基于視覺顯著性的肺結(jié)節(jié)檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

柴小雲(yún)+韓貴來+林建林+符春明+陳祖安+張雨薇

摘 要： 檢測(cè)系統(tǒng)先利用迭代等方法分割出肺實(shí)質(zhì)區(qū)域，然后根據(jù)策略改進(jìn)的ITTI視覺注意模型找出肺結(jié)節(jié)所在的顯著性區(qū)域，再利用最大類間方差等方法分割出可疑肺結(jié)節(jié)，最后提取肺結(jié)節(jié)的特征并利用支持向量機(jī)進(jìn)行分類建模。該系統(tǒng)能更快地分割出可疑肺結(jié)節(jié)區(qū)域，提高肺結(jié)節(jié)檢測(cè)的速度。幫助醫(yī)生更快速精確地了解醫(yī)學(xué)圖像中的信息。

關(guān)鍵詞： 視覺顯著性； 肺結(jié)節(jié)； 支持向量機(jī)； 醫(yī)學(xué)圖像處理與分析

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）01-46-03

Design and implementation of pulmonary nodule detection system based on vision saliency

Chai Xiaoyun， Han Guilai， Lin Jianlin， Fu Chunming， Chen Zu'an， Zhang Yuwei

（Institute of Medical Information， Hainan Medical College， Haikou， Hainan 571199， China）

Abstract： The detection system uses iterative method to separate the lung parenchyma， then according to the strategy of improved ITTI visual attention model to identify the salient region of lung nodule， and then the suspected pulmonary nodules is separated by using the Otsu method. Finally， the features of pulmonary nodules are extracted and classified by support vector machines. The system can quickly separate the suspicious regions of lung nodule and improve the detection speed of pulmonary nodules， helping doctors understand the information in medical images more quickly and accurately.

Key words： vision saliency； pulmonary nodule； support vector machines； medical image processing and analysis

0 引言

據(jù)國(guó)家癌癥中心《2017中國(guó)城市癌癥最新數(shù)據(jù)報(bào)告》顯示，在各大城市中死亡率前五位的癌癥主要是肺癌和消化系統(tǒng)癌癥，其中肺癌在小城市、中等城市、大城市中的死亡率分別為40.71%、47.79%、54.19%，遠(yuǎn)遠(yuǎn)超過死亡率排名第二的胃癌、肝癌[1]。在國(guó)內(nèi)，肺部結(jié)節(jié)的發(fā)病率已達(dá)20%，這其中約有5%會(huì)轉(zhuǎn)化為肺癌[2]。對(duì)于肺部結(jié)節(jié)患者，在三個(gè)月內(nèi)追蹤隨訪，可以篩查早期肺癌，所以早發(fā)現(xiàn)早治療，才能給患者提高最大的生存空間[3]。目前，螺旋式CT掃描有利于肺癌的早期診斷和鑒別[4]。近年來，通過運(yùn)用計(jì)算機(jī)程序?qū)T圖像的處理與分析研究，使得肺結(jié)節(jié)計(jì)算機(jī)輔助診斷技術(shù)快速的發(fā)展起來[5]。

本系統(tǒng)也是基于CT圖像的檢測(cè)來開展，目的是通過實(shí)現(xiàn)肺結(jié)節(jié)的系統(tǒng)檢測(cè)，來減少肺結(jié)節(jié)的漏診和誤診的幾率[6]。其中，可疑肺結(jié)節(jié)區(qū)域的分割，是本文系統(tǒng)實(shí)現(xiàn)其功能的關(guān)鍵。本文采用對(duì)ITTI的視覺感知模型中的WTA策略進(jìn)行改進(jìn)，結(jié)合肺結(jié)節(jié)精確分割流程，使顯著性區(qū)域分割從單一肺結(jié)節(jié)擴(kuò)展到多發(fā)肺結(jié)節(jié)[7]，提高了肺結(jié)節(jié)顯著性區(qū)域分割的準(zhǔn)確率。

1 系統(tǒng)設(shè)計(jì)方案

本文設(shè)計(jì)的基于視覺顯著性的肺結(jié)節(jié)檢測(cè)系統(tǒng)，可以輔助醫(yī)生更好地檢測(cè)和發(fā)現(xiàn)CT圖片中可疑肺結(jié)節(jié)的區(qū)域，是醫(yī)護(hù)人員的“第二雙眼睛”。系統(tǒng)從CT圖像的獲取與識(shí)別開始，去除胸廓區(qū)域分割出肺實(shí)質(zhì)，使用最大類間方差的方法對(duì)ITTI模型中的WAT算法策略進(jìn)行改進(jìn)，使感興趣區(qū)域的分割從單一的肺結(jié)節(jié)轉(zhuǎn)為多發(fā)肺結(jié)節(jié)[7]，而后進(jìn)行可疑肺結(jié)節(jié)的特征提取和SVM建模分析，如圖1所示。

2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

2.1 肺實(shí)質(zhì)分割

在CT圖像中，除左右肺之外還包括胸廓、肋骨及胸壁軟組織等，如果這些組織沒有被剔除，就會(huì)降低算法的有效性、增加檢測(cè)的時(shí)間，將會(huì)容易造成對(duì)于后續(xù)肺結(jié)節(jié)的特征提取和分析的誤診、錯(cuò)診。因此我們需要將CT片中的肺實(shí)質(zhì)區(qū)域給精準(zhǔn)的分割出來。本文使用迭代法自動(dòng)獲取灰度閾值，結(jié)合Matlab工具箱函數(shù)和圖像灰度化處理、區(qū)域增長(zhǎng)、二值化圖像等多種算法的來實(shí)現(xiàn)肺實(shí)質(zhì)的分割，如圖2所示。

使用閾值處理圖像具有簡(jiǎn)單、直觀且計(jì)算速度快等特點(diǎn)。本文將CT圖像看成是由深的背景與亮的對(duì)象所組成，對(duì)所有f（x，y）>T的點(diǎn)稱為對(duì)象點(diǎn)。反之，就稱為背景點(diǎn)，使用下面的公式表示：

閾值T的自動(dòng)獲取：

⑴ Gmax=圖像的最大灰度值，Gmin=圖像的最小灰度值，T0（初始閾值）=（Gmax+Gmin）/2；

⑵ 根據(jù)閾值T1，將CT圖像分割為背景和前景，求出兩者的平均灰度值MO和M1；

⑶ T1（新的閾值）=（M0+M1）/2；

⑷ 若M0和M1不再變化（或者T1不再變化）則閾值為T1；不然跳轉(zhuǎn)⑵繼續(xù)迭代。

2.2 肺結(jié)節(jié)感興趣區(qū)域的分割endprint

對(duì)CT圖像的預(yù)處理和使用迭代法自動(dòng)計(jì)算出閾值對(duì)圖像進(jìn)行分割，比較精準(zhǔn)地分割出了左右肺的圖像，對(duì)于后續(xù)的肺結(jié)節(jié)區(qū)域特征提取和分類識(shí)別還需要進(jìn)行肺結(jié)節(jié)可疑區(qū)域的分割。在傳統(tǒng)的視覺注意機(jī)制中，ITTI視覺注意模型被廣泛使用，對(duì)輸入圖像的顏色、方向、亮度進(jìn)行多尺度和多個(gè)特征通道的分解，通過濾波獲取到特征圖，再對(duì)特征圖做融合計(jì)算得到顯著圖。

在前期研究中，本項(xiàng)目也使用此種視覺注意機(jī)制來對(duì)圖像進(jìn)行顯著性特征圖的獲取，但發(fā)現(xiàn)對(duì)于醫(yī)學(xué)CT圖像低亮度、低對(duì)比度的特點(diǎn)，獲取到的圖像不能很好的達(dá)到要求。所以，在模型中除了原本的三個(gè)特征之外，我們引入了局部熵、角點(diǎn)、邊緣等特征，讓視覺注意模型對(duì)輸入的圖像基于這六大特征通道和多尺度進(jìn)行分解，最終得到基于視覺的肺結(jié)節(jié)顯著性特征圖，如圖3。引入了多個(gè)特征通道之后，對(duì)于傳統(tǒng)的CAD檢測(cè)系統(tǒng)而言，本文所得到的顯著性特征圖減少了假肺結(jié)節(jié)的出現(xiàn)的情況。

對(duì)于肺結(jié)節(jié)感興趣區(qū)域的分割，使用ITTI“勝者為王”的策略，在該策略中比較幾個(gè)顯著性區(qū)域的大小，取其大的區(qū)域進(jìn)行分割。對(duì)于較大的肺結(jié)節(jié)區(qū)域或是單一的肺結(jié)節(jié)區(qū)域可以有效的進(jìn)行顯著區(qū)域的分割，但是對(duì)于較小的肺結(jié)節(jié)和多發(fā)區(qū)域的肺結(jié)節(jié)，使用該模型不能將感興趣分割出來。所以，本文對(duì)該策略進(jìn)行改進(jìn)，使用最大類間方差的方法對(duì)顯著圖進(jìn)行分割，分割出感興趣的顯著性區(qū)域，如圖4。

2.3 可疑肺結(jié)節(jié)分割

由于肺結(jié)節(jié)感興趣區(qū)域與原肺實(shí)質(zhì)圖像中的肺結(jié)節(jié)顯著性區(qū)域中二者的可疑肺結(jié)節(jié)區(qū)域沒有匹配，所以，不能直接認(rèn)為感興趣區(qū)域就等于可疑肺結(jié)節(jié)區(qū)域，還需繼續(xù)對(duì)其進(jìn)行分割。為此，本文設(shè)計(jì)了一種對(duì)于顯著性區(qū)域進(jìn)行精確分割的流程，如圖5所示。對(duì)肺實(shí)質(zhì)圖像使用改進(jìn)的ITTI模型策略，使用最大類間方差的方法得到感興趣區(qū)域，將感興趣區(qū)域與二值化的原肺實(shí)質(zhì)圖像進(jìn)行交運(yùn)算、去噪，得到各個(gè)連通子區(qū)域，將原肺實(shí)質(zhì)圖像中對(duì)應(yīng)的最高灰度值點(diǎn)作為種子點(diǎn)，進(jìn)行圖像的區(qū)域生長(zhǎng)，最終得到分割出來的可疑肺結(jié)節(jié)圖像。

2.4 肺結(jié)節(jié)特征提取與SVM建模分析

在分割出的可疑肺結(jié)節(jié)圖像中，本文提取了肺結(jié)節(jié)的面積、緊縮度、圓形性、灰度均值、相關(guān)性、傅里葉描述子等一系列特征，利用支持向量機(jī)進(jìn)行數(shù)據(jù)樣本的訓(xùn)練。通過支持向量機(jī)，利用非常小量的訓(xùn)練樣本就可以得到比較好的分類模式。同時(shí)，SVM是基于統(tǒng)計(jì)學(xué)習(xí)理論，除了與經(jīng)驗(yàn)風(fēng)險(xiǎn)有關(guān)，還與擬合函數(shù)的復(fù)雜度有關(guān)，并且要和有限數(shù)目的樣本相適應(yīng)，而不是樣本數(shù)量越大越好，這同時(shí)也可以解決因樣本容量不足的短板。

3 結(jié)論

本系統(tǒng)是在Windows7系統(tǒng)上采用Matlab編程實(shí)現(xiàn)的，具有良好的用戶GUI界面。通過改進(jìn)ITTI模型中“贏者全拿”策略，使視覺注意模型在多發(fā)肺結(jié)節(jié)的分割上得以實(shí)現(xiàn)，

也使得肺結(jié)節(jié)顯著性區(qū)域分割更加的精確。在一定程度上對(duì)大量的胸部CT圖像更快速、高效的進(jìn)行肺結(jié)節(jié)的檢測(cè)，減少醫(yī)院中漏診和誤診情況的發(fā)生[8]。

本系統(tǒng)通過對(duì)肺結(jié)節(jié)顯著性區(qū)域更加精確的分割，大大提高肺癌的早期排查的準(zhǔn)確率，也充分顯示出醫(yī)療信息化的優(yōu)勢(shì)。對(duì)于本系統(tǒng)中微小結(jié)節(jié)檢測(cè)易被忽視的問題，在后期的開發(fā)中會(huì)考慮采用解析LIDC肺結(jié)節(jié)圖像庫的方法，提高對(duì)結(jié)節(jié)到微小結(jié)節(jié)的檢測(cè)精確度。

參考文獻(xiàn)（References）：

[1] RGA美國(guó)再保險(xiǎn).2017中國(guó)城市癌癥最新數(shù)據(jù)報(bào)告[EB/

OL].http：//news.bioon.com/article/6700292.html，2017.

[2] 健康一線.浙江省人民醫(yī)院引進(jìn)肺結(jié)節(jié)輔助診斷系統(tǒng)[EB/

OL].http：//www.vodjk.com/news/170313/1083044.shtml，2017.

[3] Nie Shengdong，Zheng Bin，Li Wen.Design of Computer-

aided Detection and Classification of Lung Nodules Using CT Images[J]. Journal of System Simulation，2017.19（5）：935-944

[4] Qiu Shi，Wen Desheng，Cui Ying，Peng Jun.Lung Nodules

Detection in CTImages Using Gestalt-Based Algorithm[J].Chinese Journal of Electronics，2016.25（4）：712-718

[5] 伍長(zhǎng)榮，接標(biāo)，葉明全.CT圖像肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)與診斷

技術(shù)研究綜述[J].Journal of Data Acquisition and Processing，2016.31（5）：869-881

[6] 曹麗.基于CT圖像的肺結(jié)節(jié)檢測(cè)研究方法[D].沈陽理工大學(xué)

碩士學(xué)位論文，2013.

[7] 韓貴來，詹何慶，鄧丹瓊.基于視覺注意的肺結(jié)節(jié)顯著性區(qū)域

分割方法[J].電腦知識(shí)與技術(shù)，2017.13（16）：165-167

[8] 陳昊.基于移動(dòng)物聯(lián)網(wǎng)的區(qū)域協(xié)同心血管病急救模式研究[D].

第三軍醫(yī)大學(xué)碩士學(xué)位論文，2012.endprint