本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及了基于ct序列影像中hession矩陣和三維形狀指數(shù)的多尺度三維空間特征的肺結(jié)節(jié)自動分割方法。

背景技術(shù)：

肺癌是發(fā)病率和死亡率最高的惡性腫瘤之一。其主要原因是細(xì)小的病變特征難以被發(fā)現(xiàn)，臨床漏診率高。臨床癥狀出現(xiàn)時，大多數(shù)患者往往已經(jīng)到了病程的中晚期，治愈率非常低。肺癌早期的檢出對提高治愈率起著至關(guān)重要的作用。計算機x射線斷層掃描(ct)具有較高的組織分辨率，被廣泛地應(yīng)用于肺結(jié)節(jié)的篩查。隨著病灶區(qū)域成像精度的不斷提高，ct掃描厚度不斷減小，影像數(shù)據(jù)呈現(xiàn)爆炸式增長，由于肺部組織結(jié)構(gòu)復(fù)雜和結(jié)節(jié)形狀大小各異，醫(yī)生對多層二維ct影像篩查結(jié)節(jié)并排除血管等其他組織的干擾的工作難度很大，容易出現(xiàn)診斷疲勞，甚至可能造成漏診和誤診。因此，如何能夠在不降低精度要求的前提下，快速高效的檢出肺結(jié)節(jié)并分割，對后續(xù)肺結(jié)節(jié)良惡性自動診斷具有重大的意義。但是肺結(jié)節(jié)檢測系統(tǒng)的檢測準(zhǔn)確率和效率并不能滿足臨床的需求，其主要原因是在肺結(jié)節(jié)的檢測過程中，由于血管的密度、ct值等都與結(jié)節(jié)相似，而且在病變區(qū)域內(nèi)，部分結(jié)節(jié)和血管都會交叉，這些都會導(dǎo)致結(jié)節(jié)的檢測過程會產(chǎn)生敏感性不高和較高的假陽性，影響結(jié)節(jié)的檢測準(zhǔn)確率。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有肺結(jié)節(jié)檢測技術(shù)中存在的缺陷，提供一種基于hession矩陣和三維形狀指數(shù)的肺結(jié)節(jié)分割方法。

本發(fā)明所采用的技術(shù)方案為：

一種基于hession矩陣和三維形狀指數(shù)的肺結(jié)節(jié)分割方法，包括以下步驟：

步驟a；肺實質(zhì)三維體數(shù)據(jù)的構(gòu)建：首先利用各向異性濾波對ct影像進行預(yù)處理，去除噪聲圖像的影像，然后利用最佳閾值法對圖像中的肺實質(zhì)區(qū)域進行提取，按照序列依次提取單張ct影像的肺實質(zhì)區(qū)域，最終構(gòu)建肺實質(zhì)三維體數(shù)據(jù)；

步驟b；在三維圖像中將結(jié)節(jié)、血管、胸膜分別近似看作球體、圓柱體和曲面，通過分析典型的球、圓柱和曲面的基本特征，構(gòu)造三個理想的數(shù)學(xué)模型，并計算肺實質(zhì)三維體數(shù)據(jù)中每個體素點的hession矩陣特征值，并分析每個模型的三維特征；

步驟c；分析三維模型的形狀特征，利用肺結(jié)節(jié)的三維特征將其與血管等疑似區(qū)域進行區(qū)分，通過將二維形狀指數(shù)擴展到三維體數(shù)據(jù)上，并結(jié)合hession矩陣特征值對三維形狀指數(shù)進行構(gòu)建，最終構(gòu)建能夠較為準(zhǔn)確的區(qū)分結(jié)節(jié)和血管的三維形狀指數(shù)；

步驟d；肺結(jié)節(jié)灰度值呈gaussian分布，不同尺度空間上的高斯濾波函數(shù)對于復(fù)雜的醫(yī)學(xué)影像具有高效的增強效果，對不同尺度不同類型的疑似肺結(jié)節(jié)，選取不同的尺度參數(shù)σ進行多尺度增強，得到多尺度的三維類球形濾波器-3dshapeindex結(jié)節(jié)檢測函數(shù)；

步驟e；利用步驟d中得到的3dshapeindex結(jié)節(jié)檢測函數(shù)對肺實質(zhì)三維體數(shù)據(jù)進行結(jié)節(jié)檢測，并利用檢測得到結(jié)節(jié)區(qū)域作為區(qū)域增長的多種子點，結(jié)合置信連接的區(qū)域增長算法將結(jié)節(jié)進行三維分割，最終得到分割完整的肺結(jié)節(jié)區(qū)域。

所述的肺結(jié)節(jié)分割方法，所述步驟a的具體步驟為：

a1；利用各向異性濾波對ct影像進行預(yù)處理，通過各向異性濾波去噪不僅能夠去除光滑區(qū)域的噪聲，且能較好保留邊緣，有助于之后的檢測和分割；

a2；利用最佳閾值法對ct影像分割，得到序列肺實質(zhì)圖像；

a21，在包含序列肺部區(qū)域的影像中，求出每一張影像的最大灰度值和最小灰度值，分別記為gmax和gmin，令初始閾值t0＝(gmax+gmin)/2；

a22，根據(jù)閾值t(k)(k＝0，1，2…，k)將ct影像分割為前景和背景，分別求出兩者的平均灰度值h1和h2；

a23，求出新閾值t(k+1)＝(h1+h2)/2；計算新的閾值

a24，若t(k)＝t(k+1)，則所得即為閾值；否則轉(zhuǎn)a22，迭代計算；

a25，最終分割去每張影像的肺實質(zhì)區(qū)域，并對包括支氣管等在內(nèi)的其他組織進行去除；

a3；根據(jù)a2得到的序列肺實質(zhì)圖像，構(gòu)建三維肺實質(zhì)體數(shù)據(jù)。

所述的肺結(jié)節(jié)分割方法，所述步驟b的具體步驟為：

b1；在三維圖像中將結(jié)節(jié)、血管、胸膜分別近似看作球體、圓柱體和曲面；為此，構(gòu)造三個理想模型，在三維空間中分別代表球體，柱狀，面狀，表達(dá)式為：

b2；在三維體數(shù)據(jù)中，hessian矩陣描述了體素點附近的局部強度變化的二階結(jié)構(gòu)，三維圖像i(x，y，z)中目標(biāo)體素點為p，hp為p點的hessian矩陣，由點p的二階導(dǎo)數(shù)構(gòu)建成3維圖像的hessian矩陣為一個3×3的實對稱矩陣，具有3個實特征值；因此由hessian矩陣的定義可得點p處的hessian矩陣表達(dá)式為：

b3；通過計算可得，h是三階對稱矩陣，且其六個混合偏導(dǎo)fxy，fxz，fyx，fyz，fzx，fzy的值都為0，fxx，fyy，fzz計算公式為：

hession的特征值和特征向量可以描述圖像i(p)的二階導(dǎo)數(shù)的大小與方向；最大特征值相對應(yīng)的特征向量代表著p點處曲率的最大方向，最小特征值相對應(yīng)的特征向量則代表著p點處曲率的最小方向；

b4；對每個hessian矩陣都按照以下公式(4)進行矩陣分解，其中λ1，λ2，λ3是矩陣的特征值，且|λ1|>＝|λ2|>＝|λ3|，其對應(yīng)的特征向量分別為e1，e2和e3；

hession矩陣特征值對應(yīng)的特征向量兩兩正交，而且特征向量的方向?qū)?yīng)著三維橢球各軸的主方向，特征值的大小對應(yīng)著各軸的長度，它們共同反映了物體的形狀和大小；

b5；根據(jù)上述b3，b4計算可得，不同理想模型對應(yīng)的hession矩陣的特征值關(guān)系總結(jié)如下：

球狀結(jié)構(gòu)：λ1≈λ2≈λ3＜0

管狀結(jié)構(gòu)：λ1≈λ2＜0,λ3≈0

面狀結(jié)構(gòu)：λ1＜0,λ2≈λ3≈0。

所述的肺結(jié)節(jié)分割方法，所述步驟c的具體步驟為：

c1；曲面是描述形狀的常用方式，而曲率是曲面最重要的幾何特征之一，經(jīng)典的表面曲率測量，例如高斯曲率和平均曲率，不能很好的指示局部形狀，結(jié)合兩個主曲率提供信息，構(gòu)建形狀指標(biāo)，曲面的局部的純幾何結(jié)構(gòu)進行量化的指標(biāo)，不同的數(shù)值代表著不同的形狀，形狀指數(shù)定義為：

高斯曲率：k(p)，主曲率：h(p)，

k1(p)，k2(p)為hessian計算出來的最大、最小特征值；

c2；形狀指數(shù)由二維推導(dǎo)過程如下：

c21，計算二維形狀指數(shù)si的主曲率k1，k2，并將其單位化后變化到極坐標(biāo)：

c22，在極坐標(biāo)系中由角度關(guān)系可得：

c23，由c22中的角度關(guān)系可知：

c24，最終θ1的值為：

c25，最終可以推導(dǎo)出二維形狀指數(shù)：

c3；形狀指數(shù)由二維擴展到三維過程如下：

c31，根據(jù)c2形狀指數(shù)二維的推導(dǎo)計算可得

c32，根據(jù)arctan和arccos關(guān)系可知：

c33，在三維圖像中，球坐標(biāo)是三維坐標(biāo)系的一種，用以確定三維空間中點、線、面以及體的位置，它以坐標(biāo)原點為參考點，由方位角、仰角和距離構(gòu)成如球坐標(biāo)；設(shè)p(x，y，z)為空間內(nèi)一點，球坐標(biāo)系(r，θ，)與直角坐標(biāo)系(x，y，z)的轉(zhuǎn)換關(guān)系如下面所示：

c34，在三維體素中一點p(x，y，z)，有三個主曲率k1，k2，k3，將其單位化后變化到球坐標(biāo)為：

c35，根據(jù)c24計算可得：

c36，最終可得三維形狀指數(shù)：

所述的肺結(jié)節(jié)分割方法，所述步驟d的具體步驟為：

d1；由于肺結(jié)節(jié)灰度值呈gaussian分布，對不同尺度不同類型的疑似肺結(jié)節(jié)，選取不同的尺度參數(shù)σ進行多尺度增強；根據(jù)高斯模版具有三維旋轉(zhuǎn)對稱性可得：σx＝σy＝σz＝σ，三維高斯模板函數(shù)為：

d2；在三維體數(shù)據(jù)上使用服從高斯分布的球狀模型模擬結(jié)節(jié)，利用高斯函數(shù)來建立肺結(jié)節(jié)類球型b(x，y，z)數(shù)學(xué)模型定義為：

d3；將hessian矩陣的差分運算與高斯卷積相結(jié)合，通過改變高斯函數(shù)的標(biāo)準(zhǔn)偏移量來獲得不同尺度σ下的線條濾波圖像；

d31；三維高斯函數(shù)的表達(dá)式為：

d32；根據(jù)高斯函數(shù)的卷積性質(zhì)得圖像i為：

d4；帶檢測的肺結(jié)節(jié)直徑范圍為[d0，d1]，為了檢測在這個范圍內(nèi)的所有物體，將高斯濾波器的尺度范圍設(shè)定在[d0/4，d1/4]之間；然后選取n個不同的尺度參數(shù)σ值，分別對圖像進行卷積和增強運算；尺度參數(shù)σ計算公式為：

d5；將得到的高斯濾波圖像結(jié)合hessian矩陣的表達(dá)式為：

d6；根據(jù)所述hession矩陣的特征值和所述三維形狀指數(shù)，最終構(gòu)建類球形濾波器結(jié)節(jié)檢測函數(shù)v為：

d7；結(jié)節(jié)檢測的具體步驟為

d71，使用各向異性濾波對序列圖像進行去噪；

d72，根據(jù)最佳閾值法分割序列肺實質(zhì)區(qū)域，并構(gòu)建三維體數(shù)據(jù)i；

d73，確定經(jīng)驗范圍內(nèi)的高斯濾波尺度σ以及σ個數(shù)，并計算每個σ的值；

d74，對每一個尺度σn分別進行步驟d75-d710；

d75，使用高斯濾波器平滑中三維體數(shù)據(jù)iin；

d76，對每一個體素點分別進行步驟d77-d79；

d77，計算hessian矩陣以及其對應(yīng)的特征值λ1，λ2，λ3；

d78，計算三維形狀指數(shù):dsi；

d79，計算類球形結(jié)節(jié)檢測函數(shù)v，并輸出三維體數(shù)據(jù)iout；

d710，終止體數(shù)據(jù)循環(huán)；

d711，終止尺度循環(huán)；

d712，最終輸出不同尺度檢測到的結(jié)節(jié)區(qū)域位置。

所述的肺結(jié)節(jié)分割方法，所述步驟e的具體步驟為：

e1，將通過三維類球形濾波器-3dshapeindex結(jié)節(jié)檢測肺實質(zhì)三維體數(shù)據(jù)得到的結(jié)節(jié)區(qū)域的多體素點坐標(biāo)作為區(qū)域增長的多種點；

e2，計算肺實質(zhì)體數(shù)據(jù)中體素灰度值的平均值：和標(biāo)準(zhǔn)差：

e3，根據(jù)指定的懲罰因子，乘以標(biāo)準(zhǔn)差，i(x)∈[m-fσ,m+fσ]計算以期望為中心的灰度值范圍，x是圖像i中的像素點，m和σ分別是當(dāng)前區(qū)域灰度的平均值和標(biāo)準(zhǔn)差；如果鄰域的灰度值位于這個范圍內(nèi)是話就被包含在種子區(qū)域，否自就被排除；

e4，更新各部分肺實質(zhì)體數(shù)據(jù)體素權(quán)重，遍歷所有體素點；

e5，最終完成結(jié)節(jié)的三維分割。

與現(xiàn)有的肺結(jié)節(jié)分割技術(shù)相比：

1、本發(fā)明的目的在于克服現(xiàn)有檢測和分割技術(shù)中存在的缺陷，提供一種簡單、自動化的肺結(jié)節(jié)檢測分割方法。

2、利用本發(fā)明技術(shù)，對肺結(jié)節(jié)可以準(zhǔn)確的檢測以及分割，具有穩(wěn)定性和可再現(xiàn)性特點。

3、為后續(xù)肺結(jié)節(jié)的良惡性分類診斷提供了良好的基礎(chǔ)。

附圖說明

圖1是本發(fā)明的肺結(jié)節(jié)檢測算法總體流程圖；

圖2是本發(fā)明的序列肺實質(zhì)分割區(qū)域；

圖3是本發(fā)明的結(jié)節(jié)、血管、胸膜的三維效果圖及其對應(yīng)的數(shù)學(xué)模型和三維結(jié)構(gòu)；

圖4是本發(fā)明的si值的意義；

圖5是本發(fā)明的極坐標(biāo)和球坐標(biāo)的對應(yīng)和轉(zhuǎn)換關(guān)系；

圖6是本發(fā)明不同類型結(jié)節(jié)在不同尺度下的檢測效果；

圖7是本發(fā)明不同類型的結(jié)節(jié)檢測實驗結(jié)果；

具體實施方式

以下結(jié)合具體實施例，對本發(fā)明進行詳細(xì)說明。

參照圖1，主要流程包括：ct影像預(yù)處理：各向異性濾波去噪，和序列肺實質(zhì)分割、類球形濾波器構(gòu)建：hession矩陣特征值計算，3d形狀指數(shù)函數(shù)的構(gòu)建，類球形濾波器的構(gòu)建、三維肺結(jié)節(jié)分割：結(jié)合區(qū)域增長的置信連接，三維肺結(jié)節(jié)分割等步驟。本發(fā)明方法的具體實施方式如下：

a.三維肺實質(zhì)區(qū)域體數(shù)據(jù)的構(gòu)建

a1；利用各向異性濾波對ct影像進行預(yù)處理，通過各向異性去噪不僅能夠去除光滑區(qū)域的噪聲，且能較好保留邊緣，有助于之后的分割和檢測。

a2；利用最佳閾值法對ct影像分割，得到序列肺實質(zhì)圖像。

第1步，在包含序列肺部區(qū)域的影像中，求出每一張影像的最大灰度值和最小灰度值，分別記為gmax和gmin，令初始閾值t0＝(gmax+gmin)/2；

第2步，根據(jù)閾值t(k)(k＝0，1，2…，k)將ct影像分割為前景和背景，分別求出兩者的平均灰度值h1和h2；

第3步，求出新閾值t(k+1)＝(h1+h2)/2；計算新的閾值

第4步，若t(k)＝t(k+1)，則所得即為閾值；否則轉(zhuǎn)2，迭代計算。

第5步，最終分割去每張影像的肺實質(zhì)區(qū)域，并對支氣管等其他組織進行去除。

a3；根據(jù)a2得到的序列肺實質(zhì)圖像，構(gòu)建三維肺實質(zhì)體數(shù)據(jù)。

參考圖2，圖2為經(jīng)過上述操作得到的序列肺實質(zhì)區(qū)域。

b.分析結(jié)節(jié)的三維特征，計算hession矩陣特征值

在檢測疑似肺結(jié)節(jié)時，由于結(jié)節(jié)、血管、胸膜等都是三維的實體，而且在形態(tài)上與標(biāo)準(zhǔn)的球、圓柱和曲面有一定的相似性，其中結(jié)節(jié)、血管、胸膜等三維實體對應(yīng)的理想球體模型、圓柱體模型和曲面模型。參考圖3，圖3為結(jié)節(jié)、血管、胸膜的三維效果圖及其對應(yīng)的數(shù)學(xué)模型和三維結(jié)構(gòu)，通過對典型的球、圓柱和曲面的基本特征的分析，選擇能夠區(qū)分球、圓柱、和曲面的特征提取出來，并將這些特征引入到結(jié)節(jié)、血管和胸膜的三維模型中來，作為區(qū)分結(jié)節(jié)、血管等的重要依據(jù)。具體步驟如下：

b1；在三維圖像中將結(jié)節(jié)、血管、胸膜分別近似看作球體、圓柱體和曲面。為此，構(gòu)造三個理想模型，在三維空間中分別代表球體，柱狀，面狀，表達(dá)式為：

b2；在三維體數(shù)據(jù)中，hessian矩陣描述了體素點附近的局部強度變化的二階結(jié)構(gòu)，三維圖像i(x，y，z)中目標(biāo)體素點為p，hp為p點的hessian矩陣，由點p的二階導(dǎo)數(shù)構(gòu)建成3維圖像的hessian矩陣為一個3×3的實對稱矩陣，具有3個實特征值。因此由hessian矩陣的定義可得點p處的hessian矩陣表達(dá)式為：

b3；通過計算可得，h是三階對稱矩陣，且其六個混合偏導(dǎo)fxy，fxz，fyx，fyz，fzx，fzy的值都為0，fxx，fyy，fzz計算公式為：

hession的特征值和特征向量可以描述圖像i(p)的二階導(dǎo)數(shù)的大小與方向。最大特征值相對應(yīng)的特征向量代表著p點處曲率的最大方向，最小特征值相對應(yīng)的特征向量則代表著p點處曲率的最小方向；

b4；對每個hessian矩陣都可以按照以下方式公式(4)進行矩陣分解，其中λ1，λ2，λ3是矩陣的特征值，且|λ1|>＝|λ2|>＝|λ3|，其對應(yīng)的特征向量分別為e1，e2和e3。

hession矩陣特征值對應(yīng)的特征向量兩兩正交，而且特征向量的方向?qū)?yīng)著三維橢球各軸的主方向，特征值的大小對應(yīng)著各軸的長度，它們共同反映了物體的形狀和大小。

b5；根據(jù)上述b3，b4計算可得，不同理想模型對應(yīng)的海森矩陣特征值關(guān)系總結(jié)如下：

a；球狀結(jié)構(gòu)：λ1≈λ2≈λ3＜0

b；管狀結(jié)構(gòu)：λ1≈λ2＜0,λ3≈0

c；面狀結(jié)構(gòu)：λ1＜0,λ2≈λ3≈0

c.構(gòu)建三維形狀指數(shù)

單獨使用hession矩陣特征值來構(gòu)建增強濾波器包含較多的假陽性，而且僅用最大和最小曲率構(gòu)建的si，在二維圖像上檢測效果較好，沒有充分利用hession矩陣的特征值，面對復(fù)雜的肺部ct影像并不能很好的檢測肺結(jié)節(jié)，而且存在較高的假陽性。三維體數(shù)據(jù)中，肺結(jié)節(jié)檢測根據(jù)三維特征可以很好的區(qū)分結(jié)節(jié)和血管以及其他組織；因此本文將形狀指數(shù)si擴展到三維體數(shù)據(jù)，通過體數(shù)據(jù)計算三維si。使用三維曲率，來更加完善的表示三維特征，能夠較為準(zhǔn)確的區(qū)分結(jié)節(jié)和血管，構(gòu)建三維形狀指數(shù)具體步驟如下：

c1；曲面是描述形狀的常用方式，而曲率是曲面最重要的幾何特征之一，經(jīng)典的表面曲率測量，例如高斯曲率和平均曲率，不能很好的指示局部形狀，結(jié)合兩個主曲率提供信息，構(gòu)建形狀指標(biāo)，曲面的局部的純幾何結(jié)構(gòu)進行量化的指標(biāo)，不同的數(shù)值代表著不同的形狀，形狀指數(shù)定義為公式(5)，所代表的值如圖4所示：

高斯曲率：k(p)主曲率：h(p)，

k1(p)，k2(p)為hessian計算出來的最大最小特征值。

c2；形狀指數(shù)由二維推導(dǎo)過程如下：

第1步，計算二維形狀指數(shù)si的主曲率k1，k2，并將其單位化后變化到極坐標(biāo)，參照圖5(a)：

第2步，參照圖5(b)在極坐標(biāo)系中由角度關(guān)系可得：

第3步，由第2步中的角度關(guān)系可知：

第4步，最終θ1的值為：

第5步，最終可以推到出二維形狀指數(shù)：

c3；形狀指數(shù)由二維擴展到三維過程如下：

第1步，根據(jù)c2形狀指數(shù)二維的推導(dǎo)計算可得

第2步，根據(jù)arctan和arccos關(guān)系可知：

第3步，在三維圖像中，球坐標(biāo)是三維坐標(biāo)系的一種，用以確定三維空間中點、線、面以及體的位置，它以坐標(biāo)原點為參考點，由方位角、仰角和距離構(gòu)成如球坐標(biāo)。參照圖5(c)，設(shè)p(x，y，z)為空間內(nèi)一點，球坐標(biāo)系(r，θ，)與直角坐標(biāo)系(x，y，z)的轉(zhuǎn)換關(guān)系如下面所示：

第4步，在三維體素中一點p(x，y，z)，有三個主曲率k1，k2，k3，將其單位化后變化到球坐標(biāo)為參照圖5(d)：

第5步，根據(jù)二維推導(dǎo)第4步計算可得：

第6步，最終可得三維形狀指數(shù)：

d.多尺度的三維類球形濾波器

在肺部ct圖像中，結(jié)節(jié)的尺寸大小具有不確定性，而且存在許多圖像噪聲，而體素的二次偏導(dǎo)計算過程對圖像噪聲具有很強的敏感性，因此，如果將增強濾波器直接應(yīng)用在圖像上，將不會產(chǎn)生好的結(jié)果。為了有效檢測出不同大小的結(jié)節(jié)，本發(fā)明采用的是一種基于高斯函數(shù)的多尺度濾波方法。利用高斯函數(shù)對圖像進行卷積運算，去除圖像中的噪聲同時平滑圖像，再對圖像進行多尺度增強，可以增強不同尺度大小的結(jié)節(jié)圖像，具體步驟如下：

d1；由于肺結(jié)節(jié)灰度值呈gaussian分布，對不同尺度不同類型的疑似肺結(jié)節(jié)，選取不同的尺度參數(shù)σ進行多尺度增強。根據(jù)高斯模版具有三維旋轉(zhuǎn)對稱性可得：σx＝σy＝σz＝σ，三維高斯模板函數(shù)為：

d2；在三維體數(shù)據(jù)上使用服從高斯分布的球狀模型模擬結(jié)節(jié)，利用高斯函數(shù)來建立肺結(jié)節(jié)類球型b(x，y，z)數(shù)學(xué)模型定義為：

d3；將hessian矩陣的差分運算與高斯卷積相結(jié)合，通過改變高斯函數(shù)的標(biāo)準(zhǔn)偏移量來獲得不同尺度σ下的線條濾波圖像；

a；三維高斯函數(shù)的表達(dá)式為：

b；根據(jù)高斯函數(shù)的卷積性質(zhì)得圖像i為：

d4；帶檢測的肺結(jié)節(jié)直徑范圍為[d0，d1]，為了檢測在這個范圍內(nèi)的所有物體，將高斯濾波器的尺度范圍設(shè)定在[d0/4，d1/4]之間。然后選取n個不同的σ值，分別對圖像進行卷積和增強運算。尺度計算公式為：

d5；將得到的高斯濾波圖像結(jié)合hessian矩陣的表達(dá)式為：

d6；根據(jù)權(quán)利要求3b5中得到的hession矩陣的特征值和權(quán)利要求4c3第六步中推導(dǎo)出來三維形狀指數(shù)，最終構(gòu)建類球形濾波器結(jié)節(jié)檢測函數(shù)v為：

d7；結(jié)節(jié)檢測的具體步驟為

第1步，使用各向異性濾波對序列圖像進行去噪。

第2步，根據(jù)最佳閾值法分割序列肺實質(zhì)區(qū)域，并構(gòu)建三維體數(shù)據(jù)i。

第3步，確定經(jīng)驗范圍內(nèi)的高斯濾波尺度σ以及σ個數(shù)，并計算每個σ的值。

第4步，對每一個尺度σn分別進行步驟5-10。

第5步，使用高斯濾波器平滑中三維體數(shù)據(jù)iin。

第6步，對每一個體素點分別進行步驟7-9。

第7步，計算hessian矩陣以及其對應(yīng)的特征值λ1，λ2，λ3。

第8步，計算三維形狀指數(shù):dsi。

第9步，計算類球形結(jié)節(jié)檢測函數(shù)v，并輸出三維體數(shù)據(jù)iout。

第10步，終止體數(shù)據(jù)循環(huán)。

第11步，終止尺度循環(huán)。

第12步，最終輸出不同尺度檢測到的結(jié)節(jié)區(qū)域位置。

e.三維結(jié)節(jié)分割

三維分割是針對的三維體數(shù)據(jù)算法，算法在三維體數(shù)據(jù)上直接進行分割，執(zhí)行1次即可完成整體的分割，效率高，并且充分利用切片之間的空間、紋理等信息，提高分割的準(zhǔn)確性，具體步驟如下：

第1步，將通過三維類球形濾波器-3dshapeindex結(jié)節(jié)檢測肺實質(zhì)三維體數(shù)據(jù)得到的結(jié)節(jié)區(qū)域的多體素點坐標(biāo)作為區(qū)域增長的多種點；

第2步，計算肺實質(zhì)體數(shù)據(jù)中體素灰度值的平均值：和標(biāo)準(zhǔn)差：

第3步，根據(jù)指定的懲罰因子，乘以標(biāo)準(zhǔn)差，i(x)∈[m-fσ,m+fσ]計算以期望為中心的灰度值范圍，x是圖像i中的像素點，m和σ分別是當(dāng)前區(qū)域灰度的平均值和標(biāo)準(zhǔn)差。如果鄰域的灰度值位于這個范圍內(nèi)是話就被包含在種子區(qū)域，否自就被排除；

第4步，更新各部分肺實質(zhì)體數(shù)據(jù)體素權(quán)重，遍歷所有體素點；

第5步，最終完成結(jié)節(jié)的三維分割。

參考圖6是本發(fā)明對其中不同類型肺結(jié)節(jié)的多尺度檢測結(jié)果。其中，第一列中包含孤立性肺結(jié)節(jié)，第二列中包含血管粘連結(jié)節(jié)，第三列中包含胸膜牽拉結(jié)節(jié)，第三列中包含磨玻璃結(jié)節(jié)，第(5)列中包含多個結(jié)節(jié)類型；(a)列為三維肺實質(zhì)體數(shù)據(jù)，(b)列為高斯尺度σ為5時的效果，(c)列為高斯尺度σ為5.5時的效果，(d)列為高斯尺度σ為6時的效果，(e)列為高斯尺度σ為6.5時的效果，(f)列為高斯尺度σ為7時的效果。

參考圖7為本文方法對四類肺結(jié)節(jié)的檢測結(jié)果和分割結(jié)果。(1)列是醫(yī)生標(biāo)注的結(jié)節(jié)區(qū)域；(2)列是肺實質(zhì)區(qū)域的三維重建部分；(3)列是本文構(gòu)建的球型濾波器檢測結(jié)果，并將其對應(yīng)到原來的三維重建區(qū)域；(4)列是結(jié)合置信連接的區(qū)域生長的分割效果圖；(5)列是結(jié)節(jié)最終的分割結(jié)果。(a)行是孤立性結(jié)節(jié)的檢測和分割效果；(b)行是血管牽拉結(jié)節(jié)的檢測和分割效果；(c)行是胸膜牽拉結(jié)節(jié)的檢測和分割效果；(d)行是磨玻璃結(jié)節(jié)的檢測和分割效果；(e)行是多結(jié)節(jié)檢測和分割效果。

本發(fā)明可以相對完整的檢測出不同類型的結(jié)節(jié)，不僅對較易檢測的孤立性肺結(jié)節(jié)有很好的檢測效果，而且對胸膜牽拉型結(jié)節(jié)、血管粘連型結(jié)節(jié)和磨玻璃結(jié)節(jié)都有很好的檢測效果。尤其是對磨玻璃這種特征不明顯難以檢測的結(jié)節(jié)也有很好的檢測效果。

應(yīng)當(dāng)理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護范圍。