[J].Chinese Journal of Biomedical Engi-neering (English dition) , 2006, 15 (3) :127-133.
[8].He T, Hong L.Voxel-based Object Simplification[A].Proceed-ing of the IEEE Visualization[C]Atlanta Georgia, 1995:296-303
[9].周昆, 马小虎, 潘志庚等.基于重新划分的三角形网格简化的一种改进算法[J].软件学报, 1998, 9 (6) :405-405
CT图像特征 篇5
传统的分类方法主要是依据专家经验, 加上肺癌图像的复杂性及采集过程中不同程度的存在噪声, 对肺癌CT图像定性诊断的准确率是对临床医师知识结构和技术水平的巨大挑战。针对传统医师阅片及分类中存在的缺陷, 本文提出一种基于图像处理和模式识别的肺癌CT图像的分类方法:首先对采集的原始CT图像进行去噪处理, 通过图像分割技术得到肺实质感兴趣区域;然后利用灰度共生矩阵, 提取感兴趣区域的纹理特征;最后利用支持向量机对数据进行训练测试, 以达到分类目的。
1 资料与方法
1.1 一般资料
在CT扫描和重建过程中, 不可避免的存在噪声和干扰, 如果直接对肺部CT图像进行处理, 将影响分类的准确率和稳定性。由于肺部CT图像中的噪声一般较小且比较孤立, 首先采用中值滤波法进行去噪处理。对去噪后的图像, 采用自动阈值法进行二值化, 然后利用数学形态学开运算去除肺内细小物体, 填充后得到整个胸腔, 再通过图像相减、再次填充及与运算得到肺实质。在分割过程中对于左右肺粘连的, 采用基于像素统计的方法进行分离[1], 对于肺实质缺失的部分, 采用“滚球法”进行边缘修补[2]。最后采用扫描法得到最小肺实质感兴趣区域。图1为增强后的图像及分割后的肺实质感兴趣区域。
1.2 纹理特征提取
纹理作为一种区域特征, 是对图像各像素之间空间分布的一种描述。由于纹理能充分利用图像信息, 与其他图像特征相比, 能更好地兼顾图像宏观性质与细微结构两个方面, 是描述与识别图像的重要依据, 也是目标识别需要提取的重要特征。提取纹理特征的方法很多, 一般可分为统计方法和结构方法两大类, 结构方法适合分析纹理基元排列较规则的图像, 而医学图像纹理基元规律性不强, 因此本文选择统计方法中应用最广泛的基于灰度共生矩阵的特征提取法。
灰度共生矩阵 (Grey Level Co-occurrence Matrix, GLCM) 是1973年Haralick[3]提出的, 是建立在估计图像的二阶组合条件概率密度基础上的一种纹理分析方法, 通过计算图像中一定距离d和一定方向θ的两点 (x1, y1) , (x2, y2) 灰度之间的相关性, 反映图像在方向、间隔、变化幅度及快慢上的综合信息。不同方向、步长和灰度级得到的GLCM是不同的, 目前对GLCM因子的选择没有确定的方法, 一些研究文献[4]表明要根据所研究图像纹理的自身特点来合理选择。
不同方向的GLCM中包含不同的纹理信息。常用的有0°、45°、90°和135°四个方向。如果每个方向都计算, 得到的特征过于繁多, 本文取四个方向的平均值作为最终的特征值。步长决定了GLCM的两个采样像素点的距离。对肺实质图像, 任意选取5幅, 分别绘制5幅图像的14个纹理特征参数的平均值随步长变化的曲线, 发现在d=1~2时变化比较大, d=4以后变化比较平缓, 考虑到步长较大时, 会有大量像素点不参与GLCM的生成, 造成大量信息的丢失, 选取d=4作为构造GLCM的最佳步长。灰度级的多少决定了GLCM尺寸的大小。过多GLCM会很大, 延长计算时间;过少又会丢失很多图像纹理细微的信息。由仿真结果得到, 灰度级64前后变化先快后慢或先慢后快, 故选取64为构造GLCM的最佳灰度级。
1.3 支持向量机分类器
支持向量 (support vector machine, SVM) 是由Vapnik等人于1995年提出的基于统计学习理论的机器学习方法, 它以结构风险最小化为原则, 以训练误差作为优化问题的约束条件, 以置信范围值最小化作为优化目标, 能够较好的解决小样本、非线性及高维数等识别问题。在模式识别、函数逼近、信号处理、医学诊断[5,6]等领域得到了广泛的应用。
SVM的基本思想如图2所示, 实心圆圈和空心圆圈分别代表两类样本, 如果存在分类方程:
使得对于i=1, 2, …, n满足
则称样本集是线性可分的。H为分类线, H1和H2分别为过两类中离分类线最近的样本且与分类线平行的直线, 它们之间的距离叫做分类间隔 (margin) , 等于2/|W|。H1和H2上的点为支持向量。既能正确分类两类样本, 又能使分类间隔最大的分类线称为最优分类线。最大化2/|W|, 即最小化1/2/|W|2, 因此最优分类线问题可以转化成如下的约束优化问题:
当训练集为非线性可分时, SVM通过核函数将输入空间的数据样本映射到一个高维的线性特征空间。常用的核函数有线性核函数, d阶多项式核函数, 径向基函数, 多层感知机等。
2 结果
实验数据来源于徐州医学院附属医院, 对搜集的285幅肺癌CT图像 (SCLC 150幅, NSCLC 135幅) , 首先通过图像分割得到肺实质感兴趣区域, 然后利用灰度共生矩阵提取肺实质图像纹理特征, 作为分类器的输入。
选择200个样本作为训练集, 85个作为测试集。SCLC记为正类样本 (+1) , NSCLC记为负类样本 (-1) , 任一个样本xi所对应的类别标签为yi, yi∈{+1, -1}。采用准确率、敏感性和特异性三个参数评估分类结果, 其中敏感性=正类样本数/总的正类样本数, 特异性=负类样本数/总的负类样本数。实验环境为MATLAB 2009, 支持向量机采用libsvm 2.9, 选择径向基核函数, 采用交叉验证方法确定模型最优参数C和RBF核函数中的方差, 利用训练好的模型对样本进行分类。为了比较分类效果, 分别采用BP、RBF神经网络与之对比。
对SVM分类器, 85例样本中 (SCLC 39例, NSCLC 46例) 中, 77例预测正确, 8例预测失败, 准确率为91%。其中SCLC 36例预测正确, 3例预测失败;NSCLC 41例预测正确, 5例预测失败。敏感性为0.92, 特异性为0.89。
采用BP神经网络, 68例预测正确, 17例预测失败, 准确率为80%。其中SCLC 32例预测正确, 7例预测失败;NSCLC 36例预测正确, 10例预测失败。敏感性为0.82, 特异性为0.78。采用RBF神经网络, 56例预测正确, 29例预测失败, 正确率为66%。其中SCLC 30例预测正确, 9例预测失败;NSCLC 26例预测正确, 20例预测失败。敏感性为0.77, 特异性为0.57。
对比实验结果, 可以看出支持向量在SCLC和NSCLC的分类中可以得到较好的结果。
3结论
为解决肺癌CT图像人工分类的难题, 提出了一种基于图像处理和支持向量机的肺癌自动分类方法。通过MATLAB仿真实验, 表明该方法对SCLC和NSCLC的识别率达到90%, 为肺癌的临床诊断和治疗提供了重要依据。
摘要：目的 研究肺癌CT图像的分类问题。由于肺癌图像的复杂性及图像采集过程中不同程度的存在噪声干扰, 造成人工分类难度增大。本文提出一种基于图像处理和支持向量的肺癌分类方法。方法 首先对采集的原始CT图像进行去噪处理, 通过图像分割技术得到肺实质感兴趣区域, 然后利用灰度共生矩阵, 提取感兴趣区域的纹理特征, 最后利用支持向量机分类器对数据样本进行训练测试。结果 仿真结果表明, 本方法对肺癌CT图像分类准确率达到90%。结论 为肺癌的临床诊断与治疗提供了依据。
关键词：肺癌CT图像,中值滤波,肺实质分割,灰度共生矩阵,支持向量机
参考文献
[1]卞晓月, 武妍.基于CT图像的肺实质细分割综合方法[J].重庆邮电大学学报, 2010, 22 (5) :665-668.
[2]蒋平.基于胸部CT图像的肺区自动分割[J].计算机工程与应用, 2006, 42 (24) :226-232.
[3]Haralick R M, Shanmugam K, Dinstein I.Textural feature for image classification[J].IEEE Transactions on Systems Man and Cybernetics, 1973, 3 (6) :610-621.
[4]苏静, 黎明.基于灰度共生矩阵的金属断口图像的分类研究[J].计算机工程与应用, 2008, 44 (9) :223-225.
[5]阎威武, 邵惠鹤.支持向量机分类器在医疗诊断中的应用研究[J].计算机仿真, 2003, 20 (2) :69-71.
原发性肝癌CT图像纹理分析 篇6
原发性肝癌是由肝细胞或肝内胆管上皮细胞发生的恶性肿瘤,在世界范围内是第5位致死性恶性肿瘤[1],在我国发病率[2]也很高。在各种影像学检查技术中,CT能较好地反映肝脏的病理形态表现,成为诊断肝脏疾病的首选影像检查方法之一。正常的组织结构被破坏是诊断学中区分弥散性和非弥散性肝脏疾病的重要形态特征,反映在CT图像上则呈现为图像纹理的改变,因此可以利用纹理特征的差异对不同病例的肝脏CT图像进行分析,也就能实现对原发性肝癌和正常肝组织进行计算机分类识别。由于我国肝癌患者数量众多,诊断工作较为繁重,因此实现对原发性肝癌CT图像的计算机辅助诊断有助于减轻诊断医师劳动负荷,增加诊断途径从而减少误诊率,对原发性肝癌的治疗具有重要意义。
近年来,基于CT图像的纹理分析研究取得一定进展,.Mir[3]等提出肝脏CT图像采用基于灰度共生矩阵、灰度行程矩阵和灰度差分矩阵的纹理特征区分肝脏正常组织和病变组织。Chen[4]等通过分形特征信息和空间灰度共生矩阵提取特征值,利用改进的概率神经网络分类器来识别肝囊肿和血管瘤这2种不同类型的肝CT图像,这种分类器的正确率达到83%。Stavroula G.Mougiakakou[5]等人从一阶统计值、灰度共生矩阵、灰度差分矩阵、Laws能量和分形维数5个方面提取特征,对正常肝、肝癌、肝囊肿、肝血管瘤4类CT图像进行识别,最好的识别率为84.96%。
本文借鉴当前可用于描述图像纹理特征的测度,并应用模式识别中经典、成熟图像特征提取方法,结合人工神经网络识别技术对正常肝脏、原发性肝癌的CT图像进行纹理分析和识别研究,最终结果达到对原发性肝癌93.60%±5.35%较高的识别准确率。
2 方法
本文研究60个样本图像来自于湖北文理学院附属襄阳市中心医院,选择经确诊正常肝、原发性肝癌的CT图像各30例,将上述CT图像采集后存储在计算机上,并选择图像中的兴趣区(regions of interest,ROI)。在有经验医师指导下选取60个20*20大小的ROI(Regions of interest)进行分析,30个ROI属于正常肝,30个ROI属于原发性肝癌。如图1所示。
2.1 纹理特征提取
图像的区域纹理特征可以描述一个区域图像的精细或粗糙、均匀和不均匀和平滑与不规则等信息。本文从以下3方面提取纹理特征。
2.1.1 一阶统计特征
一阶统计特征[6]是图像中灰度的一阶概率分布,是包含在图像中信息的简介概括,是很有吸引力的纹理测量方法,也是最基本的纹理特征描述。
矩(moments)
中心距(central moments)
绝对矩(absolute moments)
I为代表兴趣区中灰度级的随机变量,令Ng为可能灰度级数量,P(I)是灰度级为I像素的分数,取一阶矩、二阶矩、三阶矩、四阶矩,i=2、3、4时相应的中心距和绝对矩,一共从每个ROI中提取10个一阶统计特征。
2.1.2 灰度共生矩阵
由Haralick[7]提出的灰度共生矩阵[6]方法,它是建立在估计图像二阶组合条件概率密度函数基础上的。这个方法已有较长的研究历史,也是当前人们公认的一种重要纹理分析方法。
灰度共生矩阵描述了图像中在Ө方向上(一般为0˚、45˚、90˚、135˚四个方向),距离为d的一对象元分别具有灰度i和j的出现概率。灰度共生矩阵中每一个元素都可以包含距离、角度、灰度值和出现概率4种信息。根据灰度共生矩阵提取13个特征参量:角二阶矩、对比度、相关系数、倒数差分矩、和均值、差均值、和方差、差分方差、熵、差分熵、信息测度I、信息测度II、最大相关系数。取d=1,将4个方向上相应的值取平均,从每个ROI提取13个特征值。
2.1.3 灰度行程矩阵
灰度行程矩阵[6]是指连续的、共线的并具有相同灰度级(或属于同一灰度段)的像素点,对于一个给定图像可以计算出灰度游程矩阵MӨ,表示图像在Ө方向上(一般为0˚、45˚、90˚、135˚四个方向),灰度为g,长度为d的灰度串所出现的总次数。本文提取了灰度行程矩阵的5个特征参量:短行程优势、长行程优势、灰度不均匀性度量、行程长度的不均匀性度量、行程总数的百分率。
2.2 特征选择
这样,本文对肝脏CT样本图像提取纹理特征达到28个,然而并不是每个特征都适用于样本图像的区分,对于某个特征而言,2个样本值存在显著性差异的为有效特征,否则为冗余特征。本文采用t检验法[8]进行特征选择。
令Xi,i=1,2,,..n1是ωi类中特征的样本值,其均值是μ1;相应的,对于另一类ω2,有Yi,i=1,2,,..n2其均值为μ2。现在2类特征值的方差不相等且未知,但n1=n2=n,为了确定2个期望值的接近程度,进行检验,其假设是:
令
用t检验法,在H0成立时,统计量
2.3 神经网络识别系统
针对2类样本图像,本文采用BP神经网络识别系统在正常肝和原发性肝癌之间进行分类。如图2所示。BP神经网络分类器的结构中,分类器包括一个输入层,一个隐含层和一个输出层。其中输入层含有与所选的有效特征数量相同的输入神经元,隐含层含有十个神经元,输出层含一个输出神经元,在隐含层和输出层使用正切S型传输函数,收敛判断值设为0.0001,最大训练步数为200。当训练数据和网络输出的平均误差平方降到低于这个值,认为这个网络已经收敛。
3 实验结果与分析
采用上述纹理特征提取算法,对每个ROI样本提取28个纹理特征,然后采用t检验法选择有效特征,在显著性水平a取0.05的情况下,一阶统计特征的10个特征以及信息测度I、信息测度II、和均值、最大相关系数、灰度不均匀性度量这15个特征具有显著差异,其余的为冗余特征。t检验选择结果见表1:
由于特征数目量较大,为直观观察t检验特征选择的结果是否准确,从有效特征中抽取一阶矩、和均值,从冗余特征中抽取熵,观察这些特征在不同性质的图像是否具有明显不同的统计分布,表1给出部分特征在原发性肝癌、正常肝脏CT图像中的统计分布,结果以均值±标准差表示。
从上表可以看到,一阶矩和和均值在正常肝和原发性肝癌中的统计分布有着显著性差异,而熵在2者之间的分布差异则没有有效特征明显,很难将这2种样本区分开。这一结果与t检验特征选择的结果是一致的,从而更直观证明该特征选择机制的准确性。
将t检验选出的特征向量输入到神经网络分类器中进行实验。MATLAB神经网络工具箱提供十分丰富的分析计算和仿真函数,为神经网络的应用提供极大的方便[9],因此分析软件选用MATLAB。
由于不同特征的物理意义不同,具有不同的动态范围,这样不同的特征常不具有可比性,因此,在分类之前首先将特征值归一化[10]。对于特征值x,l是其取值上限,u是其取值下限,可用下式归一化到[0,1]之间
用神经网络识别系统进行实验时分别采用2个方案:
方案一:全样本作为检测样本。
把样本集全部用于训练神经网络识别系统,然后仍然用该样本集来测试,根据测试结果来评价神经网络识别系统对全样本的识别率。
方案二:留1/3样本作为测试样本,其余做训练样本。
正常的和原发性肝癌各有30组样本,分别从正常的随机抽取10组,原发性肝癌中随机抽取10组作为测试样本,剩下的全部为训练样本。一共进行实验100次,统计系统对所有测试样本的识别正确率的平均值及标准差。识别结果如表3所示。
在方案一中,BP神经网络的识别率达到100%±0.00%,这个识别结果是比较好的。但是方案一是全样本既做训练集又做测试集,因此这些结果还不足以衡量识别效果。不过从中可以说明此分类识别器可以用于解决正常肝脏、原发性肝癌的识别问题。
在方案二中,BP神经网络对正常肝的识别率达到100%±0.00%,对原发性肝癌的识别率达到93.60%±5.35%,由这个结果可见,BP神经网络识别系统对肝脏CT图像识别有较高的识别准确率。
从表2中可以看出,方案二的相应识别率要比方案一的相应识比率有所降低,但这完全符合模式识别理论的规律,有导师型神经网络[11]对学习过的样本能够很好的识别,但是对于从未学习过的检测样本,只能根据学习样本的训练结果对该样本进行推断,识别率必然有所降低。
4 结论
文中根据正常肝脏、原发性肝癌在CT图像上的差异,对图像感兴趣区域进行纹理特征的提取,通过筛选得到区分正常肝脏、原发性肝癌的特征向量,并通过神经网络分类器训练和测试达到对正常肝脏100.00%±0.00%,原发性肝癌93.60%±5.35%。实验结果表明,BP神经网络具有较高的识别准确率,在纹理分析中有一定的应用价值,对肝脏CT图像的纹理特征具有良好的识别能力。本项研究成果有望为临床诊断原发性肝癌提供计算机辅助诊断手段。
摘要：目的 探索图像纹理分析方法对原发性肝癌CT图像的识别能力。方法 首先从一阶统计特征、灰度共生矩阵、灰度行程矩阵3方面提取正常肝脏和原发性肝癌CT图像的纹理特征,然后采用t检验进行特征选择,最后利用BP神经网络对保留的特征进行分类识别。结果 BP神经网络对正常肝的识别率是100±0.00%,对原发性肝癌的识别率是93.60±5.35%。结论 BP神经网络经设计优化后能达到较高的识别准确率,对于原发性肝癌的计算机辅助诊断具有一定实际意义和理论价值。
关键词：原发性肝癌,特征提取,特征选择,BP神经网络
参考文献
[1]徐辉雄,谢晓燕,吕明德,等.超声引导经皮消融术治疗复发性肝癌[J].中华肝胆外科杂志,2005,11(12):809-811.
[2]朱志英,许红璐,陈仙.原发性肝癌患者的需求现状[J].Modern Nursing,2007,13(19):1824-1825.
[3]Mir A H,Hanmandlu M,Tandon S N.Texture analysis of CTimages.IEEE International Conference of the Engineering inMedicine and Biology Society,1995;14(6):781-6.
[4]Chen E L,Chung P C,Chen C L,Tsai H M,Chang C I.Anautomatic diagnostic system for CT liver image classification[J].IEEE Trans.Biomed.Eng.,1998,45(6):783-794.
[5]Stavroula G.Mougiakakou,Ioannis K.Valavanis,AlexandraNikita,et al.Differential diagnosis of CT focal liver lesionsusing texture features,feature selection and ensemble drivenclassifiers[J].Artificial Intelligence in Medicine.2007,41:25-37.
[6]西奥多里德斯(Theodoridis,S.)等著,李晶皎等译,模式识别[M],第3版,北京:电子工业出版社,2006.213-219,310-312.
[7]Haralick R M,Shangmugam K,et al.Textural Featuresf or Image Classification[J].IEEE Transaction on Systems,1973,SMC-3(6):768-780.
[8]刘次华,万建平.概率论与数理统计[M],第2版,北京:高等教育出版社,2003:202-203.
[9]雷晓云张丽霞梁新平,基于MATLAB工具箱的BP神经网络年径流量预测模型研究[J].水文,2008,28(1):43-46.
[10]万金鑫,宋余庆,董淑德,等.医学图像灰度归一化显示技术研究[J].CT理论与应用研究,2008,17(4):67-75.
基于胸部CT图像的肺部自动分割 篇7
2008年8月29日收到肺部恶性肿瘤一直严重威胁着人类的生命健康, 而恶性肿瘤的早期发现却可以大大提高治愈率, 但如何准确、方便、迅速地确诊肿瘤则是医学界长期存在的一个难题。随着高速多排CT的广泛应用和计算机图象处理技术的发展, 计算机辅助诊断系统为准确、方便、定性、定量地诊断肿瘤提供了新的手段。而在该系统中, 肺区的分割则是关键技术之一, 因而能够快速准确地自动分割肺区有着重要的现实意义。
现有的肺区分割方法包括阈值法[1]、区域生长法[2], 以及基于模式分类的分割法[3]。传统阈值法实现简单、快速, 但未能有效去除躯干外及气管/支气管等区域。区域生长法均属半自动分割, 那些被强梯度边界包围的结构常被排除在外, 况且它对种子点及生长合并规则的选取也较敏感。基于模式分类的胸部CT分割方法虽然也取得了很好的效果, 但是训练样本需要人为选取, 而且由于要提取多个特征, 所以该法处理时间较长。
鉴于此, 为了将对阈值选取的敏感性和所需的人机交互减小到最低限度, 快速自动产生肺区精确的模板。木文结合了阈值处理、区域生长提出了一种肺区的自动分割方法。
1肺区分割方法
本方法主要包括CT预处理(除去背景)、除去气管/支气管、肺区提取和使用滚球方法[4]对肺区进行修补等步骤, 其流程如图1所示。
1.1CT预处理
CT预处理目的是除去背景(躯干外的部分)。除去背景的时候, 由于对于提取躯干的边界不需要太精确, 所以只需要找一种很快、简单的方法求取阈值。对图像的灰度直方图进行研究发现图像的灰度直方图明显呈双峰形状(图2(b)), 所以使用一种快速的双峰图像分割方法, 即先找出双峰的峰值点, 再找出两峰之间一边的波谷, 取两边波谷点之间的中点做为阈值。找到阈值后, 根据阈值把图像二值化, 把CT值小于阈值的置为0(即背景), 其它的置为1(即为躯干部分)。使用轮廓跟踪的方法[5]取得躯干部分的轮廓线后, 把轮廓线外面的区域全置为0, 内部区域全恢复原CT值。去掉背景后的图像如图5(b)。
1.2除去气管/支气管
在除去气管/支气管之前要先对图像二值化(只处理躯干区域)。根据躯干区域CT直方图, 使用最大熵方法求取阈值[6], 然后二值化, 小于阈值的置为0, 其它为1; 为0 的区域就是肺区、气管/支气管及其很小的噪音; 为1 的区域就是人体组织及肿瘤区。
如果气管/支气管跟肺区是分开的(如图3(a)), 由于它的面积远小于肺区, 所以很容易去掉。如果气管/支气跟肺取连在一起(如图3(b)), 则比较困难。使用区域生长的算法去除, 根据上一幅图像得到的气管/支气管区域(病人的一系列CT图像中的第一幅一般气管/支气管都是跟肺区分开的, 所以很容易得到, 依次下去)在当前图像中找出一个CT值最小的点, 如果该点跟上幅图像的气管/支气管区域中的最小值的CT值相差不多(如30), 该点就做为种子点。从种子点的CT值开始做为阈值, 以5 为步长增加阈值循环统计种子点的连通区域(与种子点想连小于阈值的点)的面积, 直到第i次到第i+1次的面积
增加不超过5个的时候停止循环, 则第i次的的连通区域就是要找的气管/支气管区域。
1.3肺区提取
去掉气管/支气管后, 在原二值图中为0的区域就是肺区了。使用轮廓跟踪法[5]就可以得到肺区的边缘, 这样得到的边缘是一组有序的点,方便以后的操作。边缘跟踪算法如下:
1.4肺区修补
提取肺区的目的是为了在肺区中找出肿瘤区, 有的肿瘤区跟组织粘连, 在二值化的后肿瘤区不包含在肺区内, 这样提取出来的肺区里就没有肿瘤区(图5(d)), 这就需要对肺区中的缺口进行修补, 把肿瘤区封进肺区。
使用滚球方法[4]进行修补, 该方法的思想(如图4 所示): 用一个球在提取出来的肺区的边缘上沿某个方向滚动, 在肺区的缺口处, 被滚球和肺区一起封在里面的为1 的区域都作为肺区, 滚球沿肺区边缘进行一圈后该操作结束。
主要算法如下:
2实验结果
本文所提出的提取肺区的方法的每步都是自动完成的, 这就将人机交互减至最少, 而且处理一幅图象的时间<1s(Pentium4 1.8 G, 512 M内存)。经过上述各步处理后得到的最后结果如图5(e)。
3结论
该方法虽然有人机交互少、速度快等优点, 但还是有些不足的地方, 由于滚球的半径是一定的, 所以滚球方法可以修补的缺口的宽度是受半径限制的。如果肿瘤区大部分跟组织粘连或者肺区被肿瘤区隔成多块, 该方法处理的结果就不理想了。
参考文献
[1]Zhao B,Yankelevitz D.Two-dimensional multi-criterion segmentation of pulmonary nodules on helical CT images.Medical Physics,1999;26(6):889—895
[2]杨加,吴祈耀,田捷,等.几种图象分割算法在CT图象分割上的实现和比较.北京理工大学学报,2000;6:720—724
[3]姜晓彤,罗立民,汪家旺,等.一种肺部肿瘤CT图象序列的自动分割方法.上海交通大学学报,2002;36(7):1028—1033
[4]Armato Samuel G,Sensakovic William F.Automatedlung segmention for thoracic CT:impact on computer-aided diagnosis.Academic Ra-diology,2004;11(9):1011—1021
[5]张远鹏,董海,等.计算机图象处理基础技术.北京大学出版社,1996:129—137
【CT图像特征】推荐阅读：
图像特征信息05-29
图像纹理特征06-24
图像特征向量06-27
频谱图像特征09-07
图像特征检测论文09-06
图像特征提取算法研究06-05
安全带图像特征08-16
图像特征提取研究论文06-30
平扫CT图像09-12
多层螺旋CT薄层图像05-30