基于基于 DICOMDICOM 序列序列影像影像的的肺结节肺结节 ROIROI 自动检测自动检测 马鸣 刘少芳 蒲立新 四川省卫生信息中心，成都市，610041 电子科技大学自动化工程学院，成都市，611731 成都金盘电子科大多媒体技术有限公司，成都市，611731 摘摘 要要 本文是以 DICOM 标准的肺部序列影像为研究对象，将 CT 图像序列分割提取获得肺实质，再获取种子区域进行优化分割，最后通过 ROI 检测提取肺部特征信息并进行分类，从而达到肺结节 ROI 自动检测的目的。 实验结果表明本文算法对微小结节特别是 3mm 以下的结节敏感性不高，而直径大于 5mm 的结节检出较为准确。 实验中出现假阳性结节的个数较多，说明所选特征向量与判别分类标准比较严格，分类器的一些参数需要进一步优化，以达到更高的检出率及更低的漏检率。 关键词关键词 肺结节 ROI 检测 自动分割 1 1 引引言言 肺癌是全球发病率、病死率位居首位的恶性肿瘤，死亡率约 91.6%，并以每年 0.5%的趋势增长， 占到所有癌症死亡数的 23.8%。 80%以上患者就诊时即为晚期， 五年生存率不足 15%；若肺癌能在早期被诊断和治疗，其五年生存率将从 14%上升至 50%以上1，实现早期肺癌肿瘤和结节的发现、诊断是提高患者生存率和降低死亡率的关键2。多项研究表明，CT 逐渐成为早期肺癌检查最有效的影像学方法3。 2 2 肺部肺部 ROIROI 特征特征提取提取分类分类流程流程 如何针对早期检查肺癌病状给医生提供更好地参看和诊断依据呢？本文以遵循DICOM3.0 标准的 HRCT 肺部序列影像为研究对象，结合肺结节影像学特征，运用医学图像处理、模式识别理论方法，着重研究肺实质去噪、归一化，肺实质数据二维、三维分割，肺结节检测、判别算法及仿真实现48。本文的思路流程如图 1 所示。 改善的影 像CT图像序列感兴趣区域肺区数据特征空间、规则、分类器结节参数信息预处理预处理；肺区提取肺区提取ROI检测检测特征提取特征提取分类判别分类判别图 1 肺结节检测流程 2.12.1 肺实质自动分割肺实质自动分割 肺实质提取流程如图 2 所示。 原CT影像Body-MaskLung-Mask肺实质阈值分割，区域生 长，滤除小面积改进OTSU分割， 轮廓跟踪图像运算，形态操 作，边界平滑图 2 肺实质数据提取流程 利用OTSU算法求得CT图像最优阈值作为终止条件并利用四角置点区域生长算法得到背景区域，进而连通域标记合并小面积区域去除背景，得到 Body-Image。基本思想是考虑肺部上、中、下段 CT 影像的特点，不断消除背景区域，躯干信息，最终得到精确肺实质模版，再与原图数据进行掩膜操作，最终得到仅含有肺实质数据的影像。 标记并针对躯干模板数据，再次以步骤 1 中阈值分割并取反，得到粗略肺实质模板。对二值的肺实质模板轮廓跟踪，对得到的闭合轮廓对象进行面积过滤，去除主气管，心脏血管等孤立小面积闭合区域。构造圆形结构数据对肺实质模板边界进行平滑修复。 图 3 序列为一个完整的肺实质分割过程， 完全按照文中提出的分割算法， 演示各个步骤的处理结果。 图 3 肺实质自动分割流程 其中， 图 a 表示原始 CT 影像； 图 b 为 OTSU 阈值分割结果； 图 c 为中心连通域标记结果；图 d 为背景滤除躯干提取结果；图 e 为躯干模板与 OTSU 分割掩膜结果；图 f 为初步肺实质模板提取；图 g 为边界跟踪；图 h 为滤除小面积区域得到肺实质数据；图 i 为肺实质边界修补平滑结果。 2.22.2 种子区域计算流程种子区域计算流程 在一张 CT 图分割得到肺实质，考虑 CT 断层影像具有相似性，以及监督函数图搜索算法对种子点选取的必要性要求， 就可以在其他序列影像上得到合理初置种子区域寻得初始轮廓后，再据初始轮廓得到相邻影像的种子点。具体流程如下：遍历当前层影像的目标区域边界，得到灰度均值 A 及灰度方差 S；据边界点坐标由逼近算法迭代得到目标区域正放置最大内接矩形 R，并得到形心坐标（I，J） ；将（I，J）投影到下一层影像的相应位置，并提取其灰度值 Gray；计算 abs（Gray-A） ，若 abs（Gray-A）小于 S，则种子点有效；反之，种子点无效。 然后以该点为圆心，在半径不大于 R 的范围内遍历其邻域像素，重复（4）操作，从而最终得到种子点。得到符合要求种子点，重复上文的肺区自动分割算法，实现该层图像的轮廓提取，得到目标边界，从而实现对序列影像的分割处理。我们对某病人诊断的一个 DICOM CT 序列影像采用能量迭代轮廓跟踪算法，采用初置种子点，每相邻 5 张影像自动计算一次种子区域的方法得到序列分割结果（部分） ，如图 4 所示。 图 4 序列分割结果（部分） 算法对一个序列 97 张影像进行肺实质分割， 时间消耗为 2.87s， 分割效果充分满足 CAD要求。 2.2. 3 3 ROIROI 检测检测 在获取单幅、序列肺实质数据后，容易发现肺实质大部分区域灰度值较低，呈暗黑色；其他一些高灰度区域，可能包括结节、血管、心脏脏器边缘等亮度较高的灰阶区。这里我们考虑继续使用阈值， 该阈值应尽可能将感兴趣区域全面分割， 因此首先对肺实质区域的局部最优阈值进行计算，并分割肺实质区域，得到的二值图像中，就保留了我们感兴趣的所有区域。 为使下一步的分类判别更容易得到感兴趣区域的二维特征， 我们这里采用二值图像的连通域分析算法，提取图像中 ROI 区边界，并对边界进行归类筛选，对剩余的 ROI 与肺实质影像进行数据填充，即得到需要的 ROI 区域914。即首先对上文得到的肺实质数据进行局部最优阈值分割，然后对分割的二值图像进行边界提取、跟踪和标记，最后对连通区域进行面积过滤，对剩余的区域特征进行提取。 2.2.4 4 ROIROI 边界提取边界提取 对分割得到的二值目标区域进边界检测和跟踪是通过顺序检测边缘点，判别是否为边界，循环判断其邻域，从而获取图像目标的外部轮廓特征，其思路是依照探测准则找出目标边界的像素点，再根据跟踪准则找到相邻区域其他像素点。具体准则是：先从左至右、从上至下遍历图像，找到第一个黑点作为初始点，则其四邻域或者八邻域至少有一个边界点。判断是否为边界点的标准是： 若当前点四邻域不全为黑则当前点为边界点。 以这个边界点开始继续按预定的邻域遍历方向寻找下一个边界点，不断循环，直至回到初始点为止。ROI 检测及边界跟踪结果如图 5、图 6、图 7 所示。 图 5 肺实质 图 6 改进 OTSU 分割 图 7 ROI 标注 2.52.5 特征提取与分类特征提取与分类 在候选结节检测结果基础上，结合连通域标记得到的 ROI 质心坐标、面积、周长、外结矩形参数，以及标记 ROI 的灰度最大值、最小值、均值、方差等基本特征。本文参考 Giger 4等采用特征参数包括直径、面积、致密性、圆形度、位置、厚度、圆形度、密度均值和方差等，选取区域欧拉数、圆形度、矩形填充度、傅立叶描述子（Fourier Descriptor，FD） 、目标 ROI 形状矩等作为结节的识别特征，其中，欧拉数表征了结节区域连通性特征，即含有的空洞个数。用像素数表示的面积代替结节区域大小，ROI 区域灰度均值、灰度方差则表征了疑似病灶区的灰度分布，紧凑度等表征疑似病灶形状，形状矩算子、傅立叶算子等反映结节边缘的粗糙程度，平滑与否1517。单个 ROI 区域特征向量样例如表 1所示。 表 1 特征提取样例 获得单层影像的二维 ROI、肺实质空间三维 ROI 区域的特征矩阵后，下一步就考虑设计分类器将特征矩阵或向量组导入分类器实现结节区域和非结节区域的识别， 由于是基于多维特征向量组的二分类问题，考虑常用分类器有贝叶斯决策、神经网络、支持向量机等多种使用已知结果的训练样本进行学习进而设计参数配置分类器， 对测试样本进行归类。 本文采用基于规则的线性分类器对提取出来的感兴趣区域特征向量组进行分类。由于是模式识别问题，构成特征矩阵的维数较大，不能采用统计方法进行识别，只能通过降低维数。降低维数也是模式识别分类问题的主要思想，而基于规则的 Fisher 线性分类器方法本质就是将多维特征矩阵进行维数压缩。图 8 为对某一序列应用肺结节 CAD 检测算法的检测结果。 （a） （b） （c） （d） （e） （f） （g） （h） （i） 图 8 分类判别结果 图 8 中，（a）、（d）、（g）为肺实质； （b）、（e）、（h）为检测到的疑似结节区域（ROI） ； （c）、（f）、（i）为 ROI 区域标注到原图上的结果。 3 3 改进改进 OTSUOTSU 算法算法 由于单次的 OTSU 分割不能确保目标区域的准确分割， 分割结果中包含有无效信息的区域，因此我们考虑采用递归分割不断消除无效数据，把分割结果中含有的背景数据去掉。这种改进 OTSU 分割的具体流程：将图像看做灰度像素点集合S，通过上文的传统 OTSU 得到阈值t进行分割得到背景部分1S（低灰度）和目标部分2S（高灰度） ，其中2S包含了 ROI 及一些背景区域。 将2S区域作为目标区域， 将背景的1S置为 0； 在大于 t 的灰度区间对目标2S区域继续进行 OTSU 分割，得到3S和4S区域，分析这两区域并舍弃背景。不断进行 2 中操作，使用逐渐增大的阈值 t 对剩余的区域进行不断递归的 OTSU 分割。终止条件选择：假定新分割得到S、S区域，统计得到各自灰度的均值G、G，得到区域灰度均值差GGG； 分析S、S区域面积差比 SSSSS， 容易看出，S随递归分割变小， 而G的逐渐增大。因此选择G和S作为我们的递归终止条件，定义 SGt，若 t 值不小于某个定值时，分割结束，该定值据多次实验结果选取得到。初始 OTSU 与改进 OTSU 分割效果对比如图 9 所示。 图 9 改进 OTSU 分割及对比 图 9 中， （a）和（d）为上文分割得到的肺实质； （b）和（e）为传统 OTSU 阈值分割结果； （c）和（f）为改进阈值的分割结果，可以看出这种局部递归的 OTSU 分割可以将大背景区域的小目标由粗到细逐渐分割出来， 能够很好地保留图像肺结节等目标， 同时消除肺泡区等背景，实现了较好的分割效果。 改进OTSU算法通过循环递归处理高低灰度区域，从而增强肺实质分割效果。但是仍存在一些问题，递归次数过多， 递归处理的运算速度将减慢， 同时如果终止条件变化率低将增加递归次数，也会使得处理时间很长。因此要进行优化这个终止条件，增加限制使得运算速度提高。 4 4 实验结果实验结果 对所选的 CT 序列中标注的 220 个结节进行分析比对，系统检测到 258 个结节，真阳性198 个，假阳性结节 60 个，未检测到的结节有 22 个，故而敏感性 90%，漏检率 10%，假阳性率 2.3FPs/Scan。 表 2 算法与本文算法比较 通过与综述文献总结的几种算法比较，如表 2 所示，本文提出的检测及判别分类算法，在对 215mm 早期肺结节的检测准确性相近的情况下，出现假阳性检测结果的几率明显小于其他算法。 5 5 总结总结 本文首先对近年来文献及临床研究发现的并适用于计算机辅助检测诊断的肺结节影像特点进行分析，并针对 DICOM 肺部 CT 影像序列在归一化窗宽、窗位设定等方面进行研究和实验。然后提出一种逐层消除背景，构建肺实质模板的算法来获取全面准确的肺实质数据，同时构造圆形结构数据对肺实质模板边界进行平滑修复，结合序列间相似性进行上下层映射， 从而实现自动序列化肺实质分割。 接着分别采用结合