肺結節(jié)計算機輔助檢測與定位系統(tǒng)

摘 要:為了實現(xiàn)肺結節(jié)的智能識別，開發(fā)了肺結節(jié)計算機輔助檢測與定位系統(tǒng)(SCADP)。該系統(tǒng)包括肺實質分割、候選肺結節(jié)分割、肺結節(jié)特征選擇與提取、肺結節(jié)分類、圖像配準與融合、結節(jié)三維重建與定位和勾畫病灶等功能模塊。其中，采用活動輪廓模型的分割方法實現(xiàn)候選肺結節(jié)分割，采用基于規(guī)則與專家系統(tǒng)的決策方法實現(xiàn)肺結節(jié)分類;采用自由變形法實現(xiàn)圖像配準?；谛〔ㄗ儞Q的融合方法，以區(qū)域標準差與區(qū)域能量相結合的融合規(guī)則實現(xiàn)多模圖像的融合;基于改進的ShearWarp算法快速實現(xiàn)體繪制。實驗證明，該肺結節(jié)計算機輔助檢測與定位系統(tǒng)滿足肺結節(jié)計算機輔助診斷要求。

關鍵詞:肺結節(jié); 計算機輔助檢測; 分類; 可視化; 系統(tǒng)功能模塊

中圖分類號:TP391.4文獻標志碼:A

文章編號:1001-3695(2010)06-2184-05

doi:10.3969/j.issn.1001-3695.2010.06.054

System of computeraided detection and positioning for lung nodules

LI Bin1， OU Shanxing1， TIAN Lianfang2， QI Yan1， LIU Siwei2， ZHANG Jing2

(1. Dept. of Radiology Pediatrics， Guangzhou General Hospital of Guangzhou Command， Guangzhou 510010， China; 2. School of Automation Science Engineering， South China University of Technology， Guangzhou 510640， China)

Abstract:This paper established a system of computeraided detection and positioning for lung nodules(SCADP). The SCADP system included function modules of segmentation of pulmonary parenchyma and candidate pulmonary nodules， selection and extraction of features， classification of lung nodules， image registration and fusion， 3D positioning of nodules， etc. It segmented the system candidate pulmonary nodules by GVF snake model， classified lung nodules based on rules and expert systems， realized the image registration by FFD， realized the multimodal image fusion by the fusion method based on wavelet transform with fusion rule of combining the local standard deviation and energy， and reconstructed 3D images by direct volume rendering based on improved ShearWarp method. Experiments demonstrate that the SCADP providing a good means for computeraided diagnosis of lung nodules and cancer.

Key words:lung nodules; computeraided detection; classification; visualization; function modules of system

肺結節(jié)智能識別對肺癌的診斷和提高五年生存率至關重要。在肺結節(jié)智能識別中，計算機輔助檢測與定位發(fā)揮著極其重要的作用[1，2]。為此，國內外眾多學者在肺結節(jié)計算機輔助診斷方面展開了大量的研究工作[3，4]?；谙嗤谋尘?，本文對肺結節(jié)計算機輔助檢測與定位相關技術進行了深入的研究，開發(fā)了肺結節(jié)計算機輔助檢測與定位系統(tǒng)(SCADP)。下面將介紹SCADP的設計思路、系統(tǒng)結構、系統(tǒng)的功能模塊及實現(xiàn)，并以實際的病例實驗驗證該SCADP的效果。

1 SCADP系統(tǒng)結構

基于肺結節(jié)的計算機輔助檢測與定位功能目標，本文設計的系統(tǒng)結構如圖1所示。

2 圖像分割

2.1 肺實質自動分割

在原始的胸部CT圖像中，通常包括背景、肺組織、血管、氣管、骨骼、脂肪、肌肉等，而真正對肺結節(jié)檢測與識別有價值的只有肺實質部分，因此，在實施后續(xù)處理分析(配準、測量、識別等)之前，必須對肺實質進行分割。準確且高精度地分割肺組織，直接影響CAD系統(tǒng)的實際臨床應用價值。肺臟本質上可以看做身體內的一個氣包，因此在CT掃描中作為一個暗區(qū)域顯示?；诖?，系統(tǒng)采用結合閾值法、邊緣檢測、區(qū)域增長和形態(tài)學處理，綜合實現(xiàn)肺實質分割。其步驟如下:

a)胸腔的提取。包括:運用輪廓提取及經驗閾值分割，將胸腔外部的空氣和胸腔完全區(qū)分開;運用分割算子圖檢測出二值化圖像中所有的邊緣;運用8連通輪廓跟蹤算法，尋找出眾多邊緣線中最大的閉合曲線，即為胸腔輪廓;運用種子填充算法填充胸腔輪廓，得到胸腔的掩膜，將胸腔掩膜與原有圖像進行與運算，便能去掉原有圖像的空氣部分。

b)對步驟a)的結果再進行閾值分割和邊緣檢測，得到肺實質與胸腔壁間的輪廓。

c)采用輪廓跟蹤方法分別得到左右肺實質的輪廓，并填充為掩膜。若有左右肺區(qū)粘連的情況，利用左右肺中間的鞍點[5]并結合肺區(qū)的幾何特性分開左右肺區(qū)。

d)分別對左右肺實質掩膜進行閉運算處理，修補初始掩膜邊緣的凹凸不平。若肺邊緣的缺口較大，采用滾動小球的方法[6]，即用較大且形狀為圓形的模板的閉運算。

e)原圖與肺實質掩膜作與運算，得到只留下肺實質區(qū)域的圖像，其他區(qū)域設為背景。

肺實質分割的各步效果如圖2所示。

2.2 候選結節(jié)的自動分割

采用常規(guī)的圖像數(shù)據(jù)驅動的分割方法很難獲得理想的分割效果:基于圖像邊緣信息的邊緣檢測算子，由于圖像邊界的模糊性及弱邊界的存在，常常得到邊界不連續(xù)的分割結果;而基于圖像區(qū)域信息的閾值分割、區(qū)域生長法等都是針對肺結節(jié)的灰度特性，但在肺部CT圖像中，血管、肺支氣管的灰度值與結節(jié)區(qū)別不大，因此這些方法在對肺結節(jié)進行分割的同時，也把一些無關的信息當做感興趣區(qū)域。另外，這些方法對直徑較小的結節(jié)檢測不敏感。研究表明，前者在分割時往往會遺漏肺邊緣的水腫和炎癥等區(qū)域;而后者雖然能保留上述具有彌漫性邊界的區(qū)域，但那些被強梯度邊界包圍的結構常被排除在外，況且它對種子點及生長合并規(guī)則的選取也較敏感。活動輪廓模型方法將分割目標的圖像信息與目標的先驗知識相結合，得到一個邊界封閉、平滑的分割結果，其固有的光滑連續(xù)性可以彌補目標輪廓的噪聲、間隙及其他不規(guī)則，而且模型的參數(shù)表達給出了物體輪廓明確的解析描述。系統(tǒng)主要采用基于GVF Snake模型與Canny算子的邊緣提取方法[7]實現(xiàn)候選結節(jié)的分割。

3 候選結節(jié)的分類

在獲得一系列的候選肺結節(jié)后，如何選擇和提取特征是肺結節(jié)智能識別的關鍵。根據(jù)肺結節(jié)的臨床病理特征，抽象出相似的形狀和灰度特征，對確診結節(jié)和干擾結節(jié)進行特征提取，挖掘判定規(guī)則，最后通過基于專家規(guī)則的判別方法對候選結節(jié)作出識別診斷。

3.1 胸部CT中肺結節(jié)的臨床病理特征

從醫(yī)學角度來講，肺結節(jié)的主要臨床病理征象有位置、形狀、腫瘤跨葉、分葉、毛刺、切跡、暈征、空泡征、空氣支氣管征、空洞、鈣化、血管集束征、衛(wèi)星灶、胸膜凹陷征等。

3.2 肺結節(jié)典型特征提取

1)肺結節(jié)的灰度特征

灰度特征是肺結節(jié)最基本也是最簡單的特征，包括直方圖、肺結節(jié)感興趣區(qū)域的平均灰度值f和灰度值方差σ2f。

2)肺結節(jié)的形狀特征

肺結節(jié)的病理征象大多來源于其形狀的特征，因此形狀特征的選擇和提取顯得尤為重要。形狀特征的描述有兩種:一是全局特性，如周長、面積、直徑等;另一種是局部細節(jié)特征，如一些輪廓拐點、重要特征點等。具體如下:

a)周長。

P=Aodd+2Aeven(1)

其中:Aodd為鏈碼中奇數(shù)個數(shù)的和;Aeven為鏈碼中偶數(shù)個數(shù)的和。本文采用8連通的鏈碼。

周長以及其他測量的初步計算是以像素點為單位，最終結果是通過圖像分辨率轉換為實際測量單位。

b)面積。

A=區(qū)域內像素的總數(shù)(2)

c)矩形度R。描述區(qū)域與矩形的偏離程度，R取值[0，1]，越接近矩形，R越接近1。

R=A/(H×W)(3)

其中:W為寬度，H為高度。

d)區(qū)域的長短軸。

a=2×[2(μ20+μ02+(μ20-μ02)2+4μ112)/μ00]1/2(4)

b=2×[2(μ20+μ02-(μ20-μ02)2+4μ112)/μ00]1/2(5)

其中:μpq為p+q階中心矩。利用長軸a作為肺結節(jié)直徑的度量，用于測量肺結節(jié)的大小。

e)區(qū)域的扁度。

e=a/b(6)

區(qū)域越接近圓，e越接近1，否則e>1。

f)緊湊性。

F=4πA/P2(7)

其中:P是區(qū)域輪廓的周長，A是區(qū)域的面積。緊湊性既表征區(qū)域接近圓的程度，也表征區(qū)域的輪廓光滑，它可檢測邊緣的凹凸程度。圓的緊湊性F=1，邊界越復雜越粗糙，F(xiàn)值越小，同時形狀越扁F值也越小。

g)宏觀圓形度。

s=ri/rc(8)

其中:ri為內切圓半徑;rc為外接圓半徑，區(qū)域為圓時s=1。

h)凹性率。

E=Se/S(9)

其中:S為原來凹形區(qū)域的面積;Se為凸殼與原來區(qū)域的面積之差。凹性率反映了區(qū)域邊界凹陷的大小。

3)紋理特征

對醫(yī)學圖像的檢驗通常要對組織的外觀作解釋，如平滑、粒度、規(guī)則性、均勻性等。這些屬性都與圖像的局部灰度變化有關，可以用紋理測度量化，本文選用灰度共生矩陣對醫(yī)學圖像的紋理測度量化。設圖像灰度級為L，本文分別考慮0°、45°、90°、135°四個方向，相隔δ=2的像素距離的一對像素，選用灰度共生矩陣的以下參數(shù):

a)能量f1。圖像灰度分布均勻性的度量。

f1=∑L-1i=0∑L-1j=0P2δ(i，j)(10)

其中:Pδ(i，j)是歸一化后的灰度共生矩陣。

b)熵f2。圖像具有信息量的度量。

f2=-∑L-1i=0∑L-1j=0 Pδ(i，j)logPδ(i，j)(11)

c)相關性。像素灰度的關聯(lián)性度量。

f3=∑L-1i=0∑L-1j=0(i-μ1)(j-μ2)Pδ(i，j)σ21σ22(12)

其中:μ1= ∑L-1i=0i∑L-1j=0Pδ(i，j)，μ2=∑L-1j=0j∑L-1i=0Pδ(i，j)，σ21=∑L-1i=0(i-μ1)2×∑L-1j=0Pδ(i，j)，σ22=∑L-1j=0(j-μ2)2∑L-1i=0Pδ(i，j)。

d)慣量矩f4。圖像清晰度的度量。

f4=∑L-1i=0∑L-1j=0(i-j)2Pδ(i，j)(13)

對于同一個區(qū)域，計算出其4個特征參數(shù)的紋理矩陣特征值fuc:

fuc=a1f1+a2f2+a3f3+a4f4(14)

其中:ai是權重。本文選擇a1=0.45，a2=0.40，a3=0.09，a4=0.06。

灰度共生矩陣分為四個方向，對紋理特征的16個特征參數(shù)分別進行處理后，組成1個四維的行向量。

3.3 肺結節(jié)的特征選擇

根據(jù)肺結節(jié)病灶的病理形態(tài)學基礎可知，小病灶生長過程無阻礙，多呈圓形;當病變生長到一定程度，因受到鄰近支氣管樹及血管的阻擋，漸漸表現(xiàn)為類圓形，以致出現(xiàn)分葉征、切跡征;病灶進一步生長，壓迫或阻塞支氣管、血管或侵犯鄰近胸膜，可形成連續(xù)的毛刺、分葉等不規(guī)則形狀，總體上仍然是類圓形，但圓形度沒有前兩個階段的高[8]。因此形狀特征仍然是判別真肺結節(jié)的重要依據(jù)，其中毛刺、分葉和暈征(邊緣模糊呈毛玻璃狀)是中后期肺結節(jié)的重要病理特征，這些特征基本表現(xiàn)為邊緣凹凸不平或模糊，緊湊性是其重要判別依據(jù)。另一方面，提取候選結節(jié)感興趣區(qū)域時，經常會受到胸部CT圖像中肺門血管、支氣管的干擾，將它們錯誤列入了候選結節(jié)的區(qū)域。

由實驗和專家意見總結得到一組相關形狀的樣本，基本包含了候選結節(jié)中真實結節(jié)和受干擾結節(jié)的形狀特點。其中真實結節(jié)樣本三個，如圖3(a)~(c);干擾結節(jié)樣本三個，如圖3(d)~(f)。選取凹性率、宏觀圓形度、扁度和緊湊性四個特征對六個典型樣本進行形狀特征提取，如表1所示。觀察表中各項數(shù)據(jù)，初步發(fā)現(xiàn)IV類形狀對凹凸性特別敏感;V和VI類主要由圓形度和扁度決定;Ⅰ類則近似于圓;Ⅱ和Ⅲ類有一定的類圓度，但邊緣都比較粗糙，緊湊性是主要區(qū)分標準。此外，橫截面為類圓形型的血管，容易被錯分為真陽性結節(jié)，如圖4箭頭所指部分。由醫(yī)學知識可知，肺結節(jié)和血管的主要區(qū)別如下[9]:

a)當血管平行于切片時，肺結節(jié)的形狀在切片上是圓形或類圓形的，而血管的形狀是矩形的。

b)當血管垂直于切片時，結節(jié)和血管在切片上都是圓形，但血管的CT值要高于同樣大小結節(jié)的CT值，且血管基本上在相鄰切片的位置保持不變。

c)文獻[10]指出，肺結節(jié)內的CT值近似成二維高斯分布，結節(jié)中心的密度大，CT值也就大，CT值由內向外逐漸變小。因此，肺結節(jié)內部灰度的變化較大，而血管橫截面灰度則分布比較均勻。由一定實驗樣本統(tǒng)計可知，確診肺結節(jié)內部的灰度范圍為-100~100，方差為25~60，而血管的灰度值一般小于-100，且方差也在25以下。

表1 典型樣本的特征提取

樣本特征Ⅰ類Ⅱ類Ⅲ類Ⅳ類Ⅴ類Ⅵ類

凹性率0.0400.1730.3091.1500.1090.374

圓形度0.8950.7000.5640.2970.6060.378

扁度1.1161.3121.3901.3202.2112.69

緊湊性0.8950.6590.4800.2680.6820.485

3.4 肺結節(jié)的分類識別

依據(jù)一定數(shù)量樣本的特征參數(shù)統(tǒng)計結果，總結出結節(jié)與可疑結節(jié)的特征具有一些規(guī)律。本文采取基于規(guī)則和專家系統(tǒng)的級聯(lián)決策方法，對候補結節(jié)疑似區(qū)域進行分類。首先進行形狀特征判別，而后綜合依據(jù)灰度和紋理特征重點區(qū)分血管與結節(jié)。依據(jù)形狀特征判別規(guī)則如下:

a)凹性率E>0.6，且圓形度s<0.5，此為IV類假陽性結節(jié)，屬于血管或支氣管的分支。

b)凹性率0.151.75，或者圓形度s<0.5，此為VI類假陽性結節(jié)，屬于血管、支氣管或氣門組織。

c)凹性率E<0.15，且扁度e>1.75，此為V類假陽性結節(jié)，屬于血管、支氣管或氣門組織。

d)凹性率E<0.15，且圓形度s>0.8，緊湊性F>0.7，扁度e<1.5，此為I類真陽性結節(jié)，屬于肺結節(jié)初期形態(tài)，輪廓光滑鮮明，近似于圓形。

e)凹性率E<0.6，且圓形度0.6

f)凹性率0.15

在完成上述形狀特征的判別后，對經篩選后的樣本進一步排除屬于血管的假陽性結節(jié)。具體規(guī)則如下:

a)肺結節(jié)內部的灰度為-100

b)滿足上述規(guī)則a)，并且紋理特征fuc大于閾值0.50，此為肺結節(jié)。

3.5 分類實驗結果

實驗數(shù)據(jù)來源于某三甲醫(yī)院放射科臨床影像，共100個病例，50個用于統(tǒng)計，50個用于實驗輸出和性能評價。以其中一個病例圖像為例，如圖5所示。圖6、7為用GVF Snake活動輪廓模型提取候選結節(jié)的結果。對感興趣區(qū)域(region of interest， ROI)進行特征提取并分類，特征如表2所示，分類最終結果如圖8所示。結果一共識別出1個肺結節(jié)區(qū)域，剔除其余候選結節(jié)。

最終實驗結果為:50張圖中，確診結節(jié)數(shù)為48個，候選結節(jié)有281個，候選結節(jié)中只有46個確診結節(jié)，即在感興趣區(qū)域提取過程中遺漏了2個確診結節(jié)。經過特征提取和分類決策，檢出51個結節(jié)，最后判定39個為真陽性，12個為假陽性，7個為假陰性。出現(xiàn)錯誤分類的基本上是小于15 mm的小結節(jié)。系統(tǒng)初步識別結果的敏感度為84.8%，假陰性率為5.1%，識別性能屬于良好的水平，錯誤率屬于可接受范圍，因此本文的分類決策方法設計是合理的。

表2 各候選結節(jié)的特征

樣本特征ROI 1ROI 2ROI 3ROI 4ROI 5ROI 6

周長/mm84.2963.4786.5636.6563.4718.93

面積/mm2391.11114.22204.8950.22120.8928.29

直徑/mm23.4219.5726.5813.1923.286.88

凹性率0.1530.5810.7600.5800.5270.052

圓形度0.7930.3680.3560.4150.3270.804

扁度1.0531.8601.9421.9242.5111.280

緊湊性0.6910.3560.3440.4700.3770.913

灰度均值-23.60-165.37-169.43-121.89-120.70-62.87

灰度方差42.7022.5532.5213.8624.7728.55

類別ⅡⅥⅣⅥ ⅥⅠ

4 圖像配準與融合

對體數(shù)據(jù)進行配準，使圖像數(shù)據(jù)保持空間的一致性是醫(yī)學圖像分析處理研究的重要任務。肺器官是典型的運動器官。在呼吸中，肺器官會發(fā)生實質的、局部的多樣性變形，這給各組醫(yī)學圖像數(shù)據(jù)的配準帶來巨大的難題。在肺結節(jié)識別與定位的應用中，系統(tǒng)主要采用非剛體配準方法。此外，解剖圖像以豐富的紋理清晰地描繪了人體組織的形態(tài)結構，圖像融合的目的是為功能圖像描繪的病變區(qū)域提供定位參考。多模醫(yī)學圖像的配準是融合的基礎。為了實現(xiàn)胸部多模態(tài)醫(yī)學圖像的自動配準，考慮到速度、精確性和魯棒性，提出了一種基于層次B樣條自適應自由變形法和最大互信息法的配準方法[7]。本算法首先采用GVF Snake與Canny算子實現(xiàn)邊緣提取，并自動配對特征點;然后采用矩主軸法對多模醫(yī)學圖像進行全局粗配準;最后基于層次B樣條自適應自由變形法對多模態(tài)醫(yī)學圖像進行自動細配準，并且采用梯度下降法以及最大信息熵準則加速求自由變形系數(shù)。實驗原始圖像為胸部序列圖像CT(512×512)和PET(128×128)圖像，分別如圖9、10所示。圖11是采用基于層次B樣條自適應自由變形法FFD進行配準的結果。實驗證明，該方法不僅效率高，而且配準效果好[7]。

CT和PET圖像經過配準后，系統(tǒng)采用基于小波變換的融合方法，以區(qū)域標準差與區(qū)域能量相結合的融合規(guī)則實現(xiàn)CT與PET圖像的融合[11，12]。

配準后CT和PET圖像的融合算法步驟如下:

a)選取雙正交濾波器組的Daubechies 9/7雙正交小波分別對CT和PET圖像進行三層雙正交小波分解，得到一個低頻子帶和九個高頻子帶。

b)分別計算CT和PET圖像中窗口的小波系數(shù)平均值DCT(i，j)和DPET(i，j)。

c)在圖像的小波變換域內，對圖像進行融合。

在臨床應用中，醫(yī)生主要關心病變的位置特征。解剖圖像以豐富的紋理清晰地描繪了人體組織的形態(tài)結構。圖像融合的目的是為功能圖像描繪的病變區(qū)域提供定位參考，因此選用的活動性水平測度應能反映紋理模式。圖像平滑區(qū)域包含的像素灰度彼此接近，而粗糙區(qū)域的像素灰度有較大變化，因而可以采用區(qū)域標準差作為系數(shù)的活動性水平測度。此外，局部能量可以反映圖像信號變化的絕對強度，而信號變化強度大的點反映了圖像的顯著特征，因此，依據(jù)局部能量可以給出圖像特征的統(tǒng)一描述，同時反映圖像的清晰度?；谏鲜鲈颍到y(tǒng)采用區(qū)域標準差和能量作為系數(shù)的活動性水平測度。

基于區(qū)域標準差的活動性水平測度AX為

AX(i，j)=∑s∈S，t∈Tω(s，t)[DX(i+s，j+t，k，l)-DX(i，j)]1/2(15)

其中:X=CT，PET。

令δCT、δPET分別為AX分配給CT、PET的權重，有

δCT=[ACT(i，j)]α[ACT(i，j)]α+[APET(i，j)]α

δPET=[APET(x，y)]α[ACT(i，j)]α+[APET(i，j)]α(16)

其中:α為可調節(jié)參數(shù)。當α>0時，活動性水平測度大的所占權重大;反之，活動性水平測度小的所占權重小。本文α取值為1.8。

基于區(qū)域能量的活動性水平測度BX為

BX(i，j)=∑s∈S，t∈Tω(s，t)D2X(i+s，j+t，k，l)(17)

令εCT、εPET分別為BX分配給CT、PET的權重，有

εCT=BCT(i，j)BCT(i，j)+BPET(i，j)

εPET=BPET(i，j)BCT(i，j)+BPET(i，j)(18)

結合AX和BX，得到融合后圖像的小波系數(shù)DF為

DF(i，j)=[δCTDCT(i，j)+δPETDPET(i，j)]×λ+

[εCTDCT(i，j)+εPETDPET(i，j)]×μ(19)

其中:λ、μ為可調節(jié)參數(shù)，λ+μ=1，隨著μ增大圖像亮度增強，隨著λ增大圖像邊緣增強，適當調整λ、μ，可以盡量避免喪失邊緣信息，同時消除圖像模糊。

d)對經小波變換后CT和PET圖像的逼近系數(shù)CCTJ和CPETJ進行處理。融合之后的逼近系數(shù)C^FJ為CPETJ和的平均值。

e)利用小波系數(shù)DF及逼近系數(shù)C^FJ進行小波反變換可得融合圖像F。

實驗使用一男性左肺癌患者的512×512CT和128×128PET圖像。如圖12(a)(b)所示，從原始CT圖像可看出，左肺下葉外基底段有一結節(jié)影，PET掃描圖像的中部有一亮斑，顯示有一顯像藥物的高吸收區(qū)，但病灶區(qū)的解剖細節(jié)不清晰;圖12(c)清楚地顯示了CT圖像中的節(jié)影區(qū)與PET圖像中的癌滲透區(qū)的對應關系。實驗表明，采用基于小波變換的融合方法，以區(qū)域標準差與區(qū)域能量相結合的融合規(guī)則對CT、PET圖像進行融合處理后，有效地保留了多源圖像的邊緣和紋理特征，為PET圖像描述的病變區(qū)域的準確定位提供了解剖信息。

5 結節(jié)三維重建與定位

運用三維醫(yī)學可視化技術，可獲取有關病灶區(qū)的三維視覺信息并予以空間定位，以供治療模擬和方案評估。三維重建主要是為輔助醫(yī)學診斷及病灶精確定位服務。

直接體繪制算法產生的圖像可以包含體內每個細節(jié)，因此被廣泛應用。在直接體繪制算法的實現(xiàn)過程中，效率與效果之間的矛盾貫穿始終。在三維可視化模塊中，本系統(tǒng)利用不透明度傳遞函數(shù)的相關性，以及minmax Octree數(shù)據(jù)結構，實現(xiàn)對體數(shù)據(jù)的快速分類編碼，并在此基礎上，快速重建游程編碼RLE數(shù)據(jù)結構，以滿足在不透明度傳遞函數(shù)和觀察角度頻繁改變時，也能基于ShearWarp算法快速實現(xiàn)體繪制[13]。系統(tǒng)可以從不同角度觀察器官，還可以通過交互改變傳遞函數(shù)觀察病人不同組織，以方便診斷或者確定病灶。

用GE公司的Discovery ST PETCT對懷疑肺癌的某女性病人進行掃描，得到CT、PET的序列斷層圖像各266張。CT原始分辨率為512×512，PET原始分辨率為128×128。用本文開發(fā)的系統(tǒng)處理該圖像數(shù)據(jù)，工作平臺為Pentium IV 3.0 GHz CPU，1 GB RAM，顯卡為NVIDIA Quadro FX 1400。圖13為病例實驗結果。由實驗結果可見，右肺下葉背段見一結節(jié)狀軟組織密度影，大小約2.4 cm×2.5 cm，出現(xiàn)異常放射性濃聚，SUV(standard uptake value)約為7.2。

6 結束語

本文介紹了肺結節(jié)計算機輔助檢測與定位系統(tǒng)SCADP的設計思路、系統(tǒng)結構、系統(tǒng)的功能模塊及實現(xiàn)，并以實際的病例實驗驗證系統(tǒng)的效果。實驗證明，該系統(tǒng)SCADP滿足肺結節(jié)計算機輔助診斷要求。本文所述的SCADP系統(tǒng)還有值得進一步完善的方面，即對于類圓形的血管，還可以通過分析三維形態(tài)特征作更準確的分析;此外，如何對肺結節(jié)的良惡性實行分類以及量化的分析，肺結節(jié)良惡性的糾錯體制如何建立并整合到SCADP系統(tǒng)中尚有待進一步研究。

參考文獻:

[1]SLUIMER I， SCHILHAM A， PROKOP M， et al. Computer analysis of computed tomography scans of the lung: a survey[J]. IEEE Trans on Medical Imaging， 2006，25(4):385-405.

[2]崔云， 馬大慶. 肺結節(jié)的CT計算機輔助檢測和診斷的基本方法和應用[J]. 中國醫(yī)學影像技術， 2007，23(3):155-158.

[3]ZHANG Li， FANG Ming， NAIDICH D P， et al. Consistent interactive segmentation of pulmonary ground glass nodules indentified in CT studies[C]//Proc of SPIE. 2004: 1709-1719.

[4]BAZ E， MAN A， FARB G， et al. A new CAD system for early diagnosis of detected lung nodules[C]//Proc of IEEE International Conference on Image Processing. 2007:461-464.

[5]蔣平.基于胸部CT圖像的肺區(qū)自動分割[D] .成都:四川大學，2006.

[6]ARMATO S G III， GIGER M L， MORAN J C， et al. Computerized detection of pulmonary nodules on CT scans[J]. Imaging Therapeutic Technology，1999，19(5):1303-1311.

[7]李彬，歐陜興，田聯(lián)房. 自適應自由變形法和梯度下降法的胸部多模醫(yī)學圖像配準[J]. 計算機應用研究， 2009， 26(10):3978-3982.

[8]WORMANNS D， DIEDERICH S. Characterization of small pulmonary nodules by CT[J]. European Radiology， 2004，14(8):1380-1391.

[9]KANAZAWA K， KAWATA Y， NIKI N. Computeraided diagnosis for pulmonary nodules based on helical CT images[J]. Compute Medical Image Graphics，1998，22(2):157-167.

[10]LEE Y， HARA T， FUJITA H， et al. Automated detection of pulmonary nodules in helical CT images based on an improved templatematching technique[J]. IEEE Trans on Medical Imaging， 2001，20(7): 595-604.

[11]LI Bin， TIAN Lianfan， KANG Yuanyuan， et al. Parallel multimodal medical image fusion in 3D conformal radiotherapy treatment planning[C]//Proc of the 2nd International Conference on Bioinformatics and Biomedical Engineering. Shanghai: [s.n.]，2008:2600-2603.

[12]李彬，田聯(lián)房，王立非，等. 用于三維適形放射治療計劃的三維可視化系統(tǒng)[J]. 華南理工大學學報:自然科學版， 2008，36(9):122-127.

[13]李彬.三維適形放射治療計劃中的三維可視化技術研究[D].廣州:華南理工大學，2007.