基于三維形狀指數(shù)的肺結(jié)節(jié)自動檢測方法

董林佳，強 彥，趙涓涓，原 杰，趙文婷

(1.太原理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，太原 030024； 2.山西省人民醫(yī)院 CT室，太原 030012)

基于三維形狀指數(shù)的肺結(jié)節(jié)自動檢測方法

董林佳1，強 彥1*，趙涓涓1，原 杰2，趙文婷1

(1.太原理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，太原 030024； 2.山西省人民醫(yī)院 CT室，太原 030012)

針對在肺結(jié)節(jié)計算機輔助檢測中存在誤診率、假陽性率較高，檢測準(zhǔn)確率較低等問題，提出一種基于三維形狀指數(shù)和Hessian矩陣特征值構(gòu)建類球形濾波器的結(jié)節(jié)檢測方法。首先, 提取肺實質(zhì)區(qū)域,并計算各體素點Hessian矩陣的特征值和特征向量; 其次，通過二維形狀指數(shù)推導(dǎo)出三維形狀指數(shù)公式，構(gòu)建改進(jìn)的三維類球形濾波器; 最后，在三維肺實質(zhì)區(qū)域內(nèi)檢測疑似結(jié)節(jié)區(qū)域，去除較多的假陽性區(qū)域，針對三維體數(shù)據(jù)上檢測出結(jié)節(jié)所在位置，將檢測到的坐標(biāo)作為置信連接的多種子點輸入，進(jìn)行三維體數(shù)據(jù)分割，最終分割出三維結(jié)節(jié)。實驗結(jié)果表明，所提算法能夠有效地檢測出不同類型的肺結(jié)節(jié)，對較難檢測的磨玻璃結(jié)節(jié)也有較好的檢測效果，結(jié)節(jié)檢測的假陽性低，最終能達(dá)到92.36%的準(zhǔn)確率和96.52%的敏感度。

計算機輔助診斷；肺結(jié)節(jié)檢測；Hessian 矩陣；形狀指數(shù)；類球形濾波器

0 引言

肺癌是發(fā)病率和死亡率最高的惡性腫瘤之一[1]。肺癌早期的檢出對提高治愈率起著至關(guān)重要的作用[2]。計算機X射線斷層掃描(Computed Tomography, 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[3]。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[4]，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[5]。因此，如何能夠在不降低精度要求的前提下，快速、高效、精確地檢出肺結(jié)節(jié)，對后續(xù)肺結(jié)節(jié)分割和良惡性診斷具有重大的意義。

Jia等[6]提出了一種基于圖像區(qū)域平均灰度值和圖像邊緣能量的活動輪廓模型，用來分割和去除肺血管。Rezaie 等[7]首先在原始圖像上選擇腫瘤可能存在的感興趣區(qū)域，通過使用圖像分割和圖像閾值極限的確定指定腫瘤的面積，然后使用邊緣檢測濾波器檢測腫瘤的邊緣，通過計算具有較小誤差百分比和更好分辨率的分形維數(shù)之后，確定疑似結(jié)節(jié)區(qū)域。另外根據(jù)結(jié)節(jié)的類圓特征，基于形態(tài)特征等的濾波器、聚類分析以及模型匹配等算法也被用于檢測肺結(jié)節(jié)的應(yīng)用中，吳平等[8]采用粗-精匹配思想，先使用改進(jìn)絕對誤差和(Sum of Absolute Differences, SAD)算法進(jìn)行粗匹配找出候準(zhǔn)匹配點，再采用歸一化互相關(guān)算法在候準(zhǔn)匹配點鄰域內(nèi)進(jìn)行精確匹配找出最佳匹配點，來檢測肺結(jié)節(jié)。Li等[9]構(gòu)造選擇性增強濾波器增強二維肺部CT圖像中的圓、線區(qū)域，對疑似肺結(jié)節(jié)進(jìn)行檢測。Wang等[10]提出了基于形狀約束Chan-Vese模型，結(jié)合計算粘附在結(jié)節(jié)候選物上的血液分支數(shù)量的候選結(jié)節(jié)的典型形狀特征的分析，引入與球形增強濾波器結(jié)合的灰度級增強來提取候選結(jié)節(jié)及其球狀輪廓區(qū)域，檢測候選肺結(jié)節(jié)。Choi等[11]使用優(yōu)化的多閾值和基于規(guī)則的剪枝技術(shù)檢測候選結(jié)節(jié)。邱實等[12]以格式塔心理學(xué)為基礎(chǔ)，以去除血管的新策略間接地對肺結(jié)節(jié)進(jìn)行檢測。

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，而且疑似病灶區(qū)域過多，在病變區(qū)域內(nèi)，部分結(jié)節(jié)和血管交叉，最終導(dǎo)致結(jié)節(jié)的檢測敏感性不高而且存在較高的假陽性，降低結(jié)節(jié)檢測的準(zhǔn)確率?；诖耍疚某浞挚紤]結(jié)節(jié)和血管在三維圖像中的形狀結(jié)構(gòu)的差異性，提出了基于三維形狀指數(shù)(3D Shape Index，DSI)和Hessian矩陣特征值結(jié)合的結(jié)節(jié)檢測方法。與已有的方法相比，在檢測不同類型的結(jié)節(jié)時可以有效降低假陽性，具有較高的準(zhǔn)確率。

1 肺部序列CT圖像預(yù)處理

1.1 各向異性濾波去噪

由于CT設(shè)備等因素圖像上存在噪聲干擾，在進(jìn)行肺結(jié)節(jié)檢測前對CT圖像進(jìn)行去噪處理，如圖1所示線性濾波器去噪會導(dǎo)致邊緣模糊，而各向異性擴(kuò)散濾波則可以在降低噪聲的同時保留甚至增強邊緣信息。各向異性擴(kuò)散濾波具有更低的敏感度，并更好地保留了圖像中的結(jié)構(gòu)細(xì)節(jié)，如結(jié)節(jié)邊緣和血管邊緣。因此，本文選擇各向異性擴(kuò)散濾波來平滑圖像，降低噪聲對肺結(jié)節(jié)檢測以及三維分割算法的影響，提高檢測的準(zhǔn)確性，減少分割產(chǎn)生的空洞以及過分割現(xiàn)象。

圖1 不同尺度線性濾波與各向異性濾波去噪效果對比Fig. 1 Denoising effect comparison of linear filtering and anisotropic filtering at different scales

1.2 序列肺實質(zhì)分割

人體肺部CT圖像中肺實質(zhì)區(qū)域在一張CT圖像中所占比例較小，所在范圍比較固定，左右肺實質(zhì)區(qū)域相對于人體胸腔分布比較穩(wěn)定，具有位置相對不變性，本文在序列CT圖像預(yù)處理后，采用Liao等[13]提出的基于超像素的自生成神經(jīng)網(wǎng)絡(luò)序列肺實質(zhì)圖像的自動分割方法分割序列肺實質(zhì)區(qū)域。如圖2所示為序列肺實質(zhì)分割示意圖。

圖2 序列肺實質(zhì)分割Fig. 2 Segmentation of lung parenchymal image sequence

2 三維肺結(jié)節(jié)類球形濾波器構(gòu)建

肺結(jié)節(jié)直徑一般在3～30 mm并且位于肺實質(zhì)內(nèi)呈類球形。雖然與肺血管相比，灰度值總體上相近，但是三維形狀表現(xiàn)上差異性很大，因此，可以利用結(jié)節(jié)的三維特征將其與血管區(qū)分開。本文構(gòu)建選擇性增強濾波器——類球形增強濾波器，增強類球形的目標(biāo)，抑制其他形狀的目標(biāo)。

2.1 高斯函數(shù)多尺度增強

不用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，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(jìn)行多尺度增強。根據(jù)高斯模板具有三維旋轉(zhuǎn)對稱性可得：σx=σy=σz=σ，三維高斯模板定義為式(1)：

(1)

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)。本文用高斯函數(shù)來建立肺結(jié)節(jié)類球型b(x，y，z)數(shù)學(xué)模型定義為式(2)：

(2)

2.2 基于Hessian矩陣點增強濾波器

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)。在三維體數(shù)據(jù)中，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)建成三維圖像的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)式如式(3)所示：

(3)

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。三維高斯函數(shù)的表達(dá)式為式(4)：

(4)

根據(jù)高斯函數(shù)的卷積性質(zhì)得圖像I如式(5)所示：

(5)

結(jié)合高斯濾波圖像的Hessian矩陣表達(dá)式如式(6)所示：

(6)

Hessian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。

2.3 三維形狀指數(shù)

單獨使用Hessian矩陣特征值來構(gòu)建增強濾波器包含較多的假陽性， Koenderink等[14]提出了形狀指數(shù)(Shape Index，SI)定義如式(7)所示：

(7)

其中：λ1、λ2為Hessian最大最小特征值，結(jié)合兩個主曲率提供信息，構(gòu)建形狀指標(biāo)，比一對數(shù)字更能說明問題。

經(jīng)典的表面曲率測量，例如高斯曲率和平均曲率，不能很好地指示局部形狀; 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，但是面對復(fù)雜的肺部CT影像并不能很好地檢測肺結(jié)節(jié)，而且存在較高的假陽性，因為結(jié)節(jié)、血管、胸膜等都是三維的實體，在形態(tài)上與標(biāo)準(zhǔn)的球、圓柱和曲面有一定的相似性。如圖3所示根據(jù)Hessian矩陣計算出來的特征值，可以得到三種不同類型的理想模型。

Hessian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，而且對于不同的理想模型，其特征值的對應(yīng)關(guān)系如表1所示。

表1 不同理想模型對應(yīng)的Hessian矩陣特征值關(guān)系Tab. 1 Eigenvalue relation of Hessian matrix corresponding to different ideal models

肺結(jié)節(jié)檢測根據(jù)三維特征可以很好地區(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(kuò)展到三維體數(shù)據(jù)，計算三維體數(shù)據(jù)SI。使用三維曲率來更加完善地表示三維特征，能夠較為準(zhǔn)確地區(qū)分結(jié)節(jié)和血管，提高肺結(jié)節(jié)檢測的準(zhǔn)確率，降低假陽性。形狀指數(shù)由二維擴(kuò)展到三維過程如下：

1) SI在二維上計算主曲率k1，k2，并將其單位化后變化到極坐標(biāo)如圖4(a)所示。

2) 如圖4(b)極坐標(biāo)系中角度關(guān)系可得：θ1-θ=π/4，由此可知tanθ1=tan (θ+π/4)=(k1+k2)/(k1-k2)，因此θ1=arctan [(k1+k2)/(k1-k2)]。

3) 最終得到形狀指數(shù)：

圖4 極坐標(biāo)的對應(yīng)和轉(zhuǎn)換關(guān)系Fig. 4 Correspondence and conversion of polar coordinates

圖5 球坐標(biāo)的對應(yīng)和轉(zhuǎn)換關(guān)系Fig. 5 Correspondence and conversion of spherical coordinates

5) 在三維圖像中，球面坐標(biāo)(ρ，θ，φ)是球面坐標(biāo)系上的點的表達(dá)式。設(shè)P(x，y，z)為空間內(nèi)一點，其有三個主曲率k1、k2、k3，將其單位化后變化到球坐標(biāo)如圖5(a)所示。

7) 最終可得三維形狀指數(shù)為式(8)所示：

DSI=

(8)

由式(8)可以得到DSI值，結(jié)合形狀指數(shù)定義和實驗分析，得到DSI所代表的具體形狀如圖6所示。

圖6 DSI值的意義Fig. 6 Meaning of DSI value

由圖可以看出在0.75～0.875和0.125～0.25可以得到血管交叉區(qū)域如圖7(a)箭頭指出所示，而在0.875～1和0.125～0可以得到結(jié)節(jié)區(qū)域如圖7(b)所示，根據(jù)得到的數(shù)值來設(shè)置濾波器的值，以此來得到結(jié)節(jié)區(qū)域。

圖7 血管和結(jié)節(jié)示意圖Fig. 7 Blood vessels and nodules diagrammatic sketch

2.4 構(gòu)建類球形濾波器結(jié)節(jié)檢測函數(shù)

Frangi等[15]總結(jié)三維體數(shù)據(jù)中Hessian矩陣特征值和結(jié)構(gòu)之間的對應(yīng)關(guān)系，根據(jù)三種不同的理想模型計算得到的特征值表示類球型、類管狀、類面狀三種類型如表2所示。

表2 Hessian 矩陣特征值與結(jié)構(gòu)之間的關(guān)系Tab. 2 Relationship between eigenvalues and structure of Hessian matrix

注：N表示NULL, L表示LOW, H表示HIGH。

根據(jù)Hessian矩陣和本文計算得到的DSI，最終構(gòu)建類球形濾波器結(jié)節(jié)檢測函數(shù)V，如式(9)所示：

(9)

綜上所述，使用類球形濾波器結(jié)節(jié)檢測函數(shù)進(jìn)行結(jié)節(jié)檢測的具體步驟如下：

算法1 類球形濾波器結(jié)節(jié)檢測函數(shù)算法

1)使用各向異性濾波對序列圖像進(jìn)行去噪。

2)分割序列肺實質(zhì)區(qū)域，并構(gòu)建三維體數(shù)據(jù)Iin。

3)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。

4)對每一個尺度σn分別進(jìn)行步驟5)～10)。

5)使用高斯濾波器平滑中三維體數(shù)據(jù)Iin。

6)對每一個體素點分別進(jìn)行步驟7)～9)。

7)計算Hessian矩陣以及其對應(yīng)的特征值λ1、λ2、λ3。

8)計算三維形狀指數(shù)DSI。

9)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。

10)終止體數(shù)據(jù)循環(huán)。

11)終止尺度循環(huán)。

12)最終輸出不同尺度檢測到的結(jié)節(jié)區(qū)域位置。

3 三維肺結(jié)節(jié)分割

本文選擇了結(jié)合置信連接的三維區(qū)域生長分割。在三維體數(shù)據(jù)利用切片之間的空間、紋理等信息進(jìn)行整體分割，使用基于置信連接的區(qū)域增長方法，通過本文算法檢測得到的結(jié)節(jié)位置作為區(qū)域增長的開始種子點，計算所有體素灰度值的平均值和標(biāo)準(zhǔn)差，根據(jù)指定的懲罰因子，乘以標(biāo)準(zhǔn)差，計算以期望為中心的灰度值范圍如下所示：

I(X)∈[m-fσ,m+fσ]

其中: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)差計算在范圍內(nèi)的鄰域的灰度值作為分割區(qū)域，最終分割出三維肺結(jié)節(jié)。分割的步驟如下：

算法2 三維肺結(jié)節(jié)分割算法。

1)根據(jù)類球形濾波器檢測得到的結(jié)節(jié)多體素點位置坐標(biāo)。

2)將結(jié)節(jié)多體素點坐標(biāo)作為區(qū)域增長的多種子點。

3)計算肺實質(zhì)中所有體素灰度值的平均值和標(biāo)準(zhǔn)差。

4)根據(jù)指定的因子，乘以標(biāo)準(zhǔn)差，計算以期望為中心的灰度值范圍，如果鄰域的灰度值位于這個范圍內(nèi)就被包含在種子區(qū)域，否則就被排除。

5)更新各部分權(quán)重，遍歷所有體素點。

6)最終完成結(jié)節(jié)的三維分割。

4 實驗結(jié)果及分析

本文算法的實驗平臺是Visual Studio 2010，Matlab 2014b，PC處理器為Intel Core i7-3770，主頻3.40 GHz，內(nèi)存8 GB。本文所使用的序列CT影像數(shù)據(jù)是來自LIDC公共數(shù)據(jù)庫和山西省某大型醫(yī)院，其中該醫(yī)院使用的是美國通用公司的Discovery ST16 PET-CT，CT采集參數(shù)為150 mA、140 kV，層厚3.75 mm，CT圖像大小為512×512。

實驗中共選取100組病例數(shù)據(jù)，平均每個病例包含300張CT序列影像，CT層厚度為0.5～3.75 mm，圖像大小為512×512。為了驗證檢測算法在不同類型肺部CT影像檢測上的通用性和有效性，CT序列影像中的所有肺結(jié)節(jié)已經(jīng)被醫(yī)生標(biāo)注。

4.1 定性比較

在肺結(jié)節(jié)檢測系統(tǒng)的假陽性結(jié)節(jié)主要為血管、血管交叉和血管彎曲等血管型假陽性結(jié)節(jié)，通過對比本文所提出的算法根據(jù)本文所提出的三維形狀指數(shù)可以有效地區(qū)分結(jié)節(jié)和血管，能夠去除較多的血管型假陽性結(jié)節(jié)，而且根據(jù)所有類型的結(jié)節(jié)在三維體數(shù)據(jù)上都呈現(xiàn)類球形，本文構(gòu)建的三維類球形濾波器能夠較好地檢測出類球形結(jié)節(jié)(如血管牽拉結(jié)節(jié)、胸膜結(jié)節(jié)和磨玻璃結(jié)節(jié))。

在此，本文展示了不同類型結(jié)節(jié)的檢測效果圖以及檢測過程中的具體圖示，主要步驟如下：首先將醫(yī)師標(biāo)注的CT序列數(shù)據(jù)構(gòu)建三維體數(shù)據(jù)，在三維體數(shù)據(jù)上，根據(jù)本文提出的類球形濾波器對結(jié)節(jié)進(jìn)行檢測，最終將疑似結(jié)節(jié)區(qū)域顯示出來，再通過多種子點的置信連接對疑似結(jié)節(jié)進(jìn)行三維分割。通過對比本文所提算法能夠較好地檢測出其他三種類型較難檢測的結(jié)節(jié)。

圖8為本文方法最終的肺結(jié)節(jié)檢測的檢測結(jié)果和分割結(jié)果。

由實驗結(jié)果可知，本文的算法可以相對完整地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。

圖8 結(jié)節(jié)檢測實驗結(jié)果Fig. 8 Experimental results for different types of nodules

4.2 定量比較

影像診斷實驗檢測的結(jié)果為陽性與陰性，在檢測過程中對比金標(biāo)準(zhǔn)可能出現(xiàn)4種情況：診斷為陽性(真陽性(True Positive, TP))和對照被診斷為陰性(真陰性(True Negative, TN))，診斷為陰性(假陰性(False Negative, FN))和對照被診斷為陽性(假陽性(False Positive, FP))。對于肺結(jié)節(jié)檢測算法的準(zhǔn)確性通常是通過以下幾個指標(biāo)來完成：

準(zhǔn)確率(Accuracy, ACC)是病例正確診斷為陽性與對照正確診斷為陰性的例數(shù)之和占總例數(shù)的百分率，計算公式為式(10)：

(10)

敏感度(Sensitivity, SE)，實際患病且被診斷為陽性的概率就是敏感度，也稱為真陽性率，計算公式為式(11)：

(11)

特異度(Specificity, SPE)，實際未患病且被診斷為陰性的概率就是特異度，也稱為真陰性，計算公式為式(12)：

(12)

敏感性和特異性介于0～1。敏感度的值越大說明檢測的真結(jié)節(jié)個數(shù)越多，漏檢率越低，證明檢測算法越有效；特異度的值越大說明檢測算法檢測到的假陽性個數(shù)越少，證明誤檢率越低，證明算法更有效。對比現(xiàn)有的肺結(jié)節(jié)CAD檢測系統(tǒng)性能分析如表4所示，本文方法可以檢測的結(jié)節(jié)大小在 3～30 mm，相比其他的檢測方法具有較高的準(zhǔn)確率，敏感度高，而且具有較高的特異性，證明可以去除較多的假陽性。

表3 檢測算法性能比較Tab. 3 Performance comparison of detection algorithms

表4 與現(xiàn)有CAD檢測系統(tǒng)比較Tab. 4 Comparison with existing CAD detection system

5 結(jié)語

本文方法能夠有效地檢測出肺結(jié)節(jié)。與已有的肺結(jié)節(jié)CAD系統(tǒng)中檢測方法相比，本文方法具有較高的敏感度和特異性，能夠有效地降低假陽性。首先分割出序列肺實質(zhì)圖像，構(gòu)建三維體數(shù)據(jù)，再利用本文提出的類球形濾波器結(jié)節(jié)檢測函數(shù)增強結(jié)節(jié)區(qū)域，抑制其他組織，從而得到結(jié)節(jié)區(qū)域，能夠很大程度上減少血管交叉型等假陽性結(jié)節(jié)。因此，本文提出的肺結(jié)節(jié)檢測方法是一個高效、準(zhǔn)確的方法，但是對于體積較小的結(jié)節(jié)檢測和磨玻璃結(jié)節(jié)等灰度值較低的結(jié)節(jié)三維分割，需要后續(xù)進(jìn)一步研究。

References)

[1] SIEGEL R, MA J, ZOU Z, et al. Cancer statistics, 2014[J]. CA Cancer Journal for Clinicians, 2014, 64(1):9-29.

[2] AOKAGE K, YOSHIDA J, HISHIDA T, et al. Limited resection for early-stage non-small cell lung cancer as function-preserving radical surgery: a review[J]. Japanese Journal of Clinical Oncology, 2016, 47(1): 7.

[3] JIANG H. Computed Tomography: Principles, Design, Artifacts, and Recent Advances[M]. 2nd Edition. Bellingham, WA: SPIE, 2009: 1-388.

[4] HENSCHKE C I, YIP R, YANKELEVITZ D F, et a1. Definition of a positive test result in computed tomography screening for lung cancer: a cohort study[J]. Annals of Internal Medicine, 2013, 158(4):246-252.

[5] MARTEN K, ENGELKE C. Computer-aided detection and automated CT volumetry of pulmonary nodules[J]. European Radiology, 2007, 17(4):888-901.

[6] JIA T, ZHANG H, MENG H. A novel lung nodules detection scheme based on vessel segmentation on CT images[J]. Bio-medical Materials and Engineering, 2014, 24(6): 3179-3186.

[7] REZAIE A A, HABIBOGHLI A. Detection of lung nodules on medical images by the use of fractal segmentation[J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2017, 4(5):15-19.

[8] 吳平, 王彬, 薛潔,等. 基于模板匹配的加速肺結(jié)節(jié)檢測算法研究[J]. 計算機工程與應(yīng)用, 2015, 51(7):184-188.(WU P, WANG B, XUE J, et al. Research of accelerate detect of pulmonary nodules based on template matching algorithm[J]. Computer Engineering and Applications, 2015, 51(7): 184-188.)

[9] LI Q, SONE S, DOI K. Selective enhancement filters for nodules, vessels, and airway walls in two and three-dimensional CT scans[J].Medical Physics, 2003, 30(8): 2040-2051.

[10] WANG B, TIAN X, WANG Q, et al. Pulmonary nodule detection in CT images based on shape constraint CV model[J]. Medical Physics, 2015, 42(3):1241.

[11] CHOI W-J, CHOI T-S. Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images[J]. Information Sciences, 2012, 212(2):57-78.

[12] 邱實,汶德勝,馮筠,等.一種新策略的肺結(jié)節(jié)檢測算法[J].電子學(xué)報,2016,44(6):1413-1419.(QIU S, WEN D S, FENG J, et al. A new strategy lung nodules detection algorithm[J]. Acta Electronica Sinica, 2016, 44(6):1413-1419.)

[13] LIAO X, ZHAO J, CHENG J, et al. A segmentation method for lung parenchyma image sequences based on superpixels and a self-generating neural forest[J]. PloS One, 2016, 11(8): e0160556.

[14] KOENDERINK J J, VAN DOORN A J. Surface shape and curvature scales[J]. Image and Vision Computing, 1992, 10(8):557-565.

[15] FRANGI A F, NIESSEN W J, HOOGEVEEN R M, et al. Model-based quantitation of 3-D magnetic resonance angiographic images[J]. IEEE Transactions on Medical Imaging, 1999, 18(10): 946-956.

[16] NETTO S M B, SILVA A C, NUNES R A, et al. Analysis of directional patterns of lung nodules in computerized tomography using Getis statistics and their accumulated forms as malignancy and benignity indicators[J]. Pattern Recognition Letters, 2012, 33(13):1734-1740.

[17] 高婷,龔敬,王遠(yuǎn)軍,等.檢測肺結(jié)節(jié)的3維自適應(yīng)模板匹配[J].中國圖象圖形學(xué)報,2014,19(9):1384-1391.(GAO T, GONG J, WANG Y J, et al. Three dimensional adaptive template matching algorithm for lung nodule detection[J]. Journal of Image and Graphics,2014,19(9):1384-1391.)

[18] TERAMOTO A, FUJITA H. Fast lung nodule detection in chest CT images using cylindrical nodule-enhancement flter[J]. International Journal of Computer Assisted Radiology and Surgery, 2013, 8(2): 193-205.

[19] SANTOS A M, DE CARVALHO FILHO A O, SILVA A C, et al. Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models, Tsallis entropy and SVM[J]. Engineering Applications of Artificial Intelligence, 2014, 36(C): 27-39.

[20] CASCIO D, MAGRO R, FAUCI F, et al. Automatic detection of lung nodules in CT datasets based on stable 3D mass-spring models[J]. Computers in Biology and Medicine, 2012, 42(11):1098-1109.

This work is partially supported by National Natural Science Foundation of China (61373100), the Open Funding Project of State Key Laboratory of Virtual Reality Technology and Systems (BUAA-VR-17KF-14, BUAA-VR-17KF-15), the Research Project Supported by Shanxi Scholarship Council of China (2016- 038).

DONGLinjia, born in 1992, M. S. candidate. His research interests include medical image processing, pattern recognition.

QIANGYan, born in 1969, Ph. D., professor. His research interests include medical image processing, pattern recognition, cloud computing.

ZHAOJuanjuan, born in 1975, Ph. D., professor. Her research interests include medical image processing, pattern recognition, Internet of things.

YUANJie, born in 1979, M. S., associate chief physician. His research interests include medical image treatment, CT diagnosis.

ZHAOWenting, born in 1990, Ph. D. candidate. Her research interests include information management, data processing.

Automaticdetectionofpulmonarynodulesbasedon3Dshapeindex

DONG Linjia1, QIANG Yan1*, ZHAO Juanjuan1, YUAN jie2, ZHAO Wenting1

(1.CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,TaiyuanShanxi030024,China；2.CTRoom,ShanxiProvincialPeople’sHospital,TaiyuanShanxi030012,China)

Aiming at the problem of high misdiagnosis rate, high false positive rate and low detection accuracy in pulmonary nodule computer-aided detection, a method of nodular detection based on three-dimensional shape index and Hessian matrix eigenvalue was proposed. Firstly, the parenchyma region was extracted and the eigenvalues and eigenvectors of the Hessian matrix were calculated. Secondly, the three-dimensional shape index formula was deduced by the two-dimensional shape index, and the improved three-dimensional spherical like filter was constructed. Finally, in the parenchyma volume, the suspected nodule region was detected, and more false-positive regions were removed. The nodules were detected by the three-dimensional volume data, and the detected coordinates were input as the seeds of belief connect, and the three-dimensional data was splited to pick out three-dimensional nodules. The experimental results show that the proposed algorithm can effectively detect different types of pulmonary nodules, and has better detection effect on the ground glass nodules which are more difficult to detect, reduces the false positive rate of nodules, and finally reaches 92.36% accuracy rate and 96.52% sensitivity.

computer-aided diagnosis; pulmonary nodule detection; Hessian matrix; shape index; like spherical filter

2017- 05- 16;

2017- 05- 27。

國家自然科學(xué)基金資助項目(61373100)；虛擬現(xiàn)實技術(shù)與系統(tǒng)國家重點實驗室開放基金資助項目(BUAA-VR- 17KF- 14，BUAA-VR- 17KF- 15)；山西省回國留學(xué)人員科研資助項目(2016- 038)。

董林佳(1992—)，男，山西運城人，碩士研究生，主要研究方向：醫(yī)學(xué)圖像處理、模式識別； 強彥(1969—)，男，山西寧武人，教授，博士，CCF會員，主要研究方向：醫(yī)學(xué)圖像處理、模式識別、云計算； 趙涓涓(1975—)，女，山西壽陽人，教授，博士，CCF會員，主要研究方向：醫(yī)學(xué)圖像處理、模式識別、物聯(lián)網(wǎng)； 原杰(1979—)，男，山西臨汾人，副主任醫(yī)師，碩士，主要研究方向：影像醫(yī)學(xué)處理、CT診斷； 趙文婷(1990—)，女，內(nèi)蒙古烏海人，博士研究生，主要研究方向：信息管理、數(shù)據(jù)處理。

1001- 9081(2017)11- 3182- 06

10.11772/j.issn.1001- 9081.2017.11.3182

(*通信作者電子郵箱qiangyan99@foxmail.com)

TP391

A