專利名稱：一種ct肺結(jié)節(jié)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種CT肺結(jié)節(jié)檢測方法，尤其涉及一種基于局部2D信息和全局3D信息的CT肺結(jié)節(jié)檢測方法。
背景技術(shù)：
肺癌是當(dāng)今對人類身體健康危害最大的惡性腫瘤之一，肺癌的早期診斷與治療能夠提高病人的術(shù)后5年存活率。隨著薄層CT(thin-section CT)的普及，醫(yī)生的工作量急劇增強(qiáng)，這就使得對計(jì)算機(jī)輔助診斷(CAD)的需求變得迫切。肺結(jié)節(jié)的計(jì)算機(jī)輔助檢測的研究也就成為熱點(diǎn)。如文獻(xiàn)I J. Shi, B. Sahiner, H.P. Chan,et al.，"Pulmonary nodule registration in serial CT scans based onrib anatomy and nodule template matching，〃Med Phys 34，1336-1347(2007) ·文獻(xiàn) 2 A. P. Reeves, A. B. Chan, D. F. Yankelevitzj et al.，〃0n measuring the changein size of pulmonary nodules,^IEEE Trans Med Imaging25，435-450(2006) ·文獻(xiàn) 3 A. S. Roy, S. G. Armatoj 3rd，A. Wilson and K. Drukkerj "Automated detection oflung nodules in CT scans:false-positive reduction with the radial-gradientindex,"Med Phys33，1133-1140 (2006) ·文獻(xiàn) 4 :C.C.McCulloch，R. A. Kaucic，P.R. Mendoncaj D. J. Walter and R. S. Avila, ^Model-based detection of lung nodulesin computed tomography exams. Thoracic computer-aided diagnosis, 〃Acad Radiol
11,258-266(2004)。上述研究表明肺結(jié)節(jié)的計(jì)算機(jī)輔助檢測能夠有效檢測出被醫(yī)生遺漏的結(jié)節(jié)；同時(shí)還能提高醫(yī)生檢測的敏感度，如文獻(xiàn)5 J. E. Roosj D. Paik, D. Olsen, etal.，"Computer-aided detection(CAD) of lung nodules in CT scans: radiologistperformance and reading time with incremental CAD assistance, 〃Eur Radiol20，549-557 (2010).文獻(xiàn) 6 :F. Beyer, L Zierottj E. M. Fallenbergj et al.，"Comparisonof sensitivity and reading time for the use of computer-aided detection(CAD)of pulmonary nodules at MDCT as concurrent or second reader, 〃Eur Radiol17，2941-2947(2007).在過去的幾年中，人們對thin-section CT的CAD進(jìn)行了大量的研究。如文獻(xiàn) 7 D. S. Paikj C. F. Beaulieu, G. D. Rubin, et al.，"Surface normal overlap : acomputer-aided detection algorithm with application to colonic polyps and lungnodules in helical CT，"IEEE Trans Med Imaging 23，661-675 (2004)使用基于 surfacenormal overlap的增強(qiáng)濾波器來對結(jié)節(jié)進(jìn)行初始檢測。該濾波器既能夠增強(qiáng)結(jié)節(jié)，又能抑制血管結(jié)構(gòu)。與Hough transform相比，有更好的魯棒性。文獻(xiàn)8 Z. Ge, B. Sahinerj H.P. Chan, et al.，"Computer-aided detection of lung nodules: false positivereduction using a 3D gradient field method and 3D ellipsoid fitting, 〃Med Phys32，2443-2454(2005)提出使用感興趣體積的3D梯度以及橢圓特征來降低肺結(jié)節(jié)檢測中的假陽性結(jié)節(jié)數(shù)。進(jìn)行分布特征選擇后，使用線性分類器進(jìn)行分類。文獻(xiàn)9 :K. T. Bae，J.S. Kimj Y. Η. Na, K. G. Kim and J. H. Kim，"Pulmonary nodules: automated detection on CTimages with morphologic matching algorithm—preliminar yresults, "Radiology236, 286-293(2005)提出一種基于3D形態(tài)學(xué)配準(zhǔn)的肺結(jié)節(jié)初步檢測方法，對孤立型、與血管粘連型、與胸膜粘連型肺結(jié)節(jié)都有良好的檢測效果。文獻(xiàn)10、T.W.Way，L. M. Hadjiiskij B. Sahinerj et al.，"Computer-aided diagnosis of pulmonary noduleson CT scans: segmentation and classification using 3D active contours，〃Med Phys33，2323-2337(2006)提出基于3D活動輪廓模型的肺結(jié)節(jié)初始檢測算法，并提取了候選結(jié)節(jié)的形態(tài)、灰度以及紋理特征。特征選擇后，使用線性分類器分類。文獻(xiàn)llT.Messay，R. C. Hardie and S. K. Rogers, 〃A new computationally efficient CAD system forpulmonary nodule detection in CT imagery, "Med Image Anal 14，390-406 (2010)提出一種自動的肺實(shí)質(zhì)分割算法，根據(jù)灰度及形態(tài)來進(jìn)行結(jié)節(jié)的初始檢測，計(jì)算檢測到的候選結(jié)節(jié)的 245 個圖像特征進(jìn)行分類。文獻(xiàn) 12 I. Sluimerj A. Schilhamj M. Prokop and B. vanGinneken，"Computer analysis of computed tomography scans of the lung:a survey,〃IEEE Trans Med Imaging 25，385-405 (2006)，文獻(xiàn) 13 :Q. Li，"Recent progress in computer-aided diagnosis of lung nodules on thin-section CTj〃Comput Med ImagingGraph31, 248-257(2007)對當(dāng)前計(jì)算機(jī)輔助診斷以及肺結(jié)節(jié)的檢測方法進(jìn)行了綜述。假陽性結(jié)節(jié)過多是目前CAD面臨的主要問題，在敏感性為80%_90%時(shí)，假陽性結(jié)節(jié)的數(shù)目多于5FPs/scan，如文獻(xiàn)3-4，文獻(xiàn)7-9，文獻(xiàn)14 B. Zhao, G. Gamsu，Μ.S. Ginsberg, L. Jiang and L H. Schwartz，"Automatic detection of small lung noduleson CT utilizing a local density maximum algorithm, "J Appl Clin Med Phys4，248-260(2003)。目前的CAD檢測到過多的假陽性結(jié)節(jié)是由于現(xiàn)有技術(shù)僅使用3D全局信息/特征，而忽視了有用的2D局部信息。為了克服3D特征的局限性，有必要提出有序均勻視點(diǎn)重構(gòu)技術(shù)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種CT肺結(jié)節(jié)檢測方法，能夠有效減少檢測結(jié)果中的假陽性結(jié)節(jié)，獲得好的檢測結(jié)果。本發(fā)明為解決上述技術(shù)問題而采用的技術(shù)方案是提供一種基于局部和全局信息的CT肺結(jié)節(jié)檢測方法，包括如下步驟a)初始檢測獲得候選結(jié)節(jié)；b)提取所述候選結(jié)節(jié)圖像的3D特征；c)以候選結(jié)節(jié)的中心為球心，產(chǎn)生有序均勻視點(diǎn)，并從所述有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征；d)使用所述2D特征和所述3D特征對候選結(jié)節(jié)進(jìn)行分類，區(qū)分候選結(jié)節(jié)為結(jié)節(jié)或假陽性。進(jìn)一步地，所述步驟a)中候選結(jié)節(jié)的初始檢測包括如下步驟al)使用第一閾值進(jìn)行肺分割，并檢測肺邊緣的缺口，根據(jù)缺口深淺和大小進(jìn)行修補(bǔ)獲得肺部原圖像；a2)對所述肺部原圖像，使用第一選擇增強(qiáng)濾波器增強(qiáng)結(jié)節(jié)，抑制正常解剖結(jié)構(gòu)；使用第二選擇增強(qiáng)濾波器增強(qiáng)類似血管的線狀結(jié)構(gòu)；使用第三選擇增強(qiáng)濾波器增強(qiáng)類似氣管壁的平面結(jié)構(gòu)；生成候選結(jié)節(jié)增強(qiáng)圖像；a3)使用第二閾值分割所述候選結(jié)節(jié)增強(qiáng)圖像，獲得初始的候選結(jié)節(jié)圖像。進(jìn)一步地，所述步驟b)中的3D特征包括所述候選結(jié)節(jié)的原圖像，以及所述增強(qiáng)圖像的形狀、灰度和曲率。進(jìn)一步地，所述步驟c)中從所述有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征，包括如下步驟cl)確定過所述候選結(jié)節(jié)中心且與視線垂直的平面上的圖像作為所述視點(diǎn)的2D再生圖像；c2)對每個所述2D再生圖像，使用基于區(qū)域的活動輪廓模型對所述候選結(jié)節(jié)進(jìn)行分割；c3)計(jì)算各分割區(qū)域圖像的2D特征。進(jìn)一步地，所述步驟c2)中在所述活動輪廓模型的約束項(xiàng)中添加邊緣檢測算子。進(jìn)一步地，所述步驟c2)中對分割后圖像再進(jìn)行灰度閾值處理去掉背景干擾，然后進(jìn)行填充、標(biāo)記，位于圖像中心的分割區(qū)域作為2D再生圖像中的候選結(jié)節(jié)。進(jìn)一步地，所述2D特征包括各分割區(qū)域面積、有效直徑、圓形度、緊湊度、與目標(biāo)區(qū)域有相同二階矩的橢圓的短軸與長軸比、偏心率、7個2D不變矩的前三個、傅立葉描述子絕對值的最大值、以及目標(biāo)區(qū)域所有像素的梯度的均值。 進(jìn)一步地，所述步驟d)區(qū)分結(jié)節(jié)或假陽性的方法如下如果一個2D侯選結(jié)節(jié)的短軸與長軸比的標(biāo)準(zhǔn)差小于O. 2，或第一個2D不變矩的標(biāo)準(zhǔn)差小于O. 5，則認(rèn)為所述侯選結(jié)節(jié)是假陽性結(jié)節(jié)；否則，認(rèn)為所述侯選結(jié)節(jié)是結(jié)節(jié)。進(jìn)一步地,所述結(jié)節(jié)通過如下方法進(jìn)行特征選擇與分類dl)先選擇所述結(jié)節(jié)的有用特征，將所述有用特征輸入到線性分類器對特征數(shù)據(jù)進(jìn)行分類；d2)根據(jù)分類器的輸出，使用第三閾值去掉一些結(jié)節(jié)以及假陽性結(jié)節(jié)；d3)接著將剩余的數(shù)據(jù)重新輸入到分類器；d4)重復(fù)前述步驟直到獲得預(yù)設(shè)的敏感度。進(jìn)一步地，所述步驟d)中區(qū)分候選結(jié)節(jié)為結(jié)節(jié)或假陽性的方法包括同時(shí)使用2D和3D特征進(jìn)行分類篩選、先使用2D特征再使用3D特征進(jìn)行分類篩選，或者先使用3D特征再使用2D特征進(jìn)行分類篩選。本發(fā)明對比現(xiàn)有技術(shù)有如下的有益效果本發(fā)明提供的CT肺結(jié)節(jié)檢測方法，使用有序均勻視點(diǎn)將3D候選結(jié)節(jié)圖像轉(zhuǎn)化為多張2D再生圖像，巧妙的將3D空間物體轉(zhuǎn)化為2D圖像，同時(shí)使用由有序均勻視點(diǎn)重構(gòu)技術(shù)產(chǎn)生的2D特征以及已有的3D整體特征來檢測結(jié)節(jié)，打破了目前CAD系統(tǒng)僅使用3D特征檢測結(jié)節(jié)的模式，而且放射科醫(yī)生可以使用這些新的2D圖像來從不同角度觀察3D候選結(jié)節(jié)。因此，本發(fā)明提供的CT肺結(jié)節(jié)檢測方法，有效減少檢測結(jié)果中的假陽性結(jié)節(jié)，從而獲得較佳的檢測結(jié)果。有序均勻視點(diǎn)重構(gòu)技術(shù)能夠?qū)?D圖像中的多種典型病灶區(qū)域的計(jì)算機(jī)輔助檢測與診斷以及臨床應(yīng)用方面起到重要作用。


圖I為本發(fā)明的CT肺結(jié)節(jié)檢測流程示意圖；圖2為圖I中候選結(jié)節(jié)的初始檢測流程示意圖；圖3為圖I中從有序均勻視點(diǎn)產(chǎn)生候選結(jié)節(jié)的2D再生圖像的流程示意圖；圖4為球面上從“北極”到“南極”的有序均勻視點(diǎn)示意圖；圖5為視點(diǎn)P與一個結(jié)節(jié)的關(guān)系不意圖；圖6(a)、6(b)分別為結(jié)節(jié)和血管的相鄰多層圖像，圖6 (c)、6 (d)分別為結(jié)節(jié)和血管的2D再生圖像，圖6 (e)和6 (f)為結(jié)節(jié)與血管的分割結(jié)果；圖7為圓形度的均值與標(biāo)準(zhǔn)差的關(guān)系示意圖；圖8為短軸與長軸比的標(biāo)準(zhǔn)差與第一個不變矩標(biāo)準(zhǔn)差的關(guān)系示意圖9為11、24、42個視點(diǎn)時(shí)結(jié)節(jié)檢測的FROC曲線示意圖；圖10為候選結(jié)節(jié)有24個視點(diǎn)，使用2D+3D方法，在分類檢測之前使用兩條規(guī)則，百分比閾值為20%，30%，40%，50%，60%，70%和80%時(shí)結(jié)節(jié)檢測的FROC曲線示意圖；圖11為不使用規(guī)則、使用I條規(guī)則、和使用2條規(guī)則時(shí)，2D+3D方法結(jié)節(jié)檢測的FROC曲線示意圖；圖12為使用2D方法、3D方法、2D+3D方法、2D-3D方法、3D-2D方法結(jié)節(jié)檢測的FROC曲線示意圖；圖13為使用2D方法、3D方法、2D+3D方法、2D-3D方法、3D-2D方法結(jié)節(jié)檢測的FROC
曲線示意圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步的描述。本發(fā)明同時(shí)使用由有序均勻視點(diǎn)重構(gòu)技術(shù)產(chǎn)生的2D特征以及已有的3D整體特征來檢測結(jié)節(jié)，打破了目前CAD系統(tǒng)僅使用3D特征檢測結(jié)節(jié)的模式，使用2D信息可以有效減少檢測結(jié)果中的假陽性結(jié)節(jié)。所謂有序視點(diǎn)即除第一個和最后一個視點(diǎn)外，任何一個視點(diǎn)都有一個前視點(diǎn)和一個后視點(diǎn)；所謂均勻視點(diǎn)即指視點(diǎn)在球面上是均勻分布的，也即相鄰視點(diǎn)在球面上的距離是固定的。由于結(jié)節(jié)在絕大多數(shù)視點(diǎn)的2D再生平面中會呈現(xiàn)類圓形，而血管在一些“有效視點(diǎn)”平面中總會呈現(xiàn)線形，在一些“非有效視點(diǎn)”平面中會呈現(xiàn)類圓形，所以使用有效視點(diǎn)平面可以很容易的區(qū)分結(jié)節(jié)與血管。如果單獨(dú)使用3D信息，相當(dāng)于將一些有效視點(diǎn)的2D信息與許多非有效視點(diǎn)的2D信息混合起來使用，降低了有效視點(diǎn)平面局部2D信息的重要性。有效視點(diǎn)平面對于其他的一些假陽性結(jié)節(jié)，例如對橫、縱隔膜附近的軟組織也適用，從而使得放射科醫(yī)生可以使用這些新的2D圖像從不同角度觀察3D候選結(jié)節(jié)。使用2D特征信息來檢測結(jié)節(jié)，其優(yōu)點(diǎn)在于不僅可以使用有效視點(diǎn)平面來檢測結(jié)節(jié)，還可以利用候選結(jié)節(jié)有效視點(diǎn)平面與無效視點(diǎn)平面的差異來檢測結(jié)節(jié)。簡單的說，在一組2D圖像中血管的形狀差異較大，而結(jié)節(jié)的差異較小。所以，可以根據(jù)一組2D圖像特征的變化來檢測結(jié)節(jié)。由此可見，2D信息實(shí)際上不僅包括候選結(jié)節(jié)在各個2D重構(gòu)圖像中的細(xì)節(jié)信息，還包括一組2D重構(gòu)圖像中形狀差異的總體信息。下面結(jié)合具體實(shí)驗(yàn)數(shù)據(jù)對本發(fā)明作進(jìn)一步的描述。實(shí)驗(yàn)用的CT掃描數(shù)據(jù)來自LIDC提供的標(biāo)準(zhǔn)肺部結(jié)節(jié)CT數(shù)據(jù)，參見文獻(xiàn)15 M. F. McNitt-Gray, S. G. Armato,3rd, C. R. Meyer, et al. , 〃The Lung Image DatabaseConsortium(LIDC) data collection process for nodule detection and annotation,"Acad Radiol 14,1464-1474(2007)。CT 掃描的參數(shù)為 120_140kVp 和 40_422mAs。這個數(shù)據(jù)庫有85組CT數(shù)據(jù)，每一個病例有0-8個結(jié)節(jié)。CT數(shù)據(jù)的層厚為1.25-3mm，層間距為
0.75-3mm，每層CT圖像的大小為512X512個像素，像素大小為0. 5-0. 8mm。結(jié)節(jié)的確定由兩部分組成，首先由四名放射科醫(yī)生單獨(dú)閱讀這些CT圖像，確認(rèn)結(jié)節(jié)的位置以及形狀。然后，將獲得的4名醫(yī)生的結(jié)果反饋給每一位醫(yī)生，這四名醫(yī)生再次確認(rèn)結(jié)節(jié)的位置與形狀。最終，至少被二名醫(yī)生確認(rèn)，直徑為3-30_的結(jié)節(jié)有111個，這111個結(jié)節(jié)就是本發(fā)明研究的對象。由于有些結(jié)節(jié)只被兩個醫(yī)生檢測到，而另外兩個醫(yī)生漏檢了，所以這些結(jié)節(jié)可能很難被CAD檢測到。本發(fā)明提出的CT肺結(jié)節(jié)檢測方法是在已有算法中添加2D特征提取模塊。首先找到以初始檢測獲得的候選結(jié)節(jié)的中心為球心，單位球面上的有序均勻視點(diǎn)，接著確定過結(jié)節(jié)中心且與視線垂直平面上的圖像作為該視點(diǎn)的2D再生圖像。在每個2D再生圖像中，使用基于區(qū)域的活動輪廓模型對2D再生圖像的候選結(jié)節(jié)進(jìn)行分割。然后，計(jì)算各分割區(qū)域的形狀、梯度等2D特征。在修改的去除假陽性結(jié)節(jié)模塊中，使用具有最小過度訓(xùn)練偏差的基于規(guī)則的分類器對結(jié)節(jié)與假陽性結(jié)節(jié)進(jìn)行分類。根據(jù)不同的特征空間，本發(fā)明采用和比較五種不同的分類方法，包括2D方法(僅使用2D特征)，3D方法(僅使用3D特征)，2D+3D方法(同時(shí)使用2D3D特征)，2D-3D方法(先使用2D特征再使用3D特征)，3D-2D方法(先使用3D特征再使用2D特征)。本發(fā)明先簡略介紹結(jié)節(jié)的初始檢測以及3D特征提取，然后重點(diǎn)闡述新的2D特征的抽取方法和改進(jìn)的候選結(jié)節(jié)分類方法。具體
說明如下圖I為本發(fā)明的CT肺結(jié)節(jié)檢測流程示意圖。請參見圖1，本發(fā)明提供的的CT肺結(jié)節(jié)檢測方法包括如下步驟步驟SllOl :初始檢測獲得候選結(jié)節(jié)。候選結(jié)節(jié)的初始檢測采用文獻(xiàn)16 Q. Li, F. Li and K. Doi, "Computerizeddetection of lung nodules in thin-section CT images by use of selectiveenhancement filters and an automated rule-based classifier， 〃Acad Radiol 15，165-175(2008)的方法。請參見圖2，具體包括如下步驟步驟S201 :使用第一閾值(第一閾值為-400HU)進(jìn)行肺分割，并檢測肺邊緣的缺口，根據(jù)缺口深淺和大小進(jìn)行修補(bǔ)獲得肺部原圖像；步驟S202 :對所述肺部原圖像，使用第一選擇增強(qiáng)濾波器增強(qiáng)結(jié)節(jié)，抑制正常解剖結(jié)構(gòu)，見文獻(xiàn) 17 Q. Li, S. Sone and K. Doi, "Selective enhancement filters fornodules, vessels, and airway walls in two-and three-dimensional CT scans, 〃MedPhys 30,2040-2051(2003);同時(shí)使用第二選擇增強(qiáng)濾波器增強(qiáng)類似血管的線狀結(jié)構(gòu)；使用第三選擇增強(qiáng)濾波器增強(qiáng)類似氣管壁的平面結(jié)構(gòu)；生成候選結(jié)節(jié)增強(qiáng)圖像；步驟S203 :使用第二閾值分割候選結(jié)節(jié)增強(qiáng)圖像，確定初始的候選結(jié)節(jié)圖像。在計(jì)算2D和3D特征時(shí)，使用初始結(jié)節(jié)的中心作為候選結(jié)節(jié)的中心。步驟S102 :提取候選結(jié)節(jié)圖像的3D特征。在原圖像中，使用帶約束項(xiàng)的3D區(qū)域增長技術(shù)對初始檢測的結(jié)節(jié)進(jìn)行精確分割。根據(jù)結(jié)節(jié)的初始檢測區(qū)域以及區(qū)域增長精確分割獲得的區(qū)域，在原始圖像、選擇性增強(qiáng)濾波器獲得的結(jié)節(jié)增強(qiáng)圖像、血管增強(qiáng)圖像、氣管壁增強(qiáng)圖像、以及形狀指數(shù)、曲率圖像中，提取了 18個圖像的形狀、灰度、曲率等3D特征。對于提取的3D特征的具體描述見表1，同時(shí)在文獻(xiàn)16中有詳細(xì)描述。1面積
2有效直徑
3圓形度
4緊湊度
5長軸與短軸比21)特征 .......
6擁圓的偏心率 (每個視點(diǎn)一組.) .
7弟一個個貨矩
8第二個不變矩
9第三個4、變矩
10傅立葉描述Γ-
11梯S均值
2D特征統(tǒng)計(jì)量12-22特征 -li Al其它23個視點(diǎn)的2D冉生圖像屮的均值
C每個視點(diǎn)一姐)23-33特怔1-11迮其它23個視點(diǎn)的2D冉牛.圖像中的標(biāo)準(zhǔn)差
…4 W 在候選結(jié)節(jié)初始檢測分割以及E域增長圖像中，候選結(jié)節(jié)的有效ft徑，緊湊度，不規(guī)
3D特征
Fflj 聲
(每個候選結(jié)節(jié)一組)入叉
候選結(jié)爺在原W 、結(jié)節(jié)増強(qiáng)M像、血管增強(qiáng)閣像、氣管壁增強(qiáng)_像、形狀指數(shù)W 、
4U Si
_曲率圖像屮灰ig的均值、標(biāo)準(zhǔn)圣_表一步驟S103 以候選結(jié)節(jié)的中心為球心，尋找單位球面上的有序均勻視點(diǎn)，并從有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征。請參見圖3，具體包括如下步驟步驟S301 :確定過候選結(jié)節(jié)中心且與視線垂直的平面上的圖像作為該視點(diǎn)的2D再生圖像。產(chǎn)生有序均勻視點(diǎn)的螺旋掃描方法最初是由文獻(xiàn)18 :J. Wang, R. Engelmann andQ. Li, "Segmentation of pulmonary nodules in three-dimensional CT images by useof a spiral-scanning technique, "Med Phys 34,4678-4689 (2007)中進(jìn)行 3D 結(jié)節(jié)分割時(shí)提出來的。螺旋掃描技術(shù)可以將3D圖像轉(zhuǎn)化為廣義極坐標(biāo)2D圖像來極大簡化分割算法和提高分割性能。該技術(shù)可以在球面上生成從“北極”到“南極”、有序均勻的結(jié)點(diǎn)，這些節(jié)點(diǎn)可以作為視點(diǎn)來產(chǎn)生本發(fā)明中的2D再生圖像。由于在3D空間中結(jié)節(jié)近似球形，所以在本發(fā)明中使用球形模型來近似表示結(jié)節(jié)。圖4為球面上從“北極”到“南極”的有序均勻視點(diǎn)，其中大圓點(diǎn)為球心，即結(jié)節(jié)的中心，小圓點(diǎn)為視點(diǎn)。根據(jù)已經(jīng)生成的視點(diǎn)，產(chǎn)生過結(jié)節(jié)中心且與視點(diǎn)垂直的2D再生圖像。圖5為視點(diǎn)P與一個結(jié)節(jié)的關(guān)系示意圖；假設(shè)結(jié)節(jié)中心在坐標(biāo)原點(diǎn)0，視點(diǎn)P可由(r，θ，φ)表示，其中r為原點(diǎn)O與點(diǎn)P間的距離，Θ為OP與z軸正向的夾角，Φ為OP在xy平面的投影與χ軸正向的夾角。為了得到2D再生圖像，首先旋轉(zhuǎn)坐標(biāo)軸，讓Z軸與OP重合。一個像素的旋轉(zhuǎn)前坐標(biāo)(X，1，ζ)和旋轉(zhuǎn)后坐標(biāo)(χ’，y’，ζ’ )的關(guān)系可由公式⑴得到
Xi 『cos(pcos0 —sirup cos(psin01 Γχ;
y = sii^cosO cos(p siiKpsinO y'(I)
sinO 0 cosO J Li.
過結(jié)節(jié)中心且與OP垂直的2D再生圖像就是旋轉(zhuǎn)后圖像中Z’=0的平面。這個2D再生圖像中的任何一點(diǎn)(x’，y’)在旋轉(zhuǎn)后的坐標(biāo)系中為(x’，y’，0)，代入(I)式，即可計(jì)算其對應(yīng)的旋轉(zhuǎn)前的坐標(biāo)(x，y，z)。一般而言，(χ,γ,ζ)不正好落在一個旋轉(zhuǎn)前的像素上，因此用原圖像中的一個8鄰域,采用tri-linear插值來計(jì)算2D再生圖像中像素(x’，y’)的值。視點(diǎn)的個數(shù)決定了一個候選結(jié)節(jié)的2D再生圖像的數(shù)目。由于球面上的視點(diǎn)關(guān)于原點(diǎn)中心對稱，所以從“北極”到“赤道”的視點(diǎn)產(chǎn)生的2D再生圖像與從“南極’到“赤道”的視點(diǎn)產(chǎn)生的2D再生圖像基本是對稱相同的，所以本發(fā)明僅用從“北極’到“赤道”的視點(diǎn)(即球面上有序均勻視點(diǎn)的上半部)產(chǎn)生的2D再生圖像。在本發(fā)明中，取視點(diǎn)個數(shù)為24，因此每個結(jié)節(jié)共有24張2D再生圖像。本發(fā)明將比較視點(diǎn)個數(shù)為11，24和42時(shí)的結(jié)節(jié)檢測性能。圖6(a)、6(b)分別為結(jié)節(jié)和血管的相鄰多層圖像(檢測到的假陽性結(jié)節(jié)多為血管)，圖6(c)、6(d)分別為結(jié)節(jié)和血管的2D再生圖像。從圖4(a)的相鄰多層CT圖像可以看出結(jié)節(jié)與血管相連，檢測難度大。但是，結(jié)節(jié)在絕大多數(shù)的2D再生圖像中呈現(xiàn)類圓形，如圖6 (c)所示，且不與血管粘連，因此能夠容易的判斷是結(jié)節(jié)。而圖6(b)中血管的相鄰多層 CT圖像與結(jié)節(jié)相似，不易簡單的判斷為血管。但是圖6(d)的某些2D再生圖像中，很容易發(fā)現(xiàn)目標(biāo)是血管，這些2D再生圖像稱為“有效2D再生圖像”?？梢杂眠@些“有效2D再生圖像”來很好的區(qū)分結(jié)節(jié)與假陽性結(jié)節(jié)。步驟S302 :對每個2D再生圖像，使用基于區(qū)域的活動輪廓模型對2D再生圖像的候選結(jié)節(jié)進(jìn)行分割。本發(fā)明以文獻(xiàn)19提出的基于局部信息的活動輪廓模型方法作為分割2D再生圖像中候選結(jié)節(jié)的基本方法；此方法Matlab代碼可以從如下網(wǎng)站http://www. engr. uconn.edu廠cmli/research/獲得。此方法能夠克服圖像強(qiáng)度的不一致性。但是對比度低或邊界不清楚的結(jié)節(jié)，此方法不能準(zhǔn)確分割。因此本發(fā)明在約束項(xiàng)中添加邊緣檢測算子來進(jìn)一步提高此方法圖像邊緣分割的效果，參見文獻(xiàn)21 :V. Caselles, R. Kimmel and G. Sapiro,"Geodesic active contours， ^International Journal of Computer Vision22，611-79(1997)。對分割后圖像再進(jìn)行灰度閾值處理去掉一些背景干擾，然后進(jìn)行填充、標(biāo)記。位于圖像中心的分割區(qū)域就作為2D再生圖像中的候選結(jié)節(jié)。圖6(e)和6(f)為結(jié)節(jié)與血管的分割結(jié)果。從圖6(e)可以看出，分割后的結(jié)節(jié)圖像從各個不同視點(diǎn)看幾乎都呈現(xiàn)類圓形；反觀圖6(f)，分割后的血管圖像在某些視點(diǎn)呈現(xiàn)類圓形，在某些視點(diǎn)呈現(xiàn)長條形，形狀差異較大。所以，可以利用目標(biāo)物體在2D圖像上形狀的差異來區(qū)分結(jié)節(jié)與假陽性結(jié)節(jié)。步驟S303 :計(jì)算各分割區(qū)域的2D特征。提取的2D特征以及特征統(tǒng)計(jì)量具體見表I ;由于每一個候選結(jié)節(jié)有24張2D再生圖像，且每一個2D再生圖像有一組2D特征，所以每個結(jié)節(jié)有24組2D特征。提取的2D特征包括面積、有效直徑、圓形度、緊湊度、與目標(biāo)區(qū)域有相同二階矩的橢圓的短軸與長軸比、偏心率、7 個 2D 不變矩的前三個,見文獻(xiàn) 22 H. Ming-Kuei, "Visual pattern recognitionby moment invariants, "Information Theory, IRE Transactions on 8,179-187(1962),文獻(xiàn) 23 R. C. Gonzalez, R. E. Woods and E. S. L. , Digital Image Processing UsingMATLAB (Prentice Hall. , New Jersey，2003)、傅立葉描述子絕對值的最大值、以及目標(biāo)區(qū)域所有像素的梯度的均值。由于后4個2D不變矩描述目標(biāo)過于細(xì)微的細(xì)節(jié)，對形狀的主要部分描述不夠，不能很好區(qū)分結(jié)節(jié)與假陽性結(jié)節(jié)，所以放棄后4個不變矩。本發(fā)明只使用傅立葉描述子的最大值，因?yàn)樗芎玫拿枋鰠^(qū)域的總體形狀。不變矩、傅立葉描述子和梯度的計(jì)算米用 http://www. engr. uconn. edu/^cmli/research/ 獲得的 Matlab 代碼,計(jì)算梯度時(shí)使用的模板的步長為I。每一個2D特征在所有24個視點(diǎn)圖像中的統(tǒng)計(jì)量(均值和標(biāo)準(zhǔn)差)可以用來有效區(qū)分結(jié)節(jié)和假陽性結(jié)節(jié)。對于結(jié)節(jié)而言，它在各個2D再生圖像中形狀相近，因此2D特征相近，標(biāo)準(zhǔn)差較小。但是，對于很多假陽性結(jié)節(jié)而言，它在各個2D再生圖像中形狀相差較大，因此2D特征變化較大，標(biāo)準(zhǔn)差也較大。為了使每一個視點(diǎn)2D特征的均值和方差有所差異，在計(jì)算某個視點(diǎn)的某個特征的均值和方差時(shí)，只使用該視點(diǎn)以外的23個視點(diǎn)。圖7為圓形度的均值與標(biāo)準(zhǔn)差的關(guān)系示意圖，圖中χ表示假陽性結(jié)節(jié)，ο表示結(jié)節(jié)。由于候選結(jié)節(jié)的數(shù)據(jù)點(diǎn)過多，因此對每一個候選結(jié)節(jié)只隨機(jī)選取了一個視點(diǎn)。結(jié)節(jié)有較大的平均圓形度和較低的標(biāo)準(zhǔn)差，而假陽性結(jié)節(jié)有較小的平均圓形度和較大的標(biāo)準(zhǔn)差，與期望完全吻合。由于假陽性結(jié)節(jié)與結(jié)節(jié)的分布分離的較好，利用這兩個特征可以去掉很多假陽性結(jié)節(jié)。 每個候選結(jié)節(jié)有一組3D特征,這組3D特征描述候選結(jié)節(jié)3D整體特征。當(dāng)需要同時(shí)使用2D和3D特征時(shí)，將這組3D特征分配到該候選結(jié)節(jié)所有24個2D再生圖像中，因此同一個候選結(jié)節(jié)的所有24個2D再生圖像都有相同的3D特征。步驟S104 :使用2D再生圖像的2D特征和候選結(jié)節(jié)圖像的3D特征對候選結(jié)節(jié)進(jìn)行分類，區(qū)分候選結(jié)節(jié)為假性陽結(jié)節(jié)或結(jié)節(jié)。由于測試的數(shù)據(jù)集合過大，所以在進(jìn)行分類前，使用下面兩條規(guī)則去掉一些明顯的假陽性結(jié)節(jié)來大大降低分類的時(shí)間。如果一個2D候選結(jié)節(jié)的(I)短軸與長軸比的標(biāo)準(zhǔn)差小于O. 2，且(2)第一個不變矩的標(biāo)準(zhǔn)差小于O. 5，則該目標(biāo)區(qū)域被認(rèn)為是結(jié)節(jié)保留下來。否則，該目標(biāo)區(qū)域被認(rèn)為是假陽性結(jié)節(jié)而去掉。圖8為短軸與長軸比的標(biāo)準(zhǔn)差與第一個不變矩標(biāo)準(zhǔn)差的關(guān)系示意圖，圖中2條直線表示2條規(guī)則，χ表示假陽性結(jié)節(jié)，ο表示結(jié)節(jié)。由于數(shù)據(jù)量過大，使用與圖7相同的方法對數(shù)據(jù)進(jìn)行采樣。從圖8中可以看出，在使用兩條規(guī)則去掉一些明顯的假陽性結(jié)節(jié)的同時(shí)，有意保留一些假陽性結(jié)節(jié)，使得由于規(guī)則引起的偏差盡可能的小。對于使用上述兩條規(guī)則沒有去掉的候選結(jié)節(jié)，本發(fā)明使用具有最小過度訓(xùn)練偏差的基于規(guī)則的分類器自動進(jìn)行特征選擇與分類。即先選擇所述結(jié)節(jié)的有用特征，將這些有用特征輸入到線性分類器對特征數(shù)據(jù)進(jìn)行分類，根據(jù)分類器的輸出，使用合理的第三閾值去掉一些結(jié)節(jié)以及假陽性結(jié)節(jié)。接著將剩余的數(shù)據(jù)重新輸入到分類器，重復(fù)剛才的步驟直到獲得預(yù)設(shè)的敏感度。根據(jù)不同的特征空間，本發(fā)明采用5種不同的分類方法來分類。在方法I中(2D方法)，僅使用2D特征(表I中特征1-33)來分類。即將每個結(jié)節(jié)的24張2D再生圖像及2D特征獨(dú)立對待，使用以上分類器進(jìn)行分類。對于某個候選結(jié)節(jié)，如果有多于70%的2D再生圖像被認(rèn)為是結(jié)節(jié)，則這個候選結(jié)節(jié)被認(rèn)為是結(jié)節(jié)。否則，這個候選結(jié)節(jié)被認(rèn)為是假陽性結(jié)節(jié)而去掉。這個70%被稱為百分比閾值。本發(fā)明分析不同百分比閾值對最終檢測性能的影響。在方法二中(3D方法)，僅使用3D特征(表I中特征34_51)來分類，與文獻(xiàn)14使用的方法完全相同。
方法三(2D+3D方法)與方法一類似,但同時(shí)使用2D、3D特征來分類。同一個候選結(jié)節(jié)的24張不同2D再生圖像除具有各自的2D特征外，同時(shí)還加上3D特征。同一個候選結(jié)節(jié)中的每一個2D再生圖像有相同的3D特征。將每一個候選結(jié)節(jié)的每一張2D再生圖像獨(dú)立對待，使用分類器進(jìn)行分類。對于某一個候選結(jié)節(jié)，如果有多于70%的2D再生圖像被認(rèn)為是結(jié)節(jié)，則這個候選結(jié)節(jié)被認(rèn)為是結(jié)節(jié)。否則，這個候選結(jié)節(jié)被認(rèn)為是假陽性結(jié)節(jié)而去掉。在方法四中(2D-3D方法)，先使用方法一的2D特征來分類，去掉一些真結(jié)節(jié)與假陽性結(jié)節(jié)，直到檢測的敏感性為85%時(shí)停止。然后，對剩下的候選結(jié)節(jié)再用方法二的3D特征來分類。在方法五中(3D-2D方法)，先使用方法二的3D特征來分類，去掉一些真結(jié)節(jié)與假陽性結(jié)節(jié)，直到檢測的敏感性為85%時(shí)停止。然后，對剩下的候選結(jié)節(jié)再用方法一的2D特征來分類。對于本發(fā)明提出的五種方法,都是使用leave-one-case-out方法來測試其性能。
即每次選擇一個病人的數(shù)據(jù)來測試，其余所有的數(shù)據(jù)用來訓(xùn)練。重復(fù)實(shí)驗(yàn)，直到所有數(shù)據(jù)都被測試過。下面分別說明下視點(diǎn)個數(shù)、維再生圖像的百分比閾值、規(guī)則對檢測性能和時(shí)間的影響。由于視點(diǎn)個數(shù)是一個重要參數(shù)，下面研究當(dāng)候選結(jié)節(jié)有11、24、42個視點(diǎn)時(shí)的檢測性能。圖9為11、24、42個視點(diǎn)時(shí)結(jié)節(jié)檢測的FROC曲線示意圖；實(shí)驗(yàn)中，使用了兩條規(guī)貝U，2D再生圖像分類時(shí)的百分比閾值設(shè)為70%。為了圖形的清晰，只顯示假陽性率為O到30FPs/case時(shí)的情形。從圖9可以看出，使用24和42個視點(diǎn)時(shí)獲得的性能非常相近，它們都優(yōu)于使用11個視點(diǎn)時(shí)獲得的性能。這是由于11張2D再生圖像數(shù)目過少，提供的有效信息略少，所以獲得檢測性能略差。由于使用42個視點(diǎn)時(shí)花費(fèi)的時(shí)間約為使用24個視點(diǎn)時(shí)花費(fèi)時(shí)間的I. 75倍，而它們獲得的性能卻非常相近，所以在以下的實(shí)驗(yàn)中，使用24個視點(diǎn)。由于2D再生圖像的百分比閾值是一個重要參數(shù)，下面研究當(dāng)閾值為20 %，30 %，40%，50%，60%，70%和80%時(shí)的結(jié)節(jié)檢測性能。圖10為候選結(jié)節(jié)有24個視點(diǎn)，使用2D+3D方法，在分類檢測之前使用兩條規(guī)則，百分比閾值為20 %，30 %，40 %，50 %，60 %，70%和80%時(shí)結(jié)節(jié)檢測的FROC曲線示意圖，從圖10可以看出，檢測性能隨百分比閾值變化不大，說明算法對閾值的選擇很穩(wěn)定。尤其在百分比閾值在40% -70%時(shí)，檢測性能最佳。所以，本發(fā)明選用70%作為最終實(shí)驗(yàn)中使用的閾值。使用簡單規(guī)則可以去掉很多假陽性結(jié)節(jié)，從而極大提高計(jì)算速度。例如，在85組CT圖像中，檢測到的初始候選結(jié)節(jié)有9，155個。如果采用24個視點(diǎn)會產(chǎn)生219，720張2D再生圖像，即有219，720組特征，處理所有這些2D再生圖像將花費(fèi)大量計(jì)算時(shí)間。如果僅使用規(guī)則1，即去掉橢圓的短軸與長軸比的標(biāo)準(zhǔn)差小于O. 2的候選結(jié)節(jié)，則可去掉80，090張假陽性的2D再生圖像，而不犧牲掉任何一張結(jié)節(jié)的2D再生圖像。如果再使用規(guī)則2，即去掉第一個不變矩的標(biāo)準(zhǔn)差小于O. 5的候選結(jié)節(jié)，則可以額外再去掉22，201張假陽性2D再生圖像，同樣不犧牲掉任何一個結(jié)節(jié)的2D再生圖像。圖11為不使用規(guī)則、使用一條規(guī)則、和使用兩條規(guī)則時(shí)，2D+3D方法結(jié)節(jié)檢測的FROC曲線示意圖。實(shí)驗(yàn)中，使用24張2D再生圖像，2D再生圖像的百分比閾值為70%。從圖11可以看出，不使用規(guī)則、使用一條規(guī)則、使用兩條規(guī)則獲得的分類性能相近。使用兩條規(guī)則獲得的分類性能略好于使用一條規(guī)則獲得的分類性能，使用一條規(guī)則獲得的分類性能略好于不使用規(guī)則獲得的分類性能。圖12為不使用規(guī)則、使用一條規(guī)則、和使用兩條規(guī)則時(shí)，2D+3D方法結(jié)節(jié)檢測的敏感性與所需時(shí)間的曲線。實(shí)驗(yàn)使用Matlab編程軟件，運(yùn)行機(jī)器的處理器為2. 66GHz IntelCore 2 CPU with 3. 00 GB RAM。從圖12可以看出，使用兩條規(guī)則花費(fèi)的時(shí)間大大少于使用一條規(guī)則以及不使用規(guī)則分類時(shí)花費(fèi)的時(shí)間。在80%敏感度時(shí)，不使用規(guī)則、使用一條規(guī)則和使用兩條規(guī)則所花費(fèi)的時(shí)間分別為7，489s，3，566s，2，588s。圖13為使用2D方法、3D方法、2D+3D方法、2D-3D方法、3D-2D方法結(jié)節(jié)檢測的FROC曲線示意圖。實(shí)驗(yàn)中使用兩條規(guī)則，24張2D再生圖像，和70%的百分比閾值?？傮w來說，2D+3D方法獲得的性能最佳，但與3D-2D方法、2D-3D方法獲得的性能相差不大。2D方法獲得的性能為其次，3D方法獲得的性能最差。表二為在敏感性為75^^80%和85%時(shí)，使用5種方法獲得的檢測性能。從表二可以看出，在敏感性為85^^75%時(shí)，使用2D+3D方法獲得 最佳性能，分別有2. 65FPs/case和O. 64FPs/case。在敏感性為80%時(shí)，使用3D-2D方法獲得最佳性能，有1.61 FPs/case。
Sensitivity=75% Sensitivity=80% Sensitivity=85%
2D 方法 I. 31 FPs/case 2. 49 FPs/case 7. 64 FPs/case 3D 方法 2. 81 FPs/case 7. 44 FPs/case 17. 25 FPs/case
2D+3D 方法 0. 64 FPs/case I. 87 FPs/case 2. 65 FPs/case2D-3D 方法 0. 82 FPs/case 2. 07 FPs/case 7. 64 FPs/case3D-2D 方法 I. 02 FPs/case I. 61 FPs/case 17. 25 FPs/case表二假陽性結(jié)節(jié)過多是目前CAD面臨的主要問題，這是因?yàn)槟壳暗难芯績H使用3D整體特征。為了克服3D特征的局限性，本發(fā)明提出了有序均勻視點(diǎn)重構(gòu)技術(shù)。有序均勻視點(diǎn)重構(gòu)技術(shù)新穎、巧妙、易于實(shí)現(xiàn)。該技術(shù)能夠從多個不同的有效視點(diǎn)來分析3D候選結(jié)節(jié)，利用結(jié)節(jié)與血管在某些2D平面的明顯形狀差異，以及結(jié)節(jié)與血管在24張2D圖像中本身的形狀差異來去掉假陽性結(jié)節(jié)。如果不使用基于有序均勻視點(diǎn)重構(gòu)技術(shù)來獲得2D再生圖像，而簡單的根據(jù)CT圖像的掃描順序來獲得2D圖像。雖然也可以得到2D圖像，但是很可能結(jié)節(jié)與假陽性結(jié)節(jié)在這些2D圖像上都呈現(xiàn)類圓形，不存在“有效2D圖像”，不能從根本上提高結(jié)節(jié)檢測的性能。本發(fā)明使用有序均勻視點(diǎn)重構(gòu)技術(shù)獲得的“有效2D圖像”來檢測結(jié)節(jié)，顯著提高檢測的性能。當(dāng)敏感性為80%時(shí)，假陽性結(jié)節(jié)的數(shù)目大概為2. 5FPs/scan，與目前CAD檢測CT圖像中的結(jié)節(jié)的平均結(jié)果相比，檢測性能得到顯著提高。使用2D特征分類檢測肺結(jié)節(jié)雖能獲得比僅使用3D特征更好的結(jié)果，畢竟它使用的主要是局部的2D信息，如不與3D全局特征結(jié)合，其性能也有一定的局限性。如果結(jié)合互補(bǔ)的局部2D特征和整體的3D特征，檢測性能可進(jìn)一步提高。在本發(fā)明中，使用了三種方法結(jié)合2D與3D特征，即2D+3D方法，2D-3D方法，3D-2D方法?？傮w來說，三種方法的檢測性能相差不大，使用2D+3D方法獲得的性能最佳。當(dāng)敏感性為80%時(shí)，假陽性結(jié)節(jié)的數(shù)目大概為I. 8FPs/scan左右，檢測性能大大提高。本發(fā)明中使用的結(jié)節(jié)的金標(biāo)準(zhǔn)是由2個或2個以上醫(yī)生的檢測而來的。如果采用更多或者更少醫(yī)生制定的金標(biāo)準(zhǔn)，結(jié)果將會不同，但結(jié)論應(yīng)該是相似的，即同時(shí)使用2D和3D信息檢測結(jié)節(jié)會獲得最佳的結(jié)果。這是因?yàn)橥瑫r(shí)使用局部的2D信息和全局的3D信息來分類，向分類器輸入了更多的有效信息來區(qū)分假陽性結(jié)節(jié)與結(jié)節(jié)，所以會獲得最佳的性能。使用2D信息檢測結(jié)節(jié)會獲得比使用3D信息更好的性能，這是因?yàn)?D再生圖像將結(jié)節(jié)的3D復(fù)雜結(jié)構(gòu)變成相對簡單的2D結(jié)構(gòu)，使得2D信息能更有效、容易的描述結(jié)節(jié)與假陽性結(jié)節(jié)的區(qū)別。使用規(guī)則可以極大地減少計(jì)算時(shí)間。同時(shí)必須看到，這不可避免會引入偏差。為了使偏差最小化，本發(fā)明僅使用了兩條比較寬松的規(guī)則來有意識的保留下來很多的假陽性結(jié)節(jié)。使用這兩個規(guī)則對性能的影響不大，這就說明使用規(guī)則后引入的偏差是很有限的。
初始結(jié)節(jié)中心位置的準(zhǔn)確與否可能影響2D特征的質(zhì)量，也會影響最終檢測的效果。如果初始的結(jié)節(jié)在3D空間的位置偏離其真正的中心較遠(yuǎn)，可能會產(chǎn)生兩種不良影響
(I)結(jié)節(jié)在不同2D再生圖像中呈現(xiàn)大小差異較大的類圓形。(2)2D再生圖像中的結(jié)節(jié)中心偏離2D圖像的中心。這些都可能會對計(jì)算的2D特征及其統(tǒng)計(jì)量產(chǎn)生影響。本發(fā)明使用文獻(xiàn)16的方法獲得的候選結(jié)節(jié)中心位置來產(chǎn)生2D再生圖像。經(jīng)過仔細(xì)觀察發(fā)現(xiàn)，所有結(jié)節(jié)的2D再生圖像沒有出現(xiàn)上述問題。本發(fā)明較高的結(jié)節(jié)檢測性能也驗(yàn)證了這個問題的影響很有限。雖然本發(fā)明已以較佳實(shí)施例揭示如上，然其并非用以限定本發(fā)明，任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作些許的修改和完善，因此本發(fā)明的保護(hù)范圍當(dāng)以權(quán)利要求書所界定的為準(zhǔn)。
權(quán)利要求
1.一種CT肺結(jié)節(jié)檢測方法，其特征在于，包括如下步驟 a)初始檢測獲得候選結(jié)節(jié)； b)提取所述候選結(jié)節(jié)圖像的3D特征； c)以候選結(jié)節(jié)的中心為球心，產(chǎn)生有序均勻視點(diǎn)，并從所述有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征； d)使用所述2D特征和所述3D特征對候選結(jié)節(jié)進(jìn)行分類，區(qū)分候選結(jié)節(jié)為結(jié)節(jié)或假陽性。
2.如權(quán)利要求I所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟a)中候選結(jié)節(jié)的初始檢測包括如下步驟 al)使用第一閾值進(jìn)行肺分割，并檢測肺邊緣的缺口，根據(jù)缺口深淺和大小進(jìn)行修補(bǔ)獲得肺部原圖像； a2)對所述肺部原圖像，使用第一選擇增強(qiáng)濾波器增強(qiáng)結(jié)節(jié)，抑制正常解剖結(jié)構(gòu)；使用第二選擇增強(qiáng)濾波器增強(qiáng)類似血管的線狀結(jié)構(gòu)；使用第三選擇增強(qiáng)濾波器增強(qiáng)類似氣管壁的平面結(jié)構(gòu)；生成候選結(jié)節(jié)增強(qiáng)圖像； a3)使用第二閾值分割所述候選結(jié)節(jié)增強(qiáng)圖像，獲得初始的候選結(jié)節(jié)圖像。
3.如權(quán)利要求I所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟b)中的3D特征包括所述候選結(jié)節(jié)的原圖像，以及所述增強(qiáng)圖像的形狀、灰度和曲率。
4.如權(quán)利要求I所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟c)中從所述有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征，包括如下步驟 Cl)確定過所述候選結(jié)節(jié)中心且與視線垂直的平面上的圖像作為所述視點(diǎn)的2D再生圖像； c2)對每個所述2D再生圖像，使用基于區(qū)域的活動輪廓模型對所述候選結(jié)節(jié)進(jìn)行分割; c3)計(jì)算各分割區(qū)域圖像的2D特征。
5.如權(quán)利要求4所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟c2)中在所述活動輪廓模型的約束項(xiàng)中添加邊緣檢測算子。
6.如權(quán)利要求4或5所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟c2)中對分割后圖像再進(jìn)行灰度閾值處理去掉背景干擾，然后進(jìn)行填充、標(biāo)記，位于圖像中心的分割區(qū)域作為2D再生圖像中的候選結(jié)節(jié)。
7.如權(quán)利要求4所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述2D特征包括各分割區(qū)域面積、有效直徑、圓形度、緊湊度、與目標(biāo)區(qū)域有相同二階矩的橢圓的短軸與長軸比、偏心率、7個2D不變矩的前三個、傅立葉描述子絕對值的最大值、以及目標(biāo)區(qū)域所有像素的梯度的均值。
8.如權(quán)利要求I所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟d)區(qū)分結(jié)節(jié)或假陽性的方法如下如果一個2D侯選結(jié)節(jié)的短軸與長軸比的標(biāo)準(zhǔn)差小于O. 2，或第一個2D不變矩的標(biāo)準(zhǔn)差小于O. 5，則認(rèn)為所述侯選結(jié)節(jié)是假陽性結(jié)節(jié)；否則，認(rèn)為所述侯選結(jié)節(jié)是結(jié)節(jié)。
9.如權(quán)利要求8所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述結(jié)節(jié)通過如下方法進(jìn)行特征選擇與分類dl)先選擇所述結(jié)節(jié)的有用特征，將所述有用特征輸入到線性分類器對特征數(shù)據(jù)進(jìn)行分類； d2)根據(jù)分類器的輸出，使用第三閾值去掉一些結(jié)節(jié)以及假陽性結(jié)節(jié)； d3)接著將剩余的數(shù)據(jù)重新輸入到分類器； d4)重復(fù)前述步驟直到獲得預(yù)設(shè)的敏感度。
10.如權(quán)利要求I所述的CT肺結(jié)節(jié)檢測方法，其特征在于，所述步驟d)中區(qū)分候選結(jié)節(jié)為結(jié)節(jié)或假陽性的方法包括同時(shí)使用2D和3D特征進(jìn)行分類篩選、先使用2D特征再使用3D特征進(jìn)行分類篩選，或者先使用3D特征再使用2D特征進(jìn)行分類篩選。
全文摘要
本發(fā)明公開了一種CT肺結(jié)節(jié)檢測方法，包括如下步驟a)初始檢測獲得候選結(jié)節(jié)；b)提取候選結(jié)節(jié)圖像的3D特征；c)以候選結(jié)節(jié)的中心為球心，產(chǎn)生有序均勻視點(diǎn)，并從有序均勻視點(diǎn)重構(gòu)候選結(jié)節(jié)的2D再生圖像，并提取2D特征；d)使用2D再生圖像的2D特征和候選結(jié)節(jié)圖像的3D特征對候選結(jié)節(jié)進(jìn)行分類，區(qū)分候選結(jié)節(jié)為假陽性或結(jié)節(jié)。本發(fā)明提供的CT肺結(jié)節(jié)檢測方法，使用有序均勻視點(diǎn)將3D候選結(jié)節(jié)圖像轉(zhuǎn)化為多張2D再生圖像，巧妙的將3D空間物體轉(zhuǎn)化為2D，同時(shí)使用局部2D和全局3D信息檢測結(jié)節(jié)，有效減少檢測結(jié)果中的假陽性結(jié)節(jié)，從而獲得更佳的檢測結(jié)果。
文檔編號G06T7/00GK102842132SQ201210241928
公開日2012年12月26日 申請日期2012年7月12日 優(yōu)先權(quán)日2012年7月12日
發(fā)明者李強(qiáng) 申請人:上海聯(lián)影醫(yī)療科技有限公司