基于BP神經網絡的肺結節(jié)自動檢測算法研究

鐘明霞 姜柏軍

摘 要： 長期監(jiān)測發(fā)現近年來我國肺癌發(fā)病率上升至原先的4倍，氣象等專家經過研究發(fā)現，灰霾是致肺癌高發(fā)的一個根本原因，特別是在城市。肺癌的早期診斷十分重要。利用計算機圖像處理技術檢測肺癌早期標志物——肺結節(jié)，可以提高肺癌診斷的準確率。據此設計了一個CAD系統，嘗試通過四個步驟實現肺結節(jié)的檢測：肺實質分割、感興趣區(qū)（ROI）的提取、特征的提取與計算、肺結節(jié)檢測。

關鍵詞： 灰霾； 肺結節(jié)； 圖像處理； CAD； BP神經網絡

中圖分類號：TP391.7 文獻標志碼：A 文章編號：1006-8228（2014）10-24-03

Research of lung nodules detection algorithm based on BPNN

Zhong Mingxia， Jiang Bojun

（Zhejiang Vocational College of Commerce， Hangzhou， Zhejiang 310053， China）

Abstract： Through long-term monitoring， the incidence of lung cancer has increased to four times higher than the past. The weather experts conclude that the grey haze is the prime cause of high incidence of lung cancer， especially in cities. It is important to early diagnose lung cancer. This project will use the computer image processing technology to detect early lung cancer markers， lung nodules， to improve the accuracy in diagnosis of lung cancer， at the same time can reduce the workload of doctors. A CAD system is designed. The detection of lung nodules are realized by four steps： lung parenchyma segmentation， interested area （ROI） extraction， feature extracting and calculating， lung nodule detection.

Key words： grey haze； lung nodules； image processing； CAD； the BP neural network

0 引言

根據2014年全國腫瘤登記中心發(fā)布的《2013年中國腫瘤登記年報》[1]中，居全國惡性腫瘤發(fā)病第一位的是肺癌，居全國惡性腫瘤死亡第一位的仍是肺癌。曾在2011年11月，廣州氣象專家吳兌經過多年研究發(fā)現，廣州的灰霾天數增加與肺癌發(fā)生率兩者的變化曲線相當吻合，有力地證明了在高污染的大城市中（如廣州），空氣質量下降和肺癌之間的關系[2]。研究數據證明，隨著近年來大力推行控煙政策，我國吸煙率已呈現小幅下降趨勢，已經不足以成為肺癌的主要殺手，而當前以PM2.5為主的灰霾空氣污染已成為肺癌高發(fā)的最重要誘因。

1 肺癌早期標志物及CT檢測

肺癌和所有癌癥一樣，早期診斷是治療的關鍵，提倡“早發(fā)現，早治療”。肺癌早期一般表現為肺癌影像出現直徑小于3cm而大于3mm的長在肺實質區(qū)域內的類球形病灶，臨床上把它叫做肺結節(jié)[3]。因此，肺癌的早期診斷最終歸結為對肺結節(jié)的檢測上面。

肺結節(jié)的檢測方法有X線胸片檢測和CT檢測兩種。使用CT檢測肺結節(jié)顯著優(yōu)于X線胸片，與傳統的胸部X光片相比，CT表現出了更加卓越的靈敏度，直徑小于1cm的小結節(jié)易被X線胸片遺漏，CT檢出肺結節(jié)的概率可為X線胸片的8倍。在大型醫(yī)院中，每天要接待幾百名甚至近千名需要做CT掃描的病患，每套CT片數量大約在20至40張左右不等。在視覺上分辨肺結節(jié)的過程中，經常會被CT中突起狀的血管混淆[4]，區(qū)分這兩者需要醫(yī)生人工在大量多重CT片及容積分析中來判別，這個過程可能導致人眼疲勞和分心，尤其可能還存在其他病變的干擾，難免存在誤診和漏診的情況。而且，假陽性結節(jié)的檢測可能導致增加花費，給患者帶來焦慮感甚至給沒有肺癌的患者增加負擔。

2 CAD檢測系統設計

本項目旨在利用計算機圖像處理技術，設計一個肺結節(jié)CAD系統，用于檢測肺癌標志物——肺結節(jié)，從而提高肺癌診斷的準確率，同時減輕醫(yī)生的工作量。

該系統嘗試通過四個步驟實現肺結節(jié)的檢測：肺實質分割、感興趣區(qū)（ROI）的提取、特征的提取與計算、肺結節(jié)檢測。CAD檢測系統流程圖如圖1所示。

[感興趣區(qū)

（ROI）的提取][CT影像] [肺實質分割][特征的提取

與計算][肺結節(jié)檢測][輸出標注過肺結點

區(qū)域的CT圖像]

圖1 CAD系統檢測流程圖

2.1 肺實質分割

以一幅CT圖像為例，肺實質分割和提取過程如圖2和圖3所示，其中主要的分割算法包括數學形態(tài)學操作、閾值分割以及區(qū)域生長法等圖像處理技術。

（a） 原始CT圖像 （b） 提取軀干輪廓 （c） 去除氣管干擾

圖2 CT圖像預處理

（a） 原始CT圖像 （b） 8鄰域形態(tài)學輪廓提取

（c） 軀干模板 （d） 模板內部區(qū)域 （e） 肺實質

圖3 肺實質提取過程

2.2 感興趣區(qū)（ROI）的提取

在圖像處理領域，感興趣區(qū)域（ROI）是從圖像中選擇的一個圖像區(qū)域，這個區(qū)域是圖像分析所關注的重點，也就是醫(yī)生真正關注的內容[5]。在這一步驟中將圈定ROI區(qū)域，剔除圖像中無關部分，之后的處理操作均是針對該ROI區(qū)域，這樣可以減少處理時間，增加檢測精度。這部分實驗的輸入圖是經過上一步處理后提取出的肺實質圖像。為了盡可能不發(fā)生漏檢情況，該步驟采用基于數學Hessian矩陣的圓點濾波器進行檢測，自適應地選取 ROI。以圖像為例，數學Hessian矩陣的圓點濾波器檢測結果如圖4所示。

（a） 上一步得到的肺實質圖像 （b） Hessian矩陣檢測結果 （c） 標注ROI區(qū)域

圖4 提取ROI區(qū)域

2.3 特征提取與計算

在上一個步驟中雖然標注出了ROI區(qū)域，但這些區(qū)域并不單單只是肺結節(jié)，肺氣管內的軟組織和血管可能與肺結節(jié)重疊，在圖像處理后表現出一樣的高亮度效果，所以上一步完成后仍然有很多肺結節(jié)的假陽性（FP，false positive）存在。所以需要分類處理，分類識別的關鍵是提取特征，特征的形成是分類識別的關鍵，這些特征必須有足夠的區(qū)別肺結節(jié)（肺癌標志物）和非結節(jié)（組織或血管等）的能力。

表1 對檢測區(qū)域提取的特征

[特征內容＼&特征＼&特征描述＼&視覺特征＼&圓形度＼&特征反映了目標接近圓形的程度＼&緊湊度＼&描述區(qū)域特征＼&一致性＼&當所有灰度值相等時，該度量最大并從此處開始減小＼&平滑度＼&區(qū)域中亮度的相對平滑度度量 ＼&曲率＼&邊界曲率＼&邊界不規(guī)則度＼&邊界點到重心距離的關系＼&統計特征＼&方差＼&平均亮度度量＼&最大值＼&＼&最小值＼&＼&三階矩＼&平均對比度度量＼&不變矩＼&均值的三階矩，度量直方圖的偏斜＼&變換系數特征＼&傅立葉描述子＼&對平移、縮放、鏡像和旋轉都不敏感的7個不變矩＼&]

2.4 肺結節(jié)檢測

接下去采用BP神經網絡分類器進行特征優(yōu)化與肺結節(jié)的檢測，網絡通常采用三層結構，如圖5所示。

[誤差反向傳播] [輸入層][隱含層][輸出層][信息正向傳播][V][W] [x1][xi][xn][i][n][q][m][j][z1][zk][zq][y1][yj][ym]

圖5 3層BP神經網絡結構圖

在BP神經網絡中我們將使用上一步中的特征向量作為輸入層數據進行分類測試，但輸入之前必須先采用主分量分析算法（PCA）對原始特征進行優(yōu)化。PCA算法在保留原始數據所有信息的基礎上對數據源進行降維處理，這樣可以克服傳統的特征選擇單純刪除原始數據某些維數所帶來的信息量不全的缺陷，從而提高神經網絡的分類能力。采用PCA算法后優(yōu)化后的特征向量包括八個，如表2所示。

接下來，在BP神經網絡中使用表2中特征向量作為輸入層數據進行分類測試，比較各類特征向量的分類能力。從含有結節(jié)的圖像中提取32像素*32像素的結節(jié)區(qū)域，為了增加樣本數，將每個結節(jié)區(qū)域分別按順時針旋轉90度、180度、270度，得到三個新的區(qū)域作為訓練樣本，這樣共有256個訓練樣本，按16×16的結構組成512×512像素大小的訓練樣本圖像，用于網絡訓練。網絡的輸出介于0～1之間，當輸出值大于0.5時認為是結節(jié)，否則認為是血管。

仍然以同樣的CT圖像為例，BP神經網絡分類結果如圖6所示，其中圖6（a）表示原始CT圖像，圖6（b）表示上一步中標注的ROI區(qū)域（包含組織或血管），圖6（c）表示神經網絡分類后的肺結節(jié)（剔除假陽性），圖6（d）表示在CT源圖像上標記肺結節(jié)。

3 結束語

本項目研究如何設計一個可靠的計算機輔助診斷系統，采用圖像處理算法將肺部CT影像進行計算處理，分割出肺癌標志物——肺結節(jié)，從而檢測肺癌的早期病變，幫助放射科專家或相關行業(yè)醫(yī)生快速的作醫(yī)學診斷，提高效率。該研究成果可用于開發(fā)計算機輔助診斷系統，作為開發(fā)人員的參考資料。如果能將這種計算機輔助檢測系統引進到實際應用或臨床醫(yī)療中，以此作為檢測早期病變的輔助手段，會有巨大的市場潛力，且意義重大。

參考文獻：

[1] 2013中國腫瘤登記年報[R].全國腫瘤登記中心，2014.4.

[2]吳兌.中國灰霾天氣研究10周年記[J].環(huán)境科學學報，2012.32（2）：

257-269

[3] 田捷等著.醫(yī)學影像處理與分析[M].電子工業(yè)出版社，2003.

[4] 聶生東，鄭斌，李雯.CT圖像肺結節(jié)計算機輔助檢測與分類系統設計[J].

系統仿真學報，2007.19（5）：935-944

[5] 劉士遠等.孤立肺結節(jié)的CT成像策略[J].中國腫瘤影像學，2009.2：

132-139