專利名稱：基于pet/ct圖像紋理特征的肺部惡性腫瘤與良性結(jié)節(jié)檢測系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于醫(yī)學(xué)數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及一種基于PET/CT圖像紋理特征的肺 部惡性腫瘤與良性結(jié)節(jié)檢測系統(tǒng)。
背景技術(shù)：
肺癌是世界范圍內(nèi)最致命的癌癥之一。正電子發(fā)射斷層顯像/X線計算機體層掃描 (positron emission tomography/ computed tomography, PET/ CT)作為——禾中無倉'」新型影
像學(xué)診斷技術(shù)，近年來在肺癌診斷及術(shù)前分期的應(yīng)用有了很大的發(fā)展。與傳統(tǒng)的電子計算
機斷層掃描(computed tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)或單純的PET(positron emission tomography,正電子發(fā)射斷層掃描)等技術(shù)相比， PET/CT技術(shù)的優(yōu)勢是十分明顯的。CT圖像在軟組織處的對比分辨率很低，而許多惡性腫瘤 組織正是存在于軟組織中，在CT顯像時，其與周圍組織的差別不大，十分不明顯。這使醫(yī) 生對肺部腫瘤很難區(qū)分和定位。MRI與CT技術(shù)有一個共同的缺點，即只能顯示人體組織的 物理位置及解剖結(jié)構(gòu)信息，對于生理上的病變和異常無法表現(xiàn)。PET是一種放射性核素示 蹤醫(yī)學(xué)影像技術(shù)。它以F、 C、 N、 O等組成人體元素的同位素作為標(biāo)記核素，標(biāo)記人體生物 物質(zhì)如糖、氨基酸、脂肪、核酸等，使之作為示蹤劑顯示人體內(nèi)的生物活動。PET/CT技 術(shù)實現(xiàn)了PET圖像和CT圖像的同機融合，形成兩種技術(shù)的優(yōu)勢互補。
在利用PET/CT影像進行檢測和定位腫瘤組織方面，已經(jīng)出現(xiàn)了一些應(yīng)用閾值判斷和 SUV值比較的技術(shù)手段，除此之外，還有一些技術(shù)使用閾值和隱馬爾科夫模型相結(jié)合的方 法用于定位和劃分癌變區(qū)域。這些技術(shù)都在一定程度上能夠起到幫助醫(yī)生判斷病灶狀況和 腫瘤性質(zhì)的作用。
紋理特征是圖像最基本的視覺特征，在多種針對CT、 MRI影像的應(yīng)用中，基于紋理特 征的定量研究取得了較好的效果。同樣的，在PET/CT融合圖像中，有經(jīng)驗的醫(yī)生能夠通過 視覺判斷是否發(fā)生了癌變，因此癌變組織和良性組織在紋理上應(yīng)該有一定的不同；CT/PET 融合圖片的紋理特征應(yīng)該可以作為癌癥判斷的一種依據(jù)，但目前還沒有出現(xiàn)成熟的技術(shù)應(yīng) 用使用紋理特征來區(qū)分肺部惡性腫瘤和良性結(jié)節(jié)(如炎癥等)。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種利用計算機圖像分析和處理技 能輔助醫(yī)生更好地檢測 和定位肺部惡性腫瘤與良性結(jié)節(jié)檢測系統(tǒng)。本發(fā)明提出的檢測系統(tǒng)由5個功能模塊組成，各個模塊分別負(fù)責(zé)整個處理流程中的一 個有機部分。如圖1所示。該檢測系統(tǒng)由圖像預(yù)處理模塊2、圖像分割和R0I標(biāo)注模塊3、 紋理特征提取模塊4、紋理特征分析與選取模塊5和特征分類器6依次連接組成，系統(tǒng)輸 入包含病人病灶區(qū)域的PET/CT圖像1，輸入圖像由圖像預(yù)處理模塊2進行預(yù)處理操作；再 由圖像分割和ROI標(biāo)注模塊3完成病灶區(qū)域的準(zhǔn)確定位和區(qū)域劃分；紋理特征提取模塊4 對劃分出的ROI區(qū)域進行紋理特征提??；由特征分析與選取模塊5根據(jù)圖像紋理特征選出 最具有分類判別價值的特征組合，交給特征分類器6進行分類操作，最終給出病灶判別結(jié) 果7。下面分別詳述各個模塊實現(xiàn)的功能和處理過程。
1. 圖像預(yù)處理模塊
圖像預(yù)處理模塊的輸入為統(tǒng)一格式(JPEG或BMP)的病人病灶區(qū)域的PET/CT圖像(是 指PET圖像與CT圖像融合而成的融合圖像)，輸出為經(jīng)過預(yù)處理操作后的PET/CT圖像， 圖像以CBitmap或IPicture的類型存放在內(nèi)存中，模塊支持將圖像轉(zhuǎn)換為統(tǒng)一格式(JPEG 或BMP)輸出。該模塊內(nèi)包含各種基本圖像處理操作的功能函數(shù)，可以對圖像按照預(yù)定要求 進行預(yù)處理操作，包括灰度對比度的增強操作，圖像邊緣的銳化操作等。模塊首先檢查圖 像的各項指標(biāo)，如對比度是否在預(yù)定范圍內(nèi)，圖像邊緣的清晰程度是否滿足要求，如果不 滿足要求則調(diào)用對應(yīng)的操作函數(shù)，對圖像進行預(yù)處理。
2. 圖像分割與ROI標(biāo)注模塊
圖像分割與ROI標(biāo)注模塊的輸入為進過預(yù)處理的的PET/CT圖像，圖像以CBitmap或 IPicture的類型存放在內(nèi)存中，輸出為從輸入圖像中提取出的ROI區(qū)域圖像，圖像同樣以 CBitmap或IPicture的類型存放在內(nèi)存中，模塊支持將ROI圖像轉(zhuǎn)換為統(tǒng)一格式(JPEG或 BMP)輸出。
所有初始的PET/CT融合圖像均為固定分辨率的彩色圖像。采用種子區(qū)域生長法等圖 像分割方法對PET/CT圖像中的目標(biāo)區(qū)域(ROI)進行自動分割，然后在醫(yī)生的指導(dǎo)下進行 標(biāo)注，完成病灶區(qū)域的準(zhǔn)確定位和邊界區(qū)域的劃分。后續(xù)提取紋理特征時只針對分割出的 ROI中的像素進行提取。
3. 紋理特征提取模塊
紋理特征提取模塊的輸入為ROI區(qū)域圖像，圖像以CBitmap或IPicture的類型存儲
在內(nèi)存中，輸出為由ROI圖像的各項紋理特征的特征值組成的特征向量。模塊內(nèi)部包含一
個由多個紋理特征計算子模塊組成的圖像特征計算模塊組，該模塊組負(fù)責(zé)完成模塊的主要
功能，即計算輸入圖像的各項紋理特征的特征值。
由于腫瘤有不同于正常組織的生長規(guī)律和生物特征，腫瘤組織和良性組織會在PET/CT圖片中有不同的紋理或模式。并且，醫(yī)生在臨床上判斷腫瘤組織時已經(jīng)用到了其紋理、位 置和形狀的一些信息，并證明了紋理特征的有效性。同時，紋理特征在一些其他的醫(yī)學(xué)圖 像研究(如CT、 MRI)中已經(jīng)證明了其價值。因此選取巳被證明有效的紋理特征作為分析 PET/CT圖像感興趣區(qū)域的工具是有可行性的。
本發(fā)明研究了 5個不同的紋理特征，分別為粗糙度、對比度、繁忙度、復(fù)雜度和強度。 計算機中分為紋理特征計算的5各子模塊，這一類特征是從相鄰灰度等級差異矩陣 (neighborhood gray-tone-difference matrix, NGTDM)中計算得到的。這些特征主要 表現(xiàn)了物體紋理給人的視覺感受，不存在對于微觀紋理和宏觀紋理的處理效果不同的問 題。另外，NGTDM矩陣的計算開銷不大，實現(xiàn)起來較為方便。
3. 1相鄰灰度等級差異矩陣(NGTDM)計算子模塊。
計算每個視覺特征的具體公式是由對圖像感觀的描述中得到的，這種描述涉及了灰度 的空間變化以及變化的幅度，所有的特征都依賴于這兩個因素的不同。在圖像中，灰度的 空間變化可以通過計算所有像素的灰度值差異以及某一像素與其相鄰像素灰度值的差異 得到。因此計算這些特征的核心就是要找出一個一維矩陣，這個矩陣的第i個元素代表了 灰度等級為i的所有像素，其灰度值i與其周圍鄰居像素的灰度均值之差的總和。計算特 征的方法就是從這個矩陣中引申出來。
設(shè)f (k， 1)為圖像在(k, 1)位置上的像素灰度值，并且f (k， 1)的值為i。計算以(k, 1) 為中心的所有相鄰像素的灰度平均值，但不包括(k，l)本身。首先計算出相鄰差向量<formula>formula see original document page 7</formula>
這里d代表了鄰居的遠(yuǎn)近，即計算(2d+l)《2d+l)的一個方形鄰近區(qū)域。W為方形區(qū) 域的像素個數(shù)，W=(2d+1)2。 NGTDM矩陣中的第i個元素為<formula>formula see original document page 7</formula>Ni為灰度值為i的像素點數(shù)。 3. 2粗糙度計算子模塊
粗糙度，是紋理最基礎(chǔ)的特征，實際上經(jīng)常用來描述紋理。 一幅圖片的紋理比較粗糙， 代表了組成圖片的基本元素或基本紋理模式比較大。因此，這樣的圖片的灰度值的局部均 勻程度相當(dāng)高，并且可能在相當(dāng)大的區(qū)域內(nèi)都有著很高的均勻度。換句話說，灰度值的空 間變化率比較小。因此相鄰像素之間的灰度值會比較相似，即某一像素與其周圍像素的均 值之差就會較小。所以圖片中所有像素的這樣的差的總和代表了粗糙程度的反向。計算總和時可以將所有NGTDM中的所有元素加起來。同時，根據(jù)每個灰度值出現(xiàn)的可 能性作為權(quán)重。
<formula>formula see original document page 8</formula>Gh是圖像中最高的灰度等級，s是用于防止出現(xiàn)無窮大值的調(diào)節(jié)值。A是灰度值i 在圖像中出現(xiàn)的概率，即
<formula>formula see original document page 8</formula>
其中Ni為灰度值為i的像素點數(shù)，h為圖像高，w為圖像寬，*表示乘積 3.3對比度計算子模塊
對比度高意味著相鄰區(qū)域的灰度值之差較大。對比度的計算式為
<formula>formula see original document page 8</formula>
^S是圖像中不同灰度等級的等級總數(shù)，即:
<formula>formula see original document page 8</formula>
對比度^。"是兩項的乘積。第一項代表了不同灰度的像素對間的平均加權(quán)差平方，并 被用來反映圖像灰度值的動態(tài)變化范圍。權(quán)重是兩個灰度值出現(xiàn)可能性的乘積。第二項是 像素灰度與鄰居像素灰度均值的平均差；當(dāng)圖像的局部灰度變化程度越高，這個值越大。
3. 4繁忙度計算子模塊
繁忙度表現(xiàn)了圖像灰度值的空間變化率。 一幅更忙碌的圖片，代表了像素與其周圍像 素的灰度值變化速度很快，即像素灰度值的空間變化率非常高。如果從較大的范圍來看， 這樣的快速變化造成的像素值實際差異并不大，即不易被人眼感知，那么該區(qū)域的局部均 勻性還是很高的。但從另一方面講，如果灰度值的變化速率較低，局部的均勻性依然可能 很高。像素灰度值變化的速率決定了圖像的忙碌程度，同時這種變化的大小取決于圖像的 對比度。<formula>formula see original document page 8</formula>
公式中，分子是一個灰度值空間變化得度量，分母是不同灰度值差異度的和。每個值 都以其出現(xiàn)的可能性為權(quán)重。分母實際上與對比度成倒數(shù)的關(guān)系。因此這個表達(dá)式強調(diào)了灰度值空間變化的頻率，即繁忙度。繁忙度越高，圖像顯得越精細(xì)。 3. 5復(fù)雜度計算子模塊復(fù)雜度代表了一幅圖片的視覺信息容量大小。復(fù)雜的紋理代表信息容量大。 一幅圖像 中如果有很多明顯的邊或線時，其復(fù)雜性較高。復(fù)雜度取決于像素灰度模式的重復(fù)性和圖 像具有的灰度值的高低范圍，因此與對比度和忙碌度相關(guān)。一般來說，灰度值的空間變化率小的圖像，灰度值取值范圍可能較小，則其基本元素 (即"塊")的平均灰度值可能差異不大，但這些"塊"卻可能很大。這樣的局部均勻性 使得紋理中的邊數(shù)量較小。因此， 一幅有著較快空間變化率的圖像一般會比一幅有著較大 局部均勻性的圖像的復(fù)雜度大。較快的像素空間變化率意味著不同的像素值較多，則每個 像素值出現(xiàn)的概率就會較小。因此一幅圖片的基本組成元素的大小以及每個像素出現(xiàn)的概 率與復(fù)雜度是負(fù)相關(guān)的。復(fù)雜度的公式表示如下二 I; i; ((u'-川/("2 (a+&)} (wo')+p/(y)}，,=0 乂=0復(fù)雜度是像素對之間標(biāo)準(zhǔn)化的灰度差之和。這些差用ngtdm矩陣中的對應(yīng)于兩個灰度值的元素的和進行標(biāo)準(zhǔn)化，即進行加權(quán)。標(biāo)準(zhǔn)化系數(shù)"2(/ '+^)用來表示復(fù)雜度與圖像基 本組成元素大小、或者灰度值出現(xiàn)概率的反比例關(guān)系。對于粗糙度高的圖像，這個系數(shù)會 較大；對于較繁忙或精細(xì)的圖像，這個系數(shù)會較小。灰度值差的絕對值用來表示復(fù)雜度受 對比度變化的影響，同時其權(quán)值表現(xiàn)了灰度值空間變化的速度。復(fù)雜度越高，說明圖像的 內(nèi)容越豐富。3. 6強度計算子模塊強度是一個較難描述的特征。通常情況下， 一個圖片強度大意味著其中的基本組成元 素是清晰可見和容易定義的。由于提供了清晰的視覺感受，這一類圖片是讓人覺得更有吸 引力的。這種清晰性與基本組成元素的大小和平均灰度值均相關(guān)。 一些較大的"塊"在平 均灰度值差異較小時也很容易區(qū)分；然而較小的"塊"在平均灰度值差異較大時才顯得清 晰。因此強度值與粗糙度以及對比度是相關(guān)的。強度公式表示如下欣e一 = E Z O, + & )0. - 乂)2 ] /[s + X！,=0 _/=0 ,.=09(9)式中的分子表示了強度與對比度的正比例關(guān)系，分母表示了與粗糙度的反比例關(guān)系。 即灰度差異越大，分子越大，強度越大；組成圖像的"塊"的尺寸越大，分母越小，則強 度越小。4. 紋理特征分析和選取模塊特征選取模塊的輸入為roi區(qū)域圖像的紋理特征的特征值向量，輸出為從該向量中選 擇出的特征值組成的新特征向量。該模塊使用紋理特征分析和選取算法判斷不同特征的對 應(yīng)roi圖像的選取效果，從中剔選出最具有判別價值的特征向量，組合成為新特征向量。對紋理特征進行分析，即研究不同特征針對不同區(qū)域和類型的腫瘤和良性結(jié)節(jié)圖像的 判別效果，為此引入一個"距離"的概念。某一特征對兩種roi (惡化腫瘤roi和兩性結(jié) 節(jié)roi)的距離越大，說明該特征越有效。距離計算如下=|附e""雄。，—附e朋膨顧,|/^賄2+CJ—,2 (10)其中附ea"咖。,、 賺和we"""。腳,、cj"畫。/分別為腫瘤rOI和良性結(jié)節(jié)roi的特征值的 平均值和標(biāo)準(zhǔn)差。特征的分析過程是建立在一個足夠大的學(xué)習(xí)集基礎(chǔ)上的。學(xué)習(xí)集內(nèi)包含各種類型和區(qū) 域的腫瘤和良性結(jié)節(jié)圖像，這些圖像依據(jù)所在區(qū)域和圖像內(nèi)容類型的不同被分成不同子 類。在對一個特征進行分析時，對分別屬于腫瘤roi和良性結(jié)節(jié)roi的兩個圖像子類進行 分類，即計算此種特征對這兩個圖像子類的距離，距離越大，說明該特征對于這兩個子類 所對應(yīng)的圖像類型和所在區(qū)域的判別價值就越高。通過對整個學(xué)習(xí)集的分析，就可以選取 得到不同特征對應(yīng)的最具有分類價值的適用區(qū)域和圖像類型。5. 特征分類器特征分類器的輸入roi區(qū)域圖像的部分(或全部)特征值組成的特征向量，輸出為對 roi圖像的判別結(jié)果。該模塊使用已有的特征分類算法對輸入向量進行判別，并給出最終 判別結(jié)果。在對各個特征進行深入分析的基礎(chǔ)上，本發(fā)明使用k近鄰分類器對圖像特征進行分類， 以判別惡性腫瘤和良性結(jié)節(jié)。k近鄰分類器與樣本集分布無關(guān)，當(dāng)樣本分布未知時也能表現(xiàn)的很好。有許多選取特 征的方法都假設(shè)樣本集符合高斯分布，并且樣本集中的數(shù)據(jù)是相互獨立的，如基因算法等。 k近鄰算法在類似的研究中被證明有很好的表現(xiàn)。利用k近鄰分類器在訓(xùn)練樣本的基礎(chǔ)上學(xué)習(xí)得到分類邊界，再利用分類邊界對pet/ct10圖像進行分類和判別。為了提高分類效果，分類器除了應(yīng)用K近鄰算法進行分類之外，還 利用自學(xué)習(xí)算法不斷改進相關(guān)參數(shù)，從而提高分類的精確率。K近鄰分類算法的主要參數(shù) 為基礎(chǔ)分類結(jié)果集，近鄰個數(shù)的選取和對噪聲點的排除。算法針對每個分類點，將它與基 礎(chǔ)分類結(jié)果集做比照，選取它距離最近的K個鄰居，根據(jù)這些鄰居中的分類情況決定該點 的分類情況。算法還要盡可能地排除噪聲點，以減少對分類結(jié)果的影響。通過使用自學(xué)習(xí) 算法利用分類結(jié)果進行自我校正，改進相關(guān)的分類參數(shù)，從而不斷提高自身的分類性能。 本發(fā)明提出的肺部惡性腫瘤和良性結(jié)節(jié)的檢測方法，包括如下步驟1. 對PET/CT融合圖像的預(yù)處理，預(yù)處理包括圖像邊緣的銳化，灰度對比度的增強， 得到預(yù)處理圖像；2. 對PET/CT融合圖像進行分割和ROI標(biāo)注準(zhǔn)，得到ROI區(qū)域圖像；3. 對ROI區(qū)域圖像進行紋理特征提取，提取了紋理特征包括粗糙度、對比度、繁忙 度、復(fù)雜度、強度5種，這些紋理特征根據(jù)相鄰灰度等級差異矩陣計算得到；4. 紋理特征分析和選取。使用紋理特征分析和選取算法判別不同特征對應(yīng)ROI圖像 的選取效果，從中剔選出最具判別價值的特征向量，組合成新特征向量；5. 特征分類與判別，利用K臨近分類器對圖像特征進行分類，以判別惡性腫瘤和良 性結(jié)節(jié)。上述步驟中涉及到的處理方法和計算公式見各模塊中的相應(yīng)部分。 本發(fā)明將套圖像預(yù)處理，圖像分割，紋理特征提取，特征分類算法整合為一個緊湊而功能完成的整體系統(tǒng)，大大提高了處理效率和改善了使用體驗。系統(tǒng)架構(gòu)功能完善而不失靈活性，各個模塊之間實現(xiàn)了低耦合，能夠根據(jù)不同的處理需求方便快捷地對系統(tǒng)進行更新和維護。
圖l 表示系統(tǒng)框架示意圖。圖2表示肺部癌癥患者的PET/CT融合圖像，以及分割和標(biāo)注結(jié)果。 圖3表示肺部良性結(jié)節(jié)的PET/CT融合圖像，以及分割和標(biāo)注結(jié)果。 圖中標(biāo)號1為PET/CT圖像，2為圖像預(yù)處理模塊，3為圖像分割和R0I標(biāo)注模i央，4為紋理特征提取模塊，5為紋理特征分析與選取模塊，6為特征分類器，7為圖像判別結(jié)果，A為預(yù)處理圖像，B為ROI區(qū)域圖像，C為ROI特征值。
具體實施方式
下面結(jié)合附圖和實例進一步描述本發(fā)明?；颊呒?、乙在PET/CT工作臺上進行掃描，在實際使用時，可在本系統(tǒng)與PET/CT圖形工作站之間搭建接口，使得系統(tǒng)能夠直接從圖形工作站獲得PET/CT融合圖像1。圖2左是 患者甲的PET/CT融合圖像，圖3是患者乙的PET/CT融合圖像。從PET/CT圖形工作站獲得的原始的融合圖像為經(jīng)過圖像預(yù)處理模塊2的處理得到預(yù) 處理圖像A。預(yù)處理包括圖像邊緣銳化，對比度增強等操作。模塊2還提供一個人工標(biāo)注 接口和圖形操作界面，用于人工標(biāo)注病灶區(qū)域。預(yù)處理圖像A由圖像分割和ROI標(biāo)注模塊3進行進一步處理。該模塊從已標(biāo)注的病灶 區(qū)域中提取出準(zhǔn)確病灶邊界，并將病灶區(qū)域提取出來，標(biāo)注為R0I區(qū)域。圖2右是患者甲 PET/CT圖像經(jīng)過分割和標(biāo)注后的ROI區(qū)域，圖3右是患者乙經(jīng)過分割和標(biāo)注后的ROI區(qū)域。特征提取模塊4得到ROI區(qū)域圖像后，并行或串行地調(diào)用圖像紋理特征計算子模塊， 得到5個相應(yīng)的特征值粗糙度、對比度、繁忙度、復(fù)雜度和強度。將這些特征值組合成 為特征值向量，傳遞給特征選取模塊5。特征選取模塊5得到ROI區(qū)域特征值后，從上述5個特征值中選出部分(或者全部)具有良好的分類判別價值的特征值組合，如繁忙度，復(fù)雜度和強度，將它們組合成新的特征值向量傳遞給特征分類器6。特征分類器6依據(jù)特征值向量進行分類操作，將分類結(jié)果依據(jù)一定的準(zhǔn)則轉(zhuǎn)化為圖像判別結(jié)果7，輸入給系統(tǒng)用戶。圖像判別結(jié)果7包括PET/CT圖像中病灶的準(zhǔn)確位置和區(qū)域邊界，以及該病灶屬于惡性腫瘤或良性結(jié)節(jié)的可能性大小，以概率表示?；颊呒椎呐袆e結(jié)果為屬于惡性腫瘤的概率為0.85，屬于良性結(jié)節(jié)的概率為O. 15，故患者甲患惡性腫瘤的可能性較大；患者乙的判別結(jié)果為屬于惡性腫瘤的概率為0.22，屬于良性結(jié)節(jié)的概率為0.78，故患者乙病灶為良性結(jié)節(jié)的可能性較大。
權(quán)利要求
1.一種基于PET/CT圖像紋理特征的肺部惡性腫瘤和良性結(jié)節(jié)的檢測系統(tǒng)，其特征在于該檢測系統(tǒng)由圖像預(yù)處理模塊(2)、圖像分割和ROI標(biāo)注模塊(3)、紋理特征提取模塊(4)、紋理特征分析與選取模塊(5)和特征分類器(6)依次連接組成，系統(tǒng)輸入包含病人病灶區(qū)域的PET/CT圖像(1)，輸入圖像由圖像預(yù)處理模塊(2)進行預(yù)處理操作；再由圖像分割和ROI標(biāo)注模塊(3)完成病灶區(qū)域的準(zhǔn)確定位和區(qū)域劃分；紋理特征提取模塊(4)對劃分出的ROI區(qū)域進行紋理特征提取；由特征分析與選取模塊(5)根據(jù)圖像紋理特征選出最具有分類判別價值的特征組合，交給特征分類器(6)進行分類操作，最終給出病灶判別結(jié)果(7)；其中所述的PET/CT圖像是由PET圖像和CT圖像融合而成的融合圖像；所述的圖像預(yù)處理模塊(2)對輸入圖像進行預(yù)處理操作，包括對圖像邊緣銳化，對比度增強處理；所述的圖像分割與ROI標(biāo)注模塊(3)采用種子區(qū)域生長法對PET/CT圖像中的ROI進行自動分割，然后在醫(yī)生指導(dǎo)下進行標(biāo)注，劃分出病灶的準(zhǔn)確位置和區(qū)域邊界；所述的紋理特征提取模塊(4)包含一個動態(tài)更新的圖像特征計算模塊組，計算機自動地調(diào)用模塊組中的各個特征計算子模塊，完成對ROI區(qū)域的多種紋理特征計算的過程；所述各個特征計算子模塊分述如下1)相鄰灰度等級差異矩陣計算子模塊；設(shè)f(k，l)為圖像在(k，l)位置上的像素灰度值，并且f(k，l)的值為i；計算以(k，l)為中心的所有相鄰像素的灰度平均值，但不包括(k，l)本身；首先計算出相鄰差向量<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mover> <msub><mi>A</mi><mi>i</mi> </msub> <mo>‾</mo></mover><mo>=</mo><mfrac> <mn>1</mn> <mrow><mi>W</mi><mo>-</mo><mn>1</mn> </mrow></mfrac><mo>[</mo><munderover> <mi>Σ</mi> <mrow><mi>m</mi><mo>=</mo><mo>-</mo><mi>d</mi> </mrow> <mi>d</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>n</mi><mo>=</mo><mo>-</mo><mi>d</mi> </mrow> <mi>d</mi></munderover><mi>f</mi><mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>m</mi> <mo>,</mo> <mi>l</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo></mrow><mo>]</mo><mo>,</mo><mrow> <mo>(</mo> <mi>m</mi> <mo>+</mo> <mi>n</mi> <mo>)</mo></mrow><mo>≠</mo><mrow> <mo>(</mo> <mn>0,0</mn> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>這里d代表了鄰居的遠(yuǎn)近，即計算(2d+1)·(2d+1)的一個方形鄰近區(qū)域；W為方形區(qū)域的像素個數(shù)，W＝(2d+1)2；相鄰灰度等級差異矩陣中的第i個元素為Ni為灰度值為i的像素點數(shù)；2)粗糙度計算子模塊粗糙度的計算式如下<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msub> <mi>f</mi> <mi>cos</mi></msub><mo>=</mo><msup> <mrow><mo>[</mo><mi>ϵ</mi><mo>+</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><msub> <mi>p</mi> <mi>i</mi></msub><mi>s</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>]</mo> </mrow> <mrow><mo>-</mo><mn>1</mn> </mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>Gh是圖像中最高的灰度等級，ε是用于防止出現(xiàn)無窮大值的調(diào)節(jié)值；pi是灰度值i在圖像中出現(xiàn)的概率，即pi＝Ni/(h*w) (4)其中Ni為灰度值為i的像素點數(shù)，h為圖像高，w為圖像寬，*表示乘積；3)對比度計算子模塊對比度的計算式為<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msub> <mi>f</mi> <mi>con</mi></msub><mo>=</mo><mo>[</mo><mfrac> <mn>1</mn> <mrow><msub> <mi>N</mi> <mi>g</mi></msub><mrow> <mo>(</mo> <msub><mi>N</mi><mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><msub> <mi>p</mi> <mi>i</mi></msub><msub> <mi>p</mi> <mi>j</mi></msub><msup> <mrow><mo>(</mo><mi>i</mi><mo>-</mo><mi>j</mi><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo><mo>[</mo><mfrac> <mn>1</mn> <msup><mi>n</mi><mn>2</mn> </msup></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><mi>s</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>Ng是圖像中不同灰度等級的等級總數(shù)，即4)繁忙度計算子模塊繁忙度計算式為<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><msub> <mi>f</mi> <mi>bus</mi></msub><mo>=</mo><mo>[</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><msub> <mi>p</mi> <mi>i</mi></msub><mi>s</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>]</mo><mo>/</mo><mo>[</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><mo>|</mo><msub> <mi>ip</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>jp</mi> <mi>j</mi></msub><mo>|</mo><mo>]</mo><mo>,</mo> </mrow>]]></math> id="icf0006" file="A2009101963040003C4.tif" wi="69" he="13" top= "158" left = "64" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>pi≠0，pj≠0 (7)5)復(fù)雜度計算子模塊復(fù)雜度的計算式如下<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><msub> <mi>f</mi> <mi>com</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><mo>{</mo><mo>(</mo><mo>|</mo><mi>i</mi><mo>-</mo><mi>j</mi><mo>|</mo><mo>)</mo><mo>/</mo><mrow> <mo>(</mo> <msup><mi>n</mi><mn>2</mn> </msup> <mrow><mo>(</mo><msub> <mi>p</mi> <mi>i</mi></msub><mo>+</mo><msub> <mi>p</mi> <mi>j</mi></msub><mo>)</mo> </mrow> <mo></mo></mrow><mo>}</mo><mo>{</mo><msub> <mi>p</mi> <mi>i</mi></msub><mi>s</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>+</mo><msub> <mi>p</mi> <mi>j</mi></msub><mi>s</mi><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow><mo>}</mo><mo>,</mo> </mrow>]]></math></maths>pi≠0，pj≠0 (8)6)強度計算子模塊強度的計算式如下<maths id="math0006" num="0006" ><math><![CDATA[ <mrow><mi>strength</mi><mo>=</mo><mo>[</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><mrow> <mo>(</mo> <msub><mi>p</mi><mi>i</mi> </msub> <mo>+</mo> <msub><mi>p</mi><mi>j</mi> </msub> <mo>)</mo></mrow><msup> <mrow><mo>(</mo><mi>i</mi><mo>-</mo><mi>j</mi><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo><mo>/</mo><mo>[</mo><mi>ϵ</mi><mo>+</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <msub><mi>G</mi><mi>h</mi> </msub></munderover><mi>s</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>]</mo><mo>,</mo> </mrow>]]></math></maths>pi≠0，pj≠0(9)
2.根據(jù)權(quán)利要求l所述的檢測系統(tǒng)，其特征在于所述的紋理特征分析和選取模塊(5)中對紋理特征進行分析，即研究不同特征針對不同區(qū)域和類型的腫瘤和良性結(jié)節(jié)圖像的判 別效果，為此引入一個"距離"的概念；某一特征對惡化腫瘤roi和兩性結(jié)節(jié)roi的距離 越大，說明該特征越有效；距離計算式如下<formula>formula see original document page 4</formula>其中騰a"'鵬。r 、 a薩'.和me朋"固w 、 cr 。ma/分別為腫瘤R0I和良性結(jié)節(jié)r0i的特征值的 平均值和標(biāo)準(zhǔn)差；特征的分析過程是建立在一個足夠大的學(xué)習(xí)集基礎(chǔ)上的；學(xué)習(xí)集內(nèi)包含各種類型和區(qū) 域的腫瘤和良性結(jié)節(jié)圖像，這些圖像依據(jù)所在區(qū)域和圖像內(nèi)容類型的不同被分成不同子 類；在對一個特征進行分析時，對分別屬于腫瘤roi和良性結(jié)節(jié)roi的兩個圖像子類進行 分類，即計算此種特征對這兩個圖像子類的距離，距離越大，說明該特征對于這兩個子類 所對應(yīng)的圖像類型和所在區(qū)域的判別價值就越高；通過對整個學(xué)習(xí)集的分析，就選取得到 不同特征對應(yīng)的最具有分類價值的適用區(qū)域和圖像類型。
3.根據(jù)權(quán)利要求1所述的檢測系統(tǒng)，其特征在于所述的特征分類器(6)采用K近鄰 分類器。
全文摘要
本發(fā)明屬于醫(yī)學(xué)數(shù)字圖像處理技術(shù)領(lǐng)域，具體為一種基于PET/CT圖像紋理特征的肺部惡性腫瘤與良性結(jié)節(jié)檢測系統(tǒng)。本發(fā)明的主要功能是在PET/CT圖片中尋找到有用的紋理特征來更好區(qū)分肺部腫瘤組織和良性組織。先在PET/CT圖像中分割出感興趣區(qū)域ROI，然后提取出ROI的5個紋理特征粗糙度，對比度，繁忙度，復(fù)雜度，強度。再利用距離計算和特征分類器對特征進行分類判別，利用多種特征的組合數(shù)據(jù)有效地區(qū)分惡性腫瘤和良性結(jié)節(jié)。
文檔編號A61B6/03GK101669828SQ20091019630
公開日2010年3月17日 申請日期2009年9月24日 優(yōu)先權(quán)日2009年9月24日
發(fā)明者垣 周, 張文強, 翔 施, 域 沈, 巖 潘, 王長梅, 管一暉, 袁永盛 申請人:復(fù)旦大學(xué)