基于深度協(xié)作表達的CT圖像特征關(guān)聯(lián)定位算法*

王保莖，秦全波，毛怡盛，孔玲，丁丹卉，張國富

(許昌市中心醫(yī)院， 許昌 461000)

1 引 言

CT圖像技術(shù)廣泛應(yīng)用于醫(yī)療領(lǐng)域[1]。精準(zhǔn)定位CT圖像特征有利于提高診斷效率,因此提出一種基于深度協(xié)作表達的CT圖像特征關(guān)聯(lián)定位算法。采用深度協(xié)作表達算法獲取高分辨率CT圖像，以高分辨率圖像為基礎(chǔ)展開特征定位可提升定位精度。通過特征相似性計算方法中最常見的距離法，計算CT圖像特征向量空間距離的相似程度[3]，即圖像特征關(guān)聯(lián)程度。在此基礎(chǔ)上，采用活動輪廓線套索融合檢索方法實現(xiàn)CT圖像特征關(guān)聯(lián)定。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來源

本研究數(shù)據(jù)為腫瘤患者肺部CT圖像，圖像大小為256×256，分辨率為1 024×786。測試硬件環(huán)境為：Inter(R)2.8 GHz CPU，內(nèi)存大小4 GB，XP系統(tǒng)PC機；數(shù)學(xué)編程平臺采用Matlab2016[2]。將基于低秩優(yōu)化的CT圖像特征定位算法(簡稱低秩優(yōu)化定位算法)和基于隨機森林法的CT圖像特征定位算法(簡稱隨機森林定位算法)作為對比算法[3]。

2.2 方法

2.2.1基于深度協(xié)作表達的CT圖像超分辨率重建 深度協(xié)作表達實現(xiàn)CT圖像超分辨率重建過程[4-5]如下:

設(shè)定原始低分辨率CT圖像為X∈m×n，高低分辨率CT圖像訓(xùn)練樣本為為樣本數(shù)。假設(shè)t為采樣因子，m×n為低分辨率訓(xùn)練樣本CT圖像Gi的大小，mt×nt為高分辨率訓(xùn)練樣本CT圖像Wi的大小。在像素域中將原始低分辨率CT圖像、訓(xùn)練集中的高低分辨率CT圖像分割為M個彼此重疊的圖像塊x∈d×1,如果各層低分辨率和高分辨率字典對(Ki,Hi}準(zhǔn)備完畢，則深度表達最優(yōu)權(quán)重系數(shù)見式(1)：

(1)

(2)

2.2.2CT圖像特征關(guān)聯(lián)計算 特征相似性計算方法采用最常見的距離法[6]，計算CT圖像特征向量空間距離的接近程度，衡量圖像特征間相似程度[7]。選定圖像某個特征后，采用明氏距離計算CT圖像特征距離，方法見式(3)：

(3)

其中，X,Y分別代表CT圖像，xi,yi分別代表CT圖像的7個特征。p為1、2、3時，分別表示曼哈坦距離、歐氏距離、切比雪夫距離。

2.2.3特征關(guān)聯(lián)定位實現(xiàn) 采用活動輪廓線套索融合檢索方法定位上述得到的CT圖像關(guān)聯(lián)特征[8]。通過Sobel算子模板建立活動輪廓線套索融合模型。

采用3×3矩陣作為CT圖像Sobel算子模板，層間關(guān)聯(lián)性模型構(gòu)建方向為水平方向、垂直方向[9-10]。采用歸一化方式處理套索模型解決CT 圖像掃描時產(chǎn)生的離散問題。使用套索檢索CT圖像時鄰域內(nèi)梯度最大值、最小值分別用MaxGrad、MinGrad表示。將MaxGrad視為閾值，鄰域定義為9×9，設(shè)定CT圖像關(guān)聯(lián)特征控制點梯度值為Grad，歸一化結(jié)果見式(4)：

(Grad-MinGrad)/(MaxGrad-MinGrad)

(4)

基于式(4)得到的CT圖像關(guān)聯(lián)特征控制點梯度值，計算灰度勢能Econ，見式(5)：

Econ(vi)=|EdgeGray(i)-Gray(i)|

(5)

式中，EdgeGray、Gray分別表示CT圖像邊緣點灰度值、關(guān)聯(lián)特征點灰度值。

3 結(jié)果

3.1 CT圖像分辨率測試結(jié)果

本研究采用的原始肺部腫瘤CT圖像見圖1。

圖1 原始圖像

本研究算法提升CT圖像分辨率的結(jié)果見圖2。

圖2 分辨率提升效果圖

由圖1、圖2可知，本研究算法重建原始肺部腫瘤CT圖像超分辨率后，增強了CT圖像清晰度，CT圖像中肺部邊界輪廓等細節(jié)清晰展現(xiàn)。

3.2 特征相似性計算測試結(jié)果

針對CT圖像變化情況，采用對比算法與本研究算法測試CT圖像不同變化時特征相似性重復(fù)計算情況，見表1。

表1 CT圖像特征點相似性計算重復(fù)率(%)

從表1數(shù)據(jù)可知，本研究算法計算CT圖像特征相似性的重復(fù)率均值為4.68%，說明該算法縮短了相似性計算用時。

3.3 定位性能測試結(jié)果

3.3.1定位錯誤率分析 針對CT圖像變化情況，采用對比算法與本研究算法定位CT圖像關(guān)聯(lián)特征點，以驗證本研究算法定位準(zhǔn)確度，見表2。

表2 特征關(guān)聯(lián)定位錯誤率(%)

由表2可知，本研究算法定位CT圖像特征關(guān)聯(lián)錯誤率較低，具備高精度定位CT圖像特征關(guān)聯(lián)的能力。

3.3.2特征關(guān)聯(lián)定位結(jié)果分析 三種特征關(guān)聯(lián)定位算法用于肺部CT圖像病灶診斷結(jié)果見圖3、圖4、圖5。

圖3 本研究算法定位結(jié)果

圖4 低秩優(yōu)化定位算法定位結(jié)果

圖5 隨機森林定位算法定位結(jié)果

4 討論

本研究算法計算CT圖像特征相似性的重復(fù)率均值為4.68%，低于低秩優(yōu)化定位算法、隨機森林定位算法。CT圖像添加了方差高斯噪聲時，計算圖像特征相似性重復(fù)率僅為2.85%，約為對比算法的2/9、1/8。定位CT圖像關(guān)聯(lián)特征錯誤率最小為2.25%，最大為6.16%，定位錯誤率均值為4.40%，相比對比算法具有顯著優(yōu)勢，CT圖像特征關(guān)聯(lián)定位錯誤率較低，具備高精度定位CT圖像特征關(guān)聯(lián)能力。三種特征關(guān)聯(lián)定位算法在肺部CT圖像病灶診斷中的應(yīng)用結(jié)果見圖3-圖5，圖中黑色圓點為真實病灶區(qū)，用紅色箭頭指示；黃色線框內(nèi)為三種算法特征關(guān)聯(lián)定位結(jié)果。本研究算法定位病灶位置結(jié)果與實際病灶位置幾乎重合，見圖3，并且圖像分辨率較高，各陰影邊界細節(jié)清晰展現(xiàn)。另外兩種算法定位的病灶位置不完整、與實際病灶位置

相差較大，見圖4、圖5。綜上所述，本研究算法CT圖像病灶定位結(jié)果更加準(zhǔn)確，具有較高的醫(yī)療診斷應(yīng)用價值。

5 結(jié)論

本研究采用深度協(xié)作表達算法逐層更新圖像塊的最優(yōu)權(quán)重系數(shù)，求取的最優(yōu)權(quán)重值更加準(zhǔn)確、高低分辨率字典比較全面，因此重建超分辨率CT圖像效果更優(yōu)。采用深度協(xié)作表達方法重建低分辨率CT圖像樣本，可有效提升原始CT圖像分辨率，CT圖像細節(jié)更加清晰，降低特征定位難度。