亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種基于Hession矩陣和三維形狀指數(shù)的肺結(jié)節(jié)分割方法與流程

文檔序號:11775805閱讀:686來源:國知局
一種基于Hession矩陣和三維形狀指數(shù)的肺結(jié)節(jié)分割方法與流程

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。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1