專利名稱::肺結(jié)節(jié)的高級(jí)計(jì)算機(jī)輔助診斷的制作方法肺結(jié)節(jié)的高級(jí)計(jì)算機(jī)輔助診斷本申請(qǐng)主張2006年9月22日提交的序號(hào)為no.60/826,602的美國(guó)臨時(shí)申請(qǐng)的權(quán)益,以引用的方式將其全文合并于此。提供用于高級(jí)計(jì)算機(jī)輔助診斷的系統(tǒng)和方法。肺癌是一種常見的并經(jīng)常致命的疾病。盡管在外科技術(shù)和治療方面有所改進(jìn),肺癌患者的五年生存率保持在僅有約15%。然而,對(duì)于在該疾病仍為局部時(shí)就被檢測(cè)到的情況而言,五年生存率為約50%。對(duì)可疑病灶的早期檢測(cè)和診斷允許早期的介入治療并且會(huì)引起改進(jìn)的預(yù)后。肺結(jié)節(jié)的表征是一個(gè)主要挑戰(zhàn),甚至連專家都經(jīng)常不同意肺結(jié)節(jié)是癌性的。惡性結(jié)節(jié)的誤診造成治療的延誤。為了使誤診最小化,許多患者進(jìn)行活組織檢査,其消極地影響了患者的身體健康和心理健康,并對(duì)患者和保險(xiǎn)提供者施加了很大的經(jīng)濟(jì)負(fù)擔(dān)。多層計(jì)算機(jī)斷層攝影(MSCT)的新近進(jìn)展使得肺癌的檢測(cè)和診斷可能在比以前更早的階段進(jìn)行。然而,這種系統(tǒng)生成要由放射學(xué)家解釋的大量數(shù)據(jù)。這進(jìn)而增加了臨床決策支持系統(tǒng)(CDSS)的重要性。CDSS的一個(gè)示例為計(jì)算^l輔助檢測(cè)(CAD)系統(tǒng)。在MSCT掃描中自動(dòng)識(shí)別潛在病灶(諸如從胸部MSCT掃描識(shí)別肺結(jié)節(jié))的CAD系統(tǒng)已獲得FDA認(rèn)證并且在市場(chǎng)上可獲得。相反,表征所檢測(cè)的病灶的計(jì)算機(jī)輔助診斷(CADx)系統(tǒng)仍停留在研究階段(Awai等人,Radiology,2006年第239巻第1期第276-284頁(yè);Suzuki等人,IEEETrans,onMedicalImaging,2005年第24巻第9期第1138-1150頁(yè);以及Way等人,Me.Phys.,33(7),第2323-2337頁(yè),2006年)。CADx算法典型地依賴于機(jī)器學(xué)習(xí)技術(shù),以將一組輸入特征與期望的診斷輸出聯(lián)系起來(lái)。例如,在用于肺癌診斷的肺部計(jì)算機(jī)斷層攝影(CT)成像中,這些輸入特征可以包括應(yīng)用于被研究的肺結(jié)節(jié)的圖像處理算法的結(jié)果。識(shí)別用于機(jī)器學(xué)習(xí)的圖像特征的過(guò)程被稱為特征提取。改進(jìn)CADx系統(tǒng)的診斷準(zhǔn)確度是將該技術(shù)成功引入臨床的一個(gè)關(guān)鍵步驟。改進(jìn)CADx的性能的一種方法為改進(jìn)特征提取過(guò)程。表征所檢測(cè)的病灶的CADx系統(tǒng)仍處于研究階段,甚至連文獻(xiàn)中所描述的許多新近系統(tǒng)也無(wú)法并入臨床信息或采用最優(yōu)特征提取或應(yīng)用高級(jí)機(jī)器學(xué)習(xí)技術(shù)。因此,在此提供在受檢者中的疾病的診斷中提供決策支持的方法和系統(tǒng)。一個(gè)實(shí)施例中的方法包括提取所述受檢者中的基于圖像的感興趣體積;分割所述圖像,以從所述圖像的背景描繪所述感興趣體積內(nèi)的至少一個(gè)病灶;在多個(gè)維數(shù)中提取基于圖像的特征;將臨床信息轉(zhuǎn)換為兼容格式,并且將所述臨床信息與所述基于圖像的特征結(jié)合,以形成特征庫(kù);以及從由輸出決策的分類器或分類器委員會(huì)(committeeofclassifiers)所要使用的子集庫(kù)中選擇最優(yōu)特征子集或最優(yōu)特征子集組,其中,所述分類器或分類器委員會(huì)提供對(duì)所述病灶的診斷的預(yù)測(cè)。相關(guān)的實(shí)施例還包括在感興趣體積的各切片之間進(jìn)行插值,以創(chuàng)建各向同性的體素表示。在這些實(shí)施例中的任一個(gè)中,多個(gè)維數(shù)包括用于基于圖像的特征提取的2維、2.5維和3維。相關(guān)的實(shí)施例還包括最優(yōu)特征子集,其包括遺傳算法、統(tǒng)計(jì)差分濾波、相關(guān)濾波、遞歸特征消除、逐步線性回歸以及隨機(jī)特征選擇中的至少一項(xiàng)。在相關(guān)的實(shí)施例中,將臨床信息變換為多個(gè)臨床特征類別。在另一相關(guān)的實(shí)施例中,分類器或分類器委員會(huì)為支持向量機(jī)、決策樹、線性判別分析、或神經(jīng)網(wǎng)絡(luò)。在又一實(shí)施例中,分類器或分類器委員會(huì)確定至少一個(gè)病灶是惡性的還是良性的。在相關(guān)的實(shí)施例中,分類器或分類器委員會(huì)確定至少一個(gè)病灶為惡性的可能性。分類器或分類器委員會(huì)作出的確定結(jié)果由諸如簡(jiǎn)單平均值、簡(jiǎn)單投票、加權(quán)平均值或加權(quán)投票之類的至少一種計(jì)算確定。提供用于計(jì)算機(jī)輔助診斷的系統(tǒng),其包括預(yù)處理單元,用以提取基于圖像的感興趣區(qū)域;插值單元,用以生成各向同性或接近各向同性的體素表達(dá);分割單元,用以描繪所述感興趣區(qū)域中的至少一個(gè)病灶;特征提取單元,用以在多個(gè)維數(shù)中從所述感興趣區(qū)域的所述圖像提取多個(gè)維數(shù)中的基于圖像的特征;臨床信息處理單元,用以接收臨床信息并將其轉(zhuǎn)換變換為兼容格式;以及分類器或分類器委員會(huì),其利用所述基于圖像的特征和所述臨床信息以輸出決策。相關(guān)的實(shí)施例還包括特征選擇單元,用以在訓(xùn)練所述系統(tǒng)的過(guò)程中從特征庫(kù)選擇相關(guān)的基于圖像的特征和臨床特征。在另一相關(guān)的實(shí)施例中,該特征選擇單元還包括優(yōu)化技術(shù),諸如遺傳算法、統(tǒng)計(jì)差分濾波、相關(guān)濾波、遞歸特征消除、逐步線性回歸和隨機(jī)特征選擇;以及選擇的分類器或分類器委員會(huì),其包括支持向量機(jī)、決策樹、線性判別分析和神經(jīng)網(wǎng)絡(luò)。在相關(guān)的實(shí)施例中,通過(guò)執(zhí)行至少一種形態(tài)學(xué)運(yùn)算來(lái)構(gòu)造基于圖像的感興趣區(qū)域。所述至少一種形態(tài)學(xué)運(yùn)算包括腐蝕、膨脹和孔洞填充。.相關(guān)的實(shí)施例還包括通過(guò)選擇由所述分割產(chǎn)生的最大相鄰對(duì)象來(lái)構(gòu)造基于圖像的感興趣區(qū)域。在另一相關(guān)的實(shí)施例中,基于圖像的感興趣區(qū)域包括內(nèi)部區(qū)域、外部區(qū)域和邊界區(qū)域,其中不需要的元素被排除在感興趣區(qū)域之外。在另一相關(guān)的實(shí)施例中,臨床信息還包括從年齡、性別、吸煙史、癌癥史、家族史、職業(yè)暴露、休閑暴露、既往肺部疾病、現(xiàn)患肺部疾病、先前的胸部手術(shù)、要被診斷的病灶周圍的衛(wèi)星病灶的數(shù)量、淋巴結(jié)大小、是否存在可疑結(jié)以及病灶在肺中的位置中選擇的至少一個(gè)數(shù)據(jù)點(diǎn)。在相關(guān)的實(shí)施例中,分類器確定病灶是惡性的還是良性的。在另一相關(guān)的實(shí)施例中,分類器確定病灶為惡性的可能性。在又一實(shí)施例中,提供一種從多切片數(shù)據(jù)集提取特征的方法,其中所述方法包括以下步驟數(shù)學(xué)地表示對(duì)象的空間分布;數(shù)學(xué)地表示對(duì)象的形狀;確定對(duì)象的輪廓和紋理;識(shí)別病灶的邊界像素并估計(jì)導(dǎo)數(shù);分析作為沿著輪廓的位置的函數(shù)的導(dǎo)數(shù);自動(dòng)識(shí)別對(duì)象內(nèi)的暗區(qū)域或亮區(qū)域的存在;以及對(duì)對(duì)象的周圍區(qū)域的圖像的紋理進(jìn)行近似。相關(guān)的實(shí)施例還包括通過(guò)由用戶手動(dòng)選擇或通過(guò)自動(dòng)選擇最大切片而從多切片數(shù)據(jù)集選擇獨(dú)立的切片以用于分析。在相關(guān)的實(shí)施例中,對(duì)以下至少一項(xiàng)計(jì)算特征多切片數(shù)據(jù)集的每個(gè)切片;以任意角度進(jìn)行的最大強(qiáng)度投影;以任意角度進(jìn)行的最小強(qiáng)度投影;以及貫穿所述圖像的一個(gè)或多個(gè)切片以任意角度進(jìn)行的數(shù)字重建射線照片。在另一相關(guān)的實(shí)施例中,對(duì)多切片數(shù)據(jù)集的各切片計(jì)算的特征通過(guò)包括下列的方法進(jìn)行結(jié)合計(jì)算加權(quán)平均值,其中權(quán)重與每個(gè)切片上的像素的數(shù)量成比例;找出橫跨多切片數(shù)據(jù)集的多個(gè)切片的最大值;以及找出橫跨多切片數(shù)據(jù)集的多個(gè)切片的最小值。在另一相關(guān)實(shí)施例中,在多個(gè)維數(shù)的每個(gè)中計(jì)算特征。在另一實(shí)施例中,通過(guò)下列至少一項(xiàng)描述對(duì)象的形狀邊界像素位置的傅立葉變換之后的系數(shù)分布;分割對(duì)象的對(duì)平移、旋轉(zhuǎn)和縮放不變的數(shù)學(xué)矩;圖像像素的灰度分布的數(shù)學(xué)矩;分形維數(shù);以及鏈碼。在另一實(shí)施例中,通過(guò)下列至少一項(xiàng)描述對(duì)象的紋理分形維數(shù);基于灰度共生矩陣的能量、熵、最大概率、慣量、逆差和相關(guān);以及基于鄰域灰色調(diào)差分矩陣的粗糙度、對(duì)比度、繁忙度、復(fù)雜度和強(qiáng)度。在又一實(shí)施例中,通過(guò)下列至少一項(xiàng)描述描述周圍區(qū)域圖像強(qiáng)度沿著與局部輪廓正交的方向的導(dǎo)數(shù);圖像強(qiáng)度沿著與局部輪廓正交的方向的導(dǎo)數(shù)以及功率譜的矩;以及圖像強(qiáng)度沿著與局部輪廓正交的方向的方差的估計(jì)。在又一實(shí)施例中,通過(guò)高于或低于給定閾值的相鄰像素簇的強(qiáng)度或尺寸描述對(duì)象內(nèi)的暗區(qū)域和亮區(qū)域的存在。在此提供方法和系統(tǒng),以便預(yù)處理醫(yī)學(xué)圖像并提供用作到CADx系統(tǒng)的輸入的特征。應(yīng)用高級(jí)圖像處理和機(jī)器學(xué)習(xí)技術(shù),并且整合關(guān)于患者的臨床信息以提供診斷中的決策支持。在此提供的方法和系統(tǒng)實(shí)現(xiàn)了很高的特異性和敏感性,并且在多個(gè)維數(shù)中表征病灶以更準(zhǔn)確地區(qū)分開惡性病灶與良性病灶。在此提供的方法和系統(tǒng)可以給出二元決策(即結(jié)節(jié)是惡性的還是良性的),或者可以提供結(jié)節(jié)或病灶為惡性的概率或可能性(例如80%)。臨床醫(yī)生將該信息用作第二意見以幫助其作出診斷決策。在此提供的方法和系統(tǒng)可以用于不同的疾病(例如結(jié)腸息肉、肝癌或肺癌)和不同的模態(tài),諸如MRI或CT。10圖1為示出了用于找出輪廓的分形維數(shù)的計(jì)盒算法的系列圖;圖2為分形維數(shù)的計(jì)算的圖表,其中縱坐標(biāo)為log(N[盒])而橫坐標(biāo)為log(1/[盒尺寸]),從而示出log(N[盒])和log(1/[盒尺寸])之間的線性關(guān)系;圖3,畫面A為結(jié)節(jié)的掃描;圖3,畫面B為相對(duì)應(yīng)的分割輪廓圖和所估計(jì)的法向角;圖4,畫面A為結(jié)節(jié)的強(qiáng)度梯度的圖表,其中縱坐標(biāo)為梯度而橫坐標(biāo)為沿著輪廓的位置;圖4,畫面B為相對(duì)應(yīng)的功率譜的圖表,其中縱坐標(biāo)為功率/頻率而橫坐標(biāo)為歸一化頻率;圖5為CADx系統(tǒng)的框圖。向臨床醫(yī)生提供高置信度的CADx系統(tǒng)通過(guò)提供快速準(zhǔn)確的診斷(更少的假陽(yáng)性和假陰性)而改進(jìn)臨床醫(yī)生的工作流程。CADx系統(tǒng)可用作第二閱讀器以增加臨床醫(yī)生在其診斷中的置信度,從而導(dǎo)致顯著減少了諸如結(jié)節(jié)的肺部病灶的不必要的活組織檢査。此外,由于可以快速并準(zhǔn)確地達(dá)到診斷,CADx系統(tǒng)能夠便于無(wú)癥狀患者的肺癌篩選。例如但并不限于PhilipsBrilliance系列的MSCT掃描器提供增加的分辨率并允許觀察更細(xì)的結(jié)構(gòu),同時(shí)產(chǎn)生要由放射學(xué)家解釋的數(shù)量增加的圖像數(shù)據(jù)。然而,甚至連最新的CADx系統(tǒng)也經(jīng)常無(wú)法并入臨床信息、采用最優(yōu)特征提取或應(yīng)用機(jī)器學(xué)習(xí)技術(shù)。未被開發(fā)的感興趣特征包括對(duì)厚切片和薄切片CT掃描這兩者的分析。其他提議的特征僅包括簡(jiǎn)單的3D特征或?qū)τ诿枋隽夹越Y(jié)節(jié)和惡性結(jié)節(jié)之間的差異非最優(yōu)的特征。這些特征通常引起低準(zhǔn)確率,并且不期望用于CADx算法。在此提供的方法和系統(tǒng)是基于現(xiàn)有技術(shù)水平的機(jī)器學(xué)習(xí)技術(shù)的,諸如遺傳算法和支持向量機(jī)以及用于預(yù)處理圖像和特征提取的創(chuàng)新的圖像處理算法。在此提供的方法和系統(tǒng)的一個(gè)方面為能夠?qū)㈥P(guān)于患者和患者病灶的基于圖像的信息和臨床信息結(jié)合到?jīng)Q策過(guò)程中。在此提供的方法和系統(tǒng)通過(guò)使用機(jī)器學(xué)習(xí)和圖像處理方法將從高質(zhì)量醫(yī)學(xué)圖像(例如CT掃描)提取的特征與來(lái)自患者健康記錄的非成像數(shù)據(jù)相結(jié)合。在此提供的用于病灶的計(jì)算機(jī)輔助診斷的方法和系統(tǒng)(由圖5舉例說(shuō)明)包括若干處理單元。預(yù)處理單元處理圖像(例如MSCT掃描),以創(chuàng)建每個(gè)都圍繞被診斷病灶的各向同性的感興趣體積,或者分割或描繪諸如肺結(jié)節(jié)的病灶。特征提取單元從圖像提取二維(2D)和二點(diǎn)五維(2.5D)和三維(3D)特征以表征病灶。這些特征與包括患者歷史的臨床信息共同構(gòu)成特征庫(kù)。臨床信息處理單元接收并變換臨床信息,以將其用于特征庫(kù)。特征選擇是在系統(tǒng)的設(shè)計(jì)階段所使用的一個(gè)步驟,其基于遺傳算法并用于從特征庫(kù)選擇最優(yōu)特征子集。分類器或分類器委員會(huì)用于特征選擇過(guò)程,并且構(gòu)建為利用所選擇的特征子集以將病灶分類為惡性或良性,或確定諸如肺結(jié)節(jié)的病灶的惡性程度。在很多情況下,由于結(jié)節(jié)的3D形狀的復(fù)雜性,2D切片可以顯示若干間斷的島。由于以下描述的很多特征依賴于邊界像素的唯一描繪,經(jīng)常期望僅在單個(gè)對(duì)象上進(jìn)行操作。一個(gè)實(shí)施例中的方法和系統(tǒng)利用算法將除最大的連接的對(duì)象外的所有對(duì)象移除,并且在該對(duì)象上執(zhí)行所有結(jié)節(jié)分析。在此情況中,僅對(duì)2D和2.5D特征執(zhí)行分析。在此提供的方法和系統(tǒng)便于在多切片數(shù)據(jù)集上使用2D、2.5D和3D特征。由于2D特征計(jì)算的便利,甚至在可獲得3D數(shù)據(jù)時(shí)也常常期望采用2D特征。這在厚切片數(shù)據(jù)(即切片厚度大于3倍的面內(nèi)分辨率)中尤其常見,其中3D特征可能并不同樣魯棒和充足。在這種情況下,CADx系統(tǒng)的用戶可以手動(dòng)地識(shí)別獨(dú)立的切片以用于分析。于是可以說(shuō)CADx系統(tǒng)在2D模式下操作,其中將從該2D切片提取的特征用于執(zhí)行分類。相似地,當(dāng)該系統(tǒng)在2D模式下操作時(shí),只將來(lái)自訓(xùn)練數(shù)據(jù)集的2D特征用于構(gòu)造最優(yōu)分類器。這種系統(tǒng)無(wú)法獲取多切片體積中存在的全范圍信息。為了將此克服,在此提供的方法和系統(tǒng)采用2.5D或偽3D模式。在純2D模式下使用相同的特征,并且在MSCT圖像的每個(gè)切片上計(jì)算這些特征。切片范圍可以包括整個(gè)體積,或可替代地由用戶手動(dòng)地選擇。用于分類器的特征值于是被作為這些逐個(gè)切片計(jì)算的尺寸加權(quán)平均值。對(duì)于某些特征,可以更合乎邏輯地利用橫跨各切片的最大值或最小值??商娲兀谪灤└髑衅姆秶驈娜我饨嵌冗M(jìn)行的最大強(qiáng)度投影(MIP)的數(shù)據(jù)上計(jì)算2D特征,并在所投影的圖像上運(yùn)行2D特征提取。圖像的預(yù)處理對(duì)諸如MSCT掃描的圖像進(jìn)行預(yù)處理,以確定用于分析的感興趣區(qū)域(ROI)或感興趣體積(VOI)。這些用作進(jìn)入特征提取單元的輸入。在此提供的方法和系統(tǒng)包括若干預(yù)處理步驟。ROI被構(gòu)造為允許特征計(jì)算以對(duì)分割錯(cuò)誤具有魯棒性。ROI由二值結(jié)節(jié)圖像上的腐蝕和膨脹的形態(tài)學(xué)運(yùn)算構(gòu)造。這可用于構(gòu)造內(nèi)部區(qū)域、外部區(qū)域和邊界區(qū)域。還識(shí)別由可以嵌入對(duì)象中的最大的正方形區(qū)域組成的額外ROI。可以利用這些ROI的任何一個(gè)或多個(gè)來(lái)計(jì)算這些方法和系統(tǒng)中所描述的特征。胸壁和其他無(wú)關(guān)的解剖結(jié)構(gòu)被排除在特征計(jì)算之外。許多當(dāng)前的分割算法還描繪胸壁的邊界。屬于胸壁的體素或像素明確地被排除在將被描述的所有特征之外。僅包括標(biāo)記為屬于肺實(shí)質(zhì)或感興趣結(jié)節(jié)的那些像素。對(duì)于許多特征而言,期望獲取結(jié)節(jié)內(nèi)的全范圍細(xì)節(jié),包括結(jié)節(jié)內(nèi)的潛在空洞??栈蚪Y(jié)節(jié)內(nèi)的氣包(airpocket)經(jīng)常不能通過(guò)分割直接識(shí)別。因此,在此提供的方法和系統(tǒng)采用一種算法,該算法用于對(duì)結(jié)節(jié)分割進(jìn)行預(yù)處理以填充分割掩模中的孔洞或間隙,從而使得在特征計(jì)算過(guò)程中明確考慮結(jié)節(jié)內(nèi)的氣包或空洞。改變不是在CT圖像上執(zhí)行,而是在分割結(jié)果上執(zhí)行。這些方法和系統(tǒng)涉及處理后的分割掩模以及原始分割掩模的使用。如圖5所示,預(yù)處理單元基于肺結(jié)節(jié)的位置提取圍繞肺結(jié)節(jié)的VOI,肺結(jié)節(jié)的位置可由臨床醫(yī)生或CAD系統(tǒng)提供。由于MSCT掃描在切片中比切片間具有更高的分辨率,期望在各切片之間執(zhí)行插值以創(chuàng)建各向同性的體素表示。對(duì)各向同性體素的插值被期望用于分割目的。然而,還優(yōu)選保留用于特征計(jì)算的原始數(shù)據(jù),以避免插值核的濾波特性。在此提供的方法和系統(tǒng)采用一種插值法,該插值法保持原始切片并插入插值切片,以使掃描接近各向同性。一個(gè)實(shí)施例中的方法和系統(tǒng)包括一種將插值限制到單軸以便達(dá)到接近各向同性的體素的手段。這些各向同性體積于是可用于分割以及3D特征的計(jì)算。隨后可以從該插值3D數(shù)據(jù)集提取原始的2D切片。分割步驟描繪來(lái)自背景的肺結(jié)節(jié),從而生成二值圖像或三值圖像(標(biāo)記VOI),其中結(jié)節(jié)、背景和肺壁區(qū)域被標(biāo)記。在插值數(shù)據(jù)上運(yùn)行分割算法,從而產(chǎn)生與插值體積具有相同維數(shù)的體積。參見2003年的PhilipsPresskelease,飛利浦的新型CT肺結(jié)節(jié)評(píng)估和比較選項(xiàng)可以使臨床醫(yī)生能夠識(shí)別禾口治療月巿癌(Philips'newCTLungNoduleAssessmentandComparisonOptioncanenableclinicianstoidentifyandtreatlungcancer);Wiemker等人,改進(jìn)月市結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)在薄切片CT中的性能的選項(xiàng)(Optionstoimprovetheperformanceofthecomputeraideddetectionoflungnodulesinthin-sliceCT),PhilipsResearchLaboratories:Hamburg,2003年第1-19頁(yè);以及Wiemker等人,CT數(shù)據(jù)中的計(jì)算機(jī)輔助腫瘤體積分析(ComputerAidedTumorVolumetryinCTData),Inventiondisclosure,PhilipsResearchHamburg,2002。對(duì)于對(duì)2D特征的分析,識(shí)別并提取出標(biāo)記體積中對(duì)應(yīng)于原始切片的切片。對(duì)于3D特征,使用全部接近各向同性的3D體積。在本發(fā)明的一個(gè)實(shí)施例中,通過(guò)使用變化閾值從分割中手動(dòng)選擇分割掩模。因而,對(duì)各種分割閾值和種子布局進(jìn)行測(cè)試。向用戶呈現(xiàn)覆蓋有分割輪廓的灰度圖像,然后,該用戶手動(dòng)地選擇最優(yōu)分割、用于2D特征提取的單個(gè)切片以及用于2.5-D特征提取的切片的范圍。特征提取單元執(zhí)行特征提取來(lái)提取2D、2.5D和3D特征圖像,以表征諸如肺結(jié)節(jié)的病灶。這些特征與臨床信息共同構(gòu)成特征庫(kù)。通過(guò)使用灰度和標(biāo)記的VOI,特征提取單元計(jì)算不同的特征,諸如2D(使用具有最大的結(jié)節(jié)橫截面的VOI的原本(native)切片)、2.5D(在所有原本切片上計(jì)算的2D特征的平均值,按照結(jié)節(jié)橫截面積進(jìn)行加權(quán))和3D(基于接近各向同性的VOI)特征。特征提取步驟很重要,因?yàn)樗?jì)算的特征需要具有足夠的判別力以及臨床信息,以區(qū)別惡性結(jié)節(jié)和良性結(jié)節(jié)。特征可以是例如結(jié)節(jié)內(nèi)部或結(jié)節(jié)周圍的灰度分布、形狀信息、結(jié)節(jié)內(nèi)部和結(jié)節(jié)外部的紋理信息、結(jié)節(jié)表面上的梯度信息或結(jié)節(jié)內(nèi)部和結(jié)節(jié)外部之間的對(duì)比度。可以在2D、2.5D或3D中計(jì)算這些特征中的每個(gè)特征。臨床信息及其到臨床特征的變換由于臨床信息在診斷過(guò)程中很重要,在此提供的方法和系統(tǒng)包括一單元,該單元將臨床信息轉(zhuǎn)換為適當(dāng)形式,從而使其能夠與基于所提取的圖像的特征相結(jié)合以用于特征選擇過(guò)程。例如,性別的臨床信息被分為兩類,諸如患者是否為男性或患者是否為女性??捎糜谒嶙h的系統(tǒng)的臨床信息可以包括例如年齡、性別、吸煙史、癌癥史、家族史、職業(yè)暴露、休閑暴露、既往或現(xiàn)患肺部疾病(例如肺氣腫)、要被診斷的病灶周圍的衛(wèi)星病灶的數(shù)量、淋巴結(jié)大小、其他可疑結(jié)節(jié)的存在或肺中結(jié)節(jié)的位置(例如上葉或下葉)。特征選擇特征選擇單元從包含基于圖像的特征及臨床特征的特征庫(kù)中找出最相關(guān)的特征。采用基于GA和SVM的特征選擇過(guò)程。一旦基于訓(xùn)練數(shù)據(jù)集確定了最相關(guān)的特征,就基于最優(yōu)特征子集構(gòu)建分類器或分類器委員會(huì),并且特征選擇單元不再是必需的。在涉及分類器委員會(huì)的實(shí)施例中,可以在通過(guò)單獨(dú)運(yùn)行特征選擇算法而識(shí)別的特征子集上構(gòu)建每個(gè)委員會(huì)成員。例如對(duì)于基于GA的特征選擇,通過(guò)對(duì)每個(gè)GA運(yùn)行給予不同的隨機(jī)選擇的包含訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的集合來(lái)實(shí)現(xiàn)委員會(huì)中分類器的多樣性。還可以采用其他特征選擇方法,諸如統(tǒng)計(jì)差分濾波、相關(guān)濾波、逐步線性回歸、遞歸特征消除(RFE)和隨機(jī)特征選擇。分類器遵循監(jiān)督學(xué)習(xí)原理,利用所選擇的最優(yōu)特征子集和訓(xùn)練數(shù)據(jù)來(lái)創(chuàng)建分類器??赡艿姆诸惼饔蠸VM、決策樹、線性判別分析和神經(jīng)網(wǎng)絡(luò)。經(jīng)常采用SVM,因?yàn)镾VM已表現(xiàn)出關(guān)于分類器的優(yōu)越性能。還可以采用分類器委員會(huì)。在這種情況中,在經(jīng)由特征選擇過(guò)程選擇作為最佳特征子集的不同的特征子集上創(chuàng)建若干分類器。每個(gè)分類器將產(chǎn)生決策,例如結(jié)節(jié)是惡性的或良性的。分類器的多數(shù)投票將確定例如CADx系統(tǒng)對(duì)有疑問(wèn)的結(jié)節(jié)的輸出。在似然CADx中,委員會(huì)的輸出似然可以是小部分陽(yáng)性投票,或來(lái)自委員會(huì)的每個(gè)成員的獨(dú)立似然結(jié)果的平均值(可對(duì)其加權(quán))。示例在此提供的方法和系統(tǒng)對(duì)CADx應(yīng)用若干圖像處理方法。以下提供這些圖像處理方法的示例。示例l:不變矩矩是數(shù)學(xué)地表示對(duì)象的空間分布的一種手段。其包括形狀(二值矩)15或密度分布(灰度矩)。不變矩是在對(duì)象經(jīng)歷諸如旋轉(zhuǎn)、縮放和平移的某種變換時(shí)不發(fā)生變化的那些矩?;诰氐姆椒罕辉敿?xì)地用在計(jì)算機(jī)視覺(jué)和光學(xué)字符識(shí)別。Hu(1962)的數(shù)學(xué)形式體系描述了不變矩(包括前6個(gè)不變矩)的使用。對(duì)于尺寸為NXM的圖像I,矩mpq可以由以下給出淤w二H]xP少?7(x,少)x=l少=1其中,/針對(duì)灰度矩呈現(xiàn)像素(x,y)處的圖像的灰度強(qiáng)度,或者針對(duì)二值矩呈現(xiàn)0或1值。利用下列矩定義對(duì)象的質(zhì)心。X=W10/W00且y=OT01/w00這允許計(jì)算在平移下不變的中心矩;"pq:wJW——_r=l少=1可以通過(guò)計(jì)算歸一化的中心矩來(lái)使其尺度不變其中,對(duì)于所有07+g)22,r=(;7+9)/2+l。利用Hu所描述的方法(IRETransInformationTheory,IT-8179-197,1962)可以將其這些尺度不變矩和平移不變矩轉(zhuǎn)換為旋轉(zhuǎn)不變矩。按照下列方程給出這七個(gè)矩不變量。仏=+物仏,20-W02)2+勿u2=(物-3〃i2)2+(3/2i-物)2仏=0/30+712)2+(721+物)2&=0/30-3化)(Wo+"12)+((物+7i2)2-3(72i-W2)+(3^/21-物)0/21+物)(3(物+712)2-("21+物)2)仏=0720-(0/30+〃12)2-0/21+物)2)+化i(物+Wi2)(//2i+物)巧=(372i-物)(物+(O730+2——30/2i+物)2)+(3y12-物)(721+物)(3(w12+物)2-(721+物)2)通過(guò)在不同的p和q值以及圖像中的所有像素上進(jìn)行迭代、跳過(guò)不在結(jié)節(jié)中的像素來(lái)計(jì)算這些矩和中心矩。圖像函數(shù)/可以是二值的或?qū)嵵档?,并且?shí)際上,這兩者都可以實(shí)現(xiàn)。以這種方式,每個(gè)結(jié)節(jié)可以貢獻(xiàn)七個(gè)不變二值矩和七個(gè)不變灰度矩。這14個(gè)標(biāo)量值可用作對(duì)CADx系統(tǒng)的輸入。可替代地,為了使特征提取對(duì)分割的不確定性具有魯棒性,通過(guò)在包圍所分割的結(jié)節(jié)的圓形面積上執(zhí)行矩計(jì)算來(lái)計(jì)算灰度矩。通過(guò)分割識(shí)別胸腔壁和無(wú)關(guān)的肺部結(jié)構(gòu)并將其移除。為了避免錯(cuò)誤地將0值置于這些移除的結(jié)構(gòu)中,通過(guò)從根據(jù)所保留的背景計(jì)算的直方圖中進(jìn)行采樣來(lái)將隨機(jī)噪聲插入這些像素中。此外,提取3D矩,并且,如以下方程所示,根據(jù)二值掩?;叶葦?shù)據(jù)中的3D矩導(dǎo)出各特征。矩Jll=T]200+ri020+Ti002矢巨J21=Tl200"H020+Tl20011002+"H02(/n002_"101_TllloTlll(Tfl。U矩J31=r(200T|020ri002-ri002ri1102+2*ri110*ri101*ri01i國(guó)ri020、1012—"200*,12還對(duì)灰度結(jié)節(jié)圖像導(dǎo)出的矩計(jì)算以上這三個(gè)導(dǎo)出的特征。示例2:不變傅立葉描述子傅立葉描述子是數(shù)學(xué)地描述對(duì)象形狀的一種手段。從概念上講,用頻率來(lái)描述對(duì)象的邊界。低頻描述光滑邊緣并給出對(duì)象的大體形狀,而高頻描述不規(guī)則性和輪廓的急劇變化。傅立葉描述子描述構(gòu)成特定對(duì)象形狀的頻率的特定混合。在此提供的方法和系統(tǒng)中,采用對(duì)縮放、平移和旋轉(zhuǎn)不變的傅立葉描述子。為了用于分類器,提供將傅立葉系數(shù)精簡(jiǎn)(condense)為標(biāo)量值的兩種手段。最初,通過(guò)大量公知的方法識(shí)別結(jié)節(jié)邊緣上的像素。注意確保這N個(gè)邊緣像素在對(duì)象周圍以順時(shí)針順序或逆時(shí)針順序列出。利用每個(gè)邊緣像素的x禾ny坐標(biāo)描述每個(gè)邊緣像素,從而產(chǎn)生向量x={x,,x2,…,x"和y=(y,,y2,yN}。采用大量技術(shù)中的任何技術(shù)計(jì)算每個(gè)對(duì)象的離散傅立葉變換(一般地表示為FT),從而產(chǎn)生v=FT{x}且w=FT{y}其可以分解為實(shí)部和虛部于是,可將由x和y唯一地定義的形狀的傅立葉描述子表達(dá)為:這產(chǎn)生了可能在結(jié)節(jié)之間的長(zhǎng)度上變化的向量f,因而致使其難以用于在CADx系統(tǒng)中比較結(jié)節(jié)。在此提供的方法和系統(tǒng)中,將向量f精簡(jiǎn)為兩個(gè)標(biāo)量描述子gi和g2:這里給出的數(shù)學(xué)描述遵循了Nixon等人的FeatureExtraction&ImageProcessing,Butterworth-Heinemann:Woburn,MA.第269—278頁(yè)(2002)。該計(jì)算用作至CADx系統(tǒng)中的輸入。示例3:結(jié)節(jié)形狀的分形維數(shù)可以利用Minkowski-Bouligand分形維數(shù)(也稱為計(jì)盒維數(shù))來(lái)描述對(duì)象的輪廓。其描述了所測(cè)量的輪廓長(zhǎng)度如何隨著觀察輪廓的分辨率而變化。具有高分形維數(shù)的結(jié)節(jié)趨向于展現(xiàn)出表面形狀的不規(guī)則性,其可以指示惡性程度??梢葬槍?duì)2D、2.5D或3D特征計(jì)算分形維數(shù),并且實(shí)際上,可以在分類過(guò)程中同時(shí)使用所有這三者??紤]在圖1的第一畫面中示出(尺度1)的具有輪廓線的結(jié)節(jié)。此輪廓線由最接近結(jié)節(jié)外表的所有像素組成。將輪廓線中的像素的總數(shù)計(jì)數(shù)為N(1)。然后,如圖1中所示(尺度2),以因子K對(duì)圖像進(jìn)行重采樣。其可以被認(rèn)為在尺度1的圖像上拼接(tile)2x2像素盒并查看包含多少這些盒和邊緣像素。此盒計(jì)數(shù)被表示為N(1/2)。然后,以3x3的像素盒重復(fù)這個(gè)過(guò)程以產(chǎn)生N(1/3),以此類推。對(duì)于分形對(duì)象,值N(1/d)根據(jù)下式隨^度d而變化N(l/d)"(l/d)-FD其中FD為對(duì)象的分形維數(shù)。通過(guò)代數(shù)操作,將其變?yōu)镮nN(1/d)=—FDIn(1/d)+lnp。因而,如果對(duì)若干d計(jì)算Nd的值,則可以通過(guò)x軸上的ln(l/d)和y軸上的lnN(l/d)之間的線性擬合來(lái)估計(jì)FD。此擬合可以是最小二乘擬合或魯棒擬合,或可以通過(guò)在連續(xù)點(diǎn)之間取平均斜率來(lái)進(jìn)行擬合。圖2中給出了這種擬合的一個(gè)示例。該線的斜率用作CADx系統(tǒng)的一個(gè)特征。示例4:結(jié)節(jié)紋理的分形維數(shù)可以用分形維數(shù)來(lái)描述對(duì)象的紋理。對(duì)象的2D視圖被認(rèn)為是嵌入在3D中的表面。分形維數(shù)測(cè)量在圖像的分辨率改變時(shí)的灰度強(qiáng)度的變化。更高的分形維數(shù)表明對(duì)象的內(nèi)部結(jié)構(gòu)的更大的復(fù)雜度。與邊界一樣,可以對(duì)2D、2.5D或3D特征計(jì)算紋理的分形維數(shù),并且實(shí)際上,可以在分類過(guò)程中同時(shí)使用所以這三者。以與邊界相似的方式計(jì)算紋理維數(shù),如以上在示例3中描述的,其中具有下列改變不拼接而是重疊dxd盒;就是說(shuō),考慮所有可能的dxd盒。然后,代替對(duì)盒的數(shù)量進(jìn)行計(jì)數(shù),N(1/d)表示每個(gè)dxd盒內(nèi)的最大像素灰度值和最小像素灰度值之間的差,并在尺寸為dxd的所有盒上進(jìn)行求和。示例5:基于邊緣梯度的特征識(shí)別結(jié)節(jié)的邊界像素,并且計(jì)算指向遠(yuǎn)離對(duì)象的法線方向。通過(guò)計(jì)算邊界像素和在法線方向上遠(yuǎn)離某有限距離的像素之間的灰度強(qiáng)度的差來(lái)估計(jì)導(dǎo)數(shù)。典型地通過(guò)對(duì)圖像的值內(nèi)插兩個(gè)遠(yuǎn)離的像素來(lái)找出此第二外部值。于是,可以統(tǒng)計(jì)地對(duì)作為沿著輪廓的位置的函數(shù)的導(dǎo)數(shù)進(jìn)行分析,以利用此函數(shù)的平均值、標(biāo)準(zhǔn)差以及此函數(shù)的功率譜的均方根差和第一矩來(lái)產(chǎn)生標(biāo)量特征。與傅立葉描述子一樣,考慮每個(gè)邊緣像素及其x和y坐標(biāo),從而產(chǎn)生向量x={力,:c2,…,~}和y={^,》,...,,}。對(duì)于位于(^乂)處的邊緣像素/,計(jì)算法向角。法向角由下式給出-1a=—2an-i(i^LZA)+tan-i(AZi^)+90°注意確保符號(hào)的一致性。也就是說(shuō),將法線計(jì)算為與表面的局部曲線垂直,其中,通過(guò)在兩個(gè)相近(但不必要相鄰)點(diǎn)之間取平均值來(lái)估計(jì)局部曲率。圖3中給出了在結(jié)節(jié)上計(jì)算這些角的一個(gè)示例。然后由以下坐標(biāo)定義遠(yuǎn)離邊緣的點(diǎn)d的像素jc=jc/+dsina且_y=乂'+<icosa,其中強(qiáng)度位于圖像上的雙線性插值所找出的位置。于是邊緣梯度簡(jiǎn)化了插值強(qiáng)度和原始邊緣像素強(qiáng)度之間的差異。這可以按順序?qū)γ總€(gè)邊緣像素進(jìn)行計(jì)算,如圖4中所示。據(jù)此可以計(jì)算大量統(tǒng)計(jì)特征,包括平均值和標(biāo)準(zhǔn)差??梢酝ㄟ^(guò)許多公知的技術(shù)來(lái)估計(jì)功率譜,從而產(chǎn)生關(guān)于對(duì)象周圍的脈動(dòng)的頻率含量的信息。對(duì)此分析的基本假設(shè)為強(qiáng)度的高的頻率變化可以表明毛刺征,其被認(rèn)為是對(duì)惡性的指示。為了對(duì)此進(jìn)行評(píng)估,可以計(jì)算功率譜的矩和均方根差并將其用作特征。示例6:內(nèi)部簇的檢測(cè)和表征對(duì)象中暗簇或亮簇的存在可以分別指示鈣化或空化。在此提供的方法和系統(tǒng)包括自動(dòng)識(shí)別這些區(qū)域并將其用作CADx的特征的手段。將閾值迭代地應(yīng)用于圖像,從而使得只有保留的像素才高于某個(gè)強(qiáng)度t。降低t的值,從對(duì)象中的最大值開始,至對(duì)象的最小值。在每個(gè)閾值,保留的像素被分組成在側(cè)面相連的簇。也就是說(shuō),每個(gè)簇由像素集合組成,其中該集合可能通過(guò)在四個(gè)主方向中的一個(gè)方向上行進(jìn)但不曾離開該簇來(lái)從一個(gè)像素移動(dòng)至任何其他像素。如果最大的簇具有大于n個(gè)像素的尺寸,則保存閾值t的值并且停止該算法。所提取的特征由在圖像像素強(qiáng)度的單元中表達(dá)的閾值的值給出,或者作為檢測(cè)到的簇的剩余部分的平均強(qiáng)度和臨界閾值之間的標(biāo)準(zhǔn)差的數(shù)量。相似地,通過(guò)將閾值設(shè)為低于迭代的強(qiáng)度閾值,可能檢測(cè)暗簇;可以對(duì)這些簇計(jì)算相同的兩個(gè)特征。示例7:鏈碼可以以連續(xù)序(continuousorder)識(shí)別對(duì)象圖像的邊界上的像素,從而使得每個(gè)像素具有一對(duì)近鄰。通過(guò)跟蹤?quán)徑袼氐南鄬?duì)位置,識(shí)別描述對(duì)象形狀的向量。對(duì)于邊界上的每個(gè)像素,使用鏈碼定義該像素的兩個(gè)近鄰??紤]由左邊的圖像的灰色像素給出的邊界。20<table>tableseeoriginaldocumentpage21</column></row><table>通過(guò)將右邊的模板的中心置于邊界的每個(gè)像素上,鏈碼描述讀出{1,2,1,2,4,4,...},其具有連續(xù)值(l,-1,1,2,0,...}之間的差或具有{1,1,1,2,0,...}的絕對(duì)差。這些鏈碼的分布和鏈碼差值可用于計(jì)算特征。大于1,26的小部分絕對(duì)差值可用作特征。該小部分可以用于檢測(cè)方向突變的數(shù),因而描述了結(jié)節(jié)的不規(guī)則性或諸如毛刺征和分葉征的概念。示例8:紋理鄰域灰色調(diào)(Gmv-Tone)差分矩陣存在若干數(shù)學(xué)方法用于對(duì)圖像紋理的人類感知進(jìn)行近似,包括上述分形方法。一種替代方法基于被稱為鄰域灰皿差分矩陣(neighborhoodgray-tonedifferencematrix,NGTDM)的矩陣。該方法試圖定量描述每個(gè)像素和其周圍鄰域之間的差異,從而導(dǎo)致已在心理測(cè)試中顯示出與包括粗糙度、對(duì)比度、繁忙度、復(fù)雜度和強(qiáng)度的抽象品質(zhì)的主觀評(píng)價(jià)良好相關(guān)的數(shù)學(xué)描述。接下來(lái)是由Amadsun禾tlKing(IEEETransSysManCybernetics19(5):1264-1274,1989)給出的描述。NGTDM為如下形成的矩陣。作為整體的WXiV圖像被量化為預(yù)訂數(shù)量的級(jí)別g。對(duì)于具有表示為/(^力的量化強(qiáng)度的特定ROI中的每個(gè)像素,<formula>formulaseeoriginaldocumentpage21</formula>-也就是說(shuō),A為除像素自身之外的感興趣像素周圍的(2d+l)x(2^H)鄰域的平均值。NGTDM矩陣TV具有一列和與圖像中的強(qiáng)度級(jí)別一樣多的行。然后,行/由下式給出那)=2]卜-單/)|其中,求和是在所有像素上進(jìn)行,其中,^^,/)=纟。注意將計(jì)算限定在感興趣區(qū)域(ROI)內(nèi)的面積,不管其是結(jié)節(jié)自身還是結(jié)節(jié)外部區(qū)域。其中(m,")^(0,0)每個(gè)面元(bin)的概率p(/)定義為貢獻(xiàn)7V(z')的計(jì)算的小部分中心像素。這里示出了兩個(gè)特征;在Amadsun等人的IEEETransSysManCybernetics,19(5):1264-1274,1989中詳細(xì)描述其他特征。這些特征為粗糙度=對(duì)比度-<formula>formulaseeoriginaldocumentpage22</formula>其中"=(7V-2力且G為圖像中出現(xiàn)的g級(jí)別的實(shí)際數(shù)量。在此提供的方法和系統(tǒng)包括用于CADx的預(yù)處理CT圖像、可以用作對(duì)CADx系統(tǒng)的輸入的若干新特征以及用于特征選擇和分類的高級(jí)機(jī)器學(xué)習(xí)技術(shù)。在此提供的方法和系統(tǒng)克服了在處理厚切片CT體積方面的困難,在識(shí)別肺結(jié)節(jié)的邊界方面提供了對(duì)錯(cuò)誤的魯棒性,并且優(yōu)化以改進(jìn)分類系統(tǒng)的診斷準(zhǔn)確度。在此提供的方法和系統(tǒng)使用預(yù)處理和特征以通過(guò)提供病灶(諸如良性肺結(jié)節(jié)和惡性肺結(jié)節(jié))的2D、2.5D和3D表征來(lái)解決該問(wèn)題。因此,利用這些特征的機(jī)器學(xué)習(xí)系統(tǒng)可以更準(zhǔn)確地將良性結(jié)節(jié)與惡性結(jié)節(jié)區(qū)分開,并且可以實(shí)現(xiàn)比不利用這些特征的系統(tǒng)更高的特異性和敏感性。此外,所提議的系統(tǒng)能夠?qū)㈥P(guān)于患者的基于圖像的信息和臨床信息結(jié)合到?jīng)Q策過(guò)程中。在此提供的CADx方法和系統(tǒng)可以與例如MRI和CT的若干模態(tài)一起使用。在此提供的方法和系統(tǒng)可以用于放射學(xué)工作站(例如但不限于PhilipsExtendedBrillianceWorkstation、PhilipsMx8000禾nPhilipsBrillianceCT掃描器)或并入PACS系統(tǒng)中(例如StentoriSite)。在此提供的CADx方法和系統(tǒng)可以用于診斷不同的疾病,包括但不限于結(jié)腸息肉、肝癌和乳腺癌。此外將顯而易見的是,可以在不偏離所附權(quán)利要求及其等同物的精神和范圍的情況下設(shè)計(jì)本發(fā)明的其他形式和進(jìn)一步的形式以及除上述具體實(shí)施例和示例性實(shí)施例之外的實(shí)施例,因此本發(fā)明的范圍意欲包括這些等同物,并且說(shuō)明書和權(quán)利要求書意欲為示例性的且不應(yīng)被解釋為進(jìn)一步限制。在此引用的所有參考的內(nèi)容以引用的方式并入。權(quán)利要求1、一種在受檢者中的疾病的診斷中提供決策支持的方法,所述方法包括提取所述受檢者中的基于圖像的感興趣體積;分割所述圖像,以從所述圖像的背景描繪所述感興趣體積內(nèi)的至少一個(gè)病灶;在多個(gè)維數(shù)中提取基于圖像的特征;將臨床信息轉(zhuǎn)換為兼容格式,并且將所述臨床信息與所述基于圖像的特征結(jié)合,以形成特征庫(kù);以及從由輸出決策的分類器或分類器委員會(huì)所要使用的子集庫(kù)中選擇最優(yōu)特征子集或最優(yōu)特征子集組,其中,所述分類器或分類器委員會(huì)提供對(duì)所述病灶的診斷的預(yù)測(cè)。2、如權(quán)利要求1所述的方法,還包括在所述感興趣體積的各切片之間進(jìn)行插值,以創(chuàng)建各向同性的體素表示。3、如權(quán)利要求1所述的方法,其中,所述多個(gè)維數(shù)從包括2維、2.5維和3維的組中選擇。4、如權(quán)利要求l所述的方法,其中,選擇最優(yōu)特征子集還包括采用遺傳算法、統(tǒng)計(jì)差分濾波、相關(guān)濾波、遞歸特征消除、逐步線性回歸以及隨機(jī)特征選擇中的至少一項(xiàng)。5、如權(quán)利要求4所述的方法,其中,選擇最優(yōu)特征子集包括對(duì)具有不同的隨機(jī)選擇的包含訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的集合的多個(gè)迭代執(zhí)行基于遺傳算法的特征選擇,以獲得作為結(jié)果的多個(gè)特征子集。6、如權(quán)利要求l所述的方法,其中,將所述臨床信息轉(zhuǎn)換為多個(gè)臨床特征類別。7、如權(quán)利要求l所述的方法,其中,所述分類器或分類器委員會(huì)從包括支持向量機(jī)、決策樹、線性判別分析以及神經(jīng)網(wǎng)絡(luò)中的至少一項(xiàng)的組中選擇。8、如權(quán)利要求1所述的方法,還包括所述分類器或分類器委員會(huì)確定所述至少一個(gè)病灶是惡性還是良性。9、如權(quán)利要求1所述的方法,還包括所述分類器或分類器委員會(huì)確定所述至少一個(gè)病灶為惡性的可能性。10、如權(quán)利要求8所述的方法,其中,所述分類器或分類器委員會(huì)作出的所述確定結(jié)果是由從包括下列的組中選擇的至少一種計(jì)算確定的簡(jiǎn)單平均值、簡(jiǎn)單投票、加權(quán)平均值以及加權(quán)投票。11、一種計(jì)算機(jī)輔助診斷系統(tǒng),所述系統(tǒng)包括預(yù)處理單元,用以提取基于圖像的感興趣區(qū)域;分割單元,用以描繪所述感興趣區(qū)域中的至少一個(gè)病灶;特征提取單元,用以從所述感興趣區(qū)域的所述圖像提取多個(gè)維數(shù)中的基于圖像的特征;臨床信息處理單元,用以接收臨床信息并將其轉(zhuǎn)換為兼容格式;以及分類器或分類器委員會(huì),其利用所述基于圖像的特征和所述臨床信息以輸出決策。12、如權(quán)利要求11所述的計(jì)算機(jī)輔助診斷系統(tǒng),還包括特征選擇單元,用以在訓(xùn)練所述系統(tǒng)的過(guò)程中從特征庫(kù)選擇相關(guān)的基于圖像的特征和臨床特征。13、如權(quán)利要求12所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述特征選擇單元還包括從包括遺傳算法、統(tǒng)計(jì)差分濾波、相關(guān)濾波、遞歸特征消除、逐步線性回歸以及隨機(jī)特征選擇中的至少一項(xiàng)的組中選擇的優(yōu)化技術(shù);以及從包括支持向量機(jī)、決策樹、線性判別分析以及神經(jīng)網(wǎng)絡(luò)中的至少一項(xiàng)的組中選擇的分類器或分類器委員會(huì)。14、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述基于圖像的感興趣區(qū)域是通過(guò)執(zhí)行至少一種形態(tài)學(xué)運(yùn)算來(lái)構(gòu)造的。15、如權(quán)利要求14所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述至少一種形態(tài)學(xué)運(yùn)算從腐蝕、膨脹和孔洞填充的組中選擇。16、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述基于圖像的感興趣區(qū)域是通過(guò)選擇由所述分割產(chǎn)生的最大相鄰對(duì)象來(lái)構(gòu)造的。17、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述基于圖像的感興趣區(qū)域還包括內(nèi)部區(qū)域、外部區(qū)域和邊界區(qū)域,其中,不需要的元素被排除在所述感興趣區(qū)域之外。18、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述多個(gè)維數(shù)從包括2維、2.5維和3維的組中選擇。19、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述臨床信息還包括從由年齡、性別、吸煙史、癌癥史、家族史、職業(yè)暴露、休閑暴露、既往肺部疾病、現(xiàn)患肺部疾病、先前的胸部手術(shù)、要被診斷的病灶周圍的衛(wèi)星病灶的數(shù)量、淋巴結(jié)大小、是否存在可疑結(jié)以及所述病灶在肺中的位置組成的組中選擇的至少一個(gè)數(shù)據(jù)點(diǎn)。20、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述分類器確定病灶是惡性還是良性。21、如權(quán)利要求ll所述的計(jì)算機(jī)輔助診斷系統(tǒng),其中,所述分類器確定病灶為惡性的可能性。22、一種從多切片數(shù)據(jù)集提取特征的方法,所述方法包括-數(shù)學(xué)地表示對(duì)象的空間分布;數(shù)學(xué)地表示所述對(duì)象的形狀;確定所述對(duì)象的輪廓和紋理;識(shí)別病灶的邊界像素并估計(jì)導(dǎo)數(shù);分析作為沿著所述輪廓的位置的函數(shù)的所述導(dǎo)數(shù);自動(dòng)識(shí)別所述對(duì)象內(nèi)的暗區(qū)域或亮區(qū)域的存在;以及對(duì)所述對(duì)象的周圍區(qū)域中的圖像的紋理進(jìn)行近似。23、如權(quán)利要求22所述的方法,還包括通過(guò)由用戶手動(dòng)選擇或通過(guò)自動(dòng)選擇最大切片而從所述多切片數(shù)據(jù)集選擇獨(dú)立的切片以用于分析。24、如權(quán)利要求22所述的方法,其中,對(duì)包括下列的組計(jì)算所述特征所述多切片數(shù)據(jù)集的每個(gè)切片;以任意角度進(jìn)行的最大強(qiáng)度投影;以任意角度進(jìn)行的最小強(qiáng)度投影;以及貫穿所述圖像的一個(gè)或多個(gè)切片以任意角度進(jìn)行的數(shù)字重建射線照片。25、如權(quán)利要求24所述的方法,其中,對(duì)所述多切片數(shù)據(jù)集的每個(gè)切片計(jì)算的所述特征通過(guò)從包括下列的組中選擇的方法進(jìn)行結(jié)合計(jì)算加權(quán)平均值,其中權(quán)重與每個(gè)切片上的像素的數(shù)量成比例;找出橫跨所述多切片數(shù)據(jù)集的多個(gè)切片的最大值;以及找出橫跨所述多切片數(shù)據(jù)集的所述多個(gè)切片的最小值。26、如權(quán)利要求22所述的方法,其中,在多個(gè)維數(shù)的每個(gè)中計(jì)算所述特征。27、如權(quán)利要求22所述的方法,其中,通過(guò)包括下列的組中的至少一項(xiàng)描述所述對(duì)象的所述形狀邊界像素位置的傅立葉變換之后的系數(shù)分布;分割對(duì)象的對(duì)平移、旋轉(zhuǎn)和縮放不變的數(shù)學(xué)矩;圖像像素的灰度分布的數(shù)學(xué)矩;分形維數(shù);以及鏈碼。28、如權(quán)利要求22所述的方法,其中,通過(guò)包括下列的組中的至少一項(xiàng)描述所述對(duì)象的所述紋理分形維數(shù);基于灰度共生矩陣的能量、熵、最大概率、慣量、逆差和相關(guān);以及基于鄰域灰色調(diào)差分矩陣的粗糙度、對(duì)比度、繁忙度、復(fù)雜度和強(qiáng)度。29、如權(quán)利要求22所述的方法,其中,通過(guò)包括下列的組中的至少一項(xiàng)描述所述周圍區(qū)域圖像強(qiáng)度沿著與局部輪廓正交的方向的導(dǎo)數(shù);所述圖像強(qiáng)度沿著與所述局部輪廓正交的所述方向的導(dǎo)數(shù)以及功率譜的矩;以及所述圖像強(qiáng)度沿著與所述局部輪廓正交的所述方向的方差的估計(jì)。30、如權(quán)利要求22所述的方法,其中,通過(guò)高于或低于給定閾值的相鄰像素簇的強(qiáng)度或尺寸描述所述對(duì)象內(nèi)的暗區(qū)域和亮區(qū)域的存在。31、如權(quán)利要求22所述的方法,其中,所述多個(gè)維數(shù)是從包括2維、2.5維和3維的組中選擇的至少一項(xiàng)。全文摘要在此提供用于受檢者中的疾病的診斷中的決策支持并且用于從多切片數(shù)據(jù)集提取特征的方法。提供用于計(jì)算機(jī)輔助診斷的系統(tǒng)。該系統(tǒng)輸入多個(gè)醫(yī)學(xué)數(shù)據(jù)并產(chǎn)生基于該數(shù)據(jù)的診斷的輸出。輸入可以包括圖像數(shù)據(jù)和臨床數(shù)據(jù)的結(jié)合。通過(guò)特征選擇和一種或多種分類器算法的使用來(lái)執(zhí)行診斷。文檔編號(hào)G06T7/00GK101517614SQ200780035051公開日2009年8月26日申請(qǐng)日期2007年9月18日優(yōu)先權(quán)日2006年9月22日發(fā)明者A·博爾曲克,C·鮑威爾,L·A·阿尼霍特里,L·博羅茨基,L·趙,M·C·C·李,S·卡烏特申請(qǐng)人:皇家飛利浦電子股份有限公司