基于視覺顯著性的肺結節(jié)檢測系統(tǒng)的設計與實現(xiàn)

柴小雲(yún)+韓貴來+林建林+符春明+陳祖安+張雨薇

摘 要： 檢測系統(tǒng)先利用迭代等方法分割出肺實質區(qū)域，然后根據(jù)策略改進的ITTI視覺注意模型找出肺結節(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節(jié)，最后提取肺結節(jié)的特征并利用支持向量機進行分類建模。該系統(tǒng)能更快地分割出可疑肺結節(jié)區(qū)域，提高肺結節(jié)檢測的速度。幫助醫(yī)生更快速精確地了解醫(yī)學圖像中的信息。

關鍵詞： 視覺顯著性； 肺結節(jié)； 支持向量機； 醫(yī)學圖像處理與分析

中圖分類號：TP311 文獻標志碼：A 文章編號：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)國家癌癥中心《2017中國城市癌癥最新數(shù)據(jù)報告》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%，遠遠超過死亡率排名第二的胃癌、肝癌[1]。在國內，肺部結節(jié)的發(fā)病率已達20%，這其中約有5%會轉化為肺癌[2]。對于肺部結節(jié)患者，在三個月內追蹤隨訪，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，通過運用計算機程序對CT圖像的處理與分析研究，使得肺結節(jié)計算機輔助診斷技術快速的發(fā)展起來[5]。

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

1 系統(tǒng)設計方案

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

2 系統(tǒng)設計與實現(xiàn)

2.1 肺實質分割

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，就會降低算法的有效性、增加檢測的時間，將會容易造成對于后續(xù)肺結節(jié)的特征提取和分析的誤診、錯診。因此我們需要將CT片中的肺實質區(qū)域給精準的分割出來。本文使用迭代法自動獲取灰度閾值，結合Matlab工具箱函數(shù)和圖像灰度化處理、區(qū)域增長、二值化圖像等多種算法的來實現(xiàn)肺實質的分割，如圖2所示。

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

閾值T的自動獲?。?/p>

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⑵繼續(xù)迭代。

2.2 肺結節(jié)感興趣區(qū)域的分割endprint

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

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

對于肺結節(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顯著性區(qū)域的大小，取其大的區(qū)域進行分割。對于較大的肺結節(jié)區(qū)域或是單一的肺結節(jié)區(qū)域可以有效的進行顯著區(qū)域的分割，但是對于較小的肺結節(jié)和多發(fā)區(qū)域的肺結節(jié)，使用該模型不能將感興趣分割出來。所以，本文對該策略進行改進，使用最大類間方差的方法對顯著圖進行分割，分割出感興趣的顯著性區(qū)域，如圖4。

2.3 可疑肺結節(jié)分割

由于肺結節(jié)感興趣區(qū)域與原肺實質圖像中的肺結節(jié)顯著性區(qū)域中二者的可疑肺結節(jié)區(qū)域沒有匹配，所以，不能直接認為感興趣區(qū)域就等于可疑肺結節(jié)區(qū)域，還需繼續(xù)對其進行分割。為此，本文設計了一種對于顯著性區(qū)域進行精確分割的流程，如圖5所示。對肺實質圖像使用改進的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質圖像進行交運算、去噪，得到各個連通子區(qū)域，將原肺實質圖像中對應的最高灰度值點作為種子點，進行圖像的區(qū)域生長，最終得到分割出來的可疑肺結節(jié)圖像。

2.4 肺結節(jié)特征提取與SVM建模分析

在分割出的可疑肺結節(jié)圖像中，本文提取了肺結節(jié)的面積、緊縮度、圓形性、灰度均值、相關性、傅里葉描述子等一系列特征，利用支持向量機進行數(shù)據(jù)樣本的訓練。通過支持向量機，利用非常小量的訓練樣本就可以得到比較好的分類模式。同時，SVM是基于統(tǒng)計學習理論，除了與經(jīng)驗風險有關，還與擬合函數(shù)的復雜度有關，并且要和有限數(shù)目的樣本相適應，而不是樣本數(shù)量越大越好，這同時也可以解決因樣本容量不足的短板。

3 結論

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

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

本系統(tǒng)通過對肺結節(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確率，也充分顯示出醫(yī)療信息化的優(yōu)勢。對于本系統(tǒng)中微小結節(jié)檢測易被忽視的問題，在后期的開發(fā)中會考慮采用解析LIDC肺結節(jié)圖像庫的方法，提高對結節(jié)到微小結節(jié)的檢測精確度。

參考文獻（References）：

[1] RGA美國再保險.2017中國城市癌癥最新數(shù)據(jù)報告[EB/

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

[2] 健康一線.浙江省人民醫(yī)院引進肺結節(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] 伍長榮，接標，葉明全.CT圖像肺結節(jié)計算機輔助檢測與診斷

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

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

碩士學位論文，2013.

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

分割方法[J].電腦知識與技術，2017.13（16）：165-167

[8] 陳昊.基于移動物聯(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)大學碩士學位論文，2012.endprint