淺談基于一致性法的肺部CT圖像血管提取
相關(guān)鏈接： 中國安全網(wǎng) 中國質(zhì)量網(wǎng) 中國論文網(wǎng) 中國資訊網(wǎng)
摘要：在肺部CT圖像中，血管與背景的對比度較低，很難分辨腫瘤和血管結(jié)節(jié)。為了解決這個問題，本文提出具有旋轉(zhuǎn)不變性的一致性法。根據(jù)肺部CT影像細小血管具有局部亮度和結(jié)構(gòu)光滑的紋理特征檢測細小血管。首先采用OTSU等算法快速定位CT圖像的肺部區(qū)域并對定位出的結(jié)果進行去噪，應(yīng)用圖像二值化方法分割出粗大血管，然后對沒有粗大血管肺部區(qū)域的各個子區(qū)域采用一致性法進行分類計算，最后根據(jù)細小血管的紋理特征值使用支持向量機對有細小血管的子區(qū)域及有肺結(jié)節(jié)的子區(qū)域進行樣本訓(xùn)練，判斷是否是細小血管然后將其提取。實驗說明該方法是有效的。
論文關(guān)鍵詞：肺部CT圖像,一致性法,OTSU,紋理特征,支持向量機
隨著CT掃描技術(shù)的發(fā)展，針對肺部疾病的診斷，越來越廣泛使用肺部CT計算機輔助診斷系統(tǒng)(CAD)[1,2,3,4], 在肺部CT疾病眾多，如肺栓塞，肺結(jié)節(jié)等，應(yīng)用計算機輔助診斷系統(tǒng)對這些疾病進行早期診斷達到早期治療的目的是最好的解決辦法[5,6,7]。對于早期腫瘤以及與肺血管粘連的腫瘤, 往往很難分辨腫瘤和血管結(jié)節(jié), 因此計算機輔助診斷系統(tǒng)對這種腫瘤的識別率較低。
現(xiàn)有的血管提取方法包括閾值法和增強血管象素平衡法及跟蹤算法。閾值方法簡單易行, 但是鑒于肺部CT 圖像中血管與背景的低對比度, 因此提取效果不理想。象素平衡法將力學(xué)平衡的觀點引入象素灰度中, 給出了象素平衡計算公式, 當(dāng)圖像中所有象素均平衡時, 整幅圖像平衡, 此時圖像中目標(biāo)與背景對比度最大。象素平衡法大量采用公式迭代運算, 計算量較大, 因此不適用于數(shù)據(jù)量較大的CT 圖像。跟蹤算法是在閾值細化方法處理后, 以檢測出的血管為基礎(chǔ), 利用血管與背景梯度信息跟蹤檢測出在閾值細化方法中漏檢的血管。采用OTSU 算法二值化肺部CT 圖像, 形態(tài)學(xué)細化算法提取血管骨架, 依據(jù)血管光滑性確定跟蹤方向并根據(jù)灰度梯度信息跟蹤出更多的細小血管，跟蹤算法是從單一方向進行跟蹤, 而血管有很多分支, 并不是單一方向的, 因此還可以考慮從多個方向進行跟蹤，所以該算法還有待進一步改善和提高。
本文的研究目的是快速提取肺部CT圖像的大血管，然后針對細小血管與肺結(jié)節(jié)及腫瘤的紋理特征進行診斷與提取。根據(jù)研究動機，本文提出了一個新的特征提取系統(tǒng)即一致性法用于檢測肺部大血管及細小血管。運用于肺部子區(qū)域的紋理特征信息精確診斷提取肺部的血管，大大提高肺部細小血管的提取的精確性，提高了肺部疾病的早期診斷的準(zhǔn)確性。
1相關(guān)工作
在肺部CT圖像中，血管與背景的對比度較低，很難分辨腫瘤和血管結(jié)節(jié)。為了解決這個問題，根據(jù)肺部CT影像細小血管具有局部亮度和結(jié)構(gòu)光滑的紋理特征檢測細小血管。本文的算法是能夠提取具有旋轉(zhuǎn)不變性的紋理特征來實現(xiàn)血管提取。局部二進制模式是一種有效的紋理描述算子，由于其對圖像局部紋理特征的卓越描繪能力而獲得了廣泛的運用。LBP[10,11]是子區(qū)域中3 × 3中心像素閾值相對于相鄰像素值生成二進制代碼的算法。如果相鄰的像素值比中心像素的小，它產(chǎn)生一個二進制代碼0，否則，它會生成一個二進制代碼1。這些二進制代碼乘以相應(yīng)的權(quán)便可得出LBP生成的代碼，其計算方法如下：
其中(xc, yc)是中心點位置，gc是中心點像素值，gp中心點相鄰像素點的像素值，P是中心點相鄰像素點個數(shù)，R為半徑
圖1顯示了一個LBP代碼產(chǎn)生的過程。
圖1. LBP代碼生成過程
Figure.1 The generation process of LBP code
為了突出旋轉(zhuǎn)不變特性，將LBP擴展為一個圓形“統(tǒng)一”模型[10]，八個相鄰像素點組成一個半徑為R的圓形區(qū)域。該方法方便計算，但相鄰像素灰度值不一定與該像素位置完全符合。這種旋轉(zhuǎn)不變的LBP可以計算如下：
參數(shù)U是用來估計對應(yīng)于空間過渡的一致性，即二進制數(shù)按位0、1之間變化的次數(shù)。因此，U的值越大，局部區(qū)域亮度發(fā)生轉(zhuǎn)變越多。圖2是一個圓環(huán)“統(tǒng)一”模型。
圖2. 一個統(tǒng)一模型中不同U值的情況
Figure.2 A uniformity model of different U-values
考慮到肺部CT影像的復(fù)雜結(jié)構(gòu)，干擾噪聲，本文提出重新定義方程（3）～（5）如下：
從式子（7）可以看出，在本文中心點像素與周邊像素之間亮度的關(guān)系有三種情況。不同的結(jié)果（-1，0和1）代表了不同的情況。本文提出這種新的模式可以分清中心點和更細節(jié)的相鄰像素亮度的關(guān)系。與LBP相比，本文定義的NLBP在估計亮度均勻性具有更好的效果，同時具有旋轉(zhuǎn)不變性。
2 特征系統(tǒng)的提取
要提取紋理特征，并識別肺部的正常血管區(qū)域和病變區(qū)域。必須先定位CT圖像中的肺部區(qū)域，并對它進行相應(yīng)的處理。
2.1 肺部區(qū)域的定位
根據(jù)肺部CT圖像的影像學(xué)和解剖學(xué)特點，首先利用最大類間方差法（OTSU 法）對圖像進行預(yù)分割，然后利用區(qū)域生長及小面積消除方法剔除干擾信息，同時生成掩模圖像，最后運用數(shù)學(xué)形態(tài)學(xué)方法對模板進行細化，將原始圖像與掩模圖像進行數(shù)學(xué)運算即可得到肺部區(qū)域。具體方法如圖 3 所示。
圖3 肺部區(qū)域提取示意圖
Figure.3 The steps of lung region location phase
2.1.1 快速分割算法
最大類間方差法由日本學(xué)者Nobuyuki Otsu[8]首先提出，是一種自適應(yīng)的閾值確定方法，又叫大津法，簡稱 OTSU 法。該方法應(yīng)用類判別法尋找最佳閾值，以獲得最好的分離特性。利用 OTSU 法依據(jù)類間距離極大準(zhǔn)則來確定區(qū)域分割閾值就意味著錯分概率最小。
本文利用大量圖像進行了實驗，在此以一幅正常的肺部CT圖像為例。圖4(a)為原始圖像，(b) 為利用 OTSU 法預(yù)分割得到的結(jié)果。
(a) 肺部CT圖像 (b) OTSU法分割結(jié)果
（a）Lung CT image (b) enhanced image
圖4 肺部CT圖像OTSU法分割結(jié)果
Figure.4 Lung CT image after OTSU enhancement
經(jīng)過 OTSU 法分割后，肺部CT圖像根據(jù)灰度值分布情況將肺部區(qū)域和背景大致分開，但是圖像中還存在檢查床、心臟和血管等高密度區(qū)域都會對提取完整的肺部區(qū)域形成干擾，為了去除這些無關(guān)信息，我們利用基于區(qū)域生長的方法和小面積計算的方法繼續(xù)進行分割�？梢杂脠D 5表示。
圖5. 區(qū)域生長流程圖
Figure.5 Flow diagram of adaptive threshold
經(jīng)過區(qū)域生長再分割和反色變換后得到的圖像如圖 6(a) 所示。除了大部分肺部組織外，氣管、支氣管因內(nèi)部充滿空氣，也顯示為低密度影區(qū)，而原本屬于肺部組織的部分血管、結(jié)節(jié)、纖維化等則顯示為高密度影區(qū)。我們分別對圖像的兩個密度區(qū)域進行連通域標(biāo)記，測得各連通區(qū)域的面積，同時選取合適的面積閾值，并對面積小于相應(yīng)閾值的區(qū)域內(nèi)的像素值取反，從而彌補二值化過程帶來的分類誤差。處理結(jié)果如圖 6(b) 所示。
(a) 區(qū)域生長結(jié)果 (b) 小面積消除結(jié)果
圖6. 去除無關(guān)信息的結(jié)果
Figure.6 Images after adaptive threshold
通過上述一系列的處理， 肺部模板已經(jīng)基本成形， 但是，對圖 6(b) 進行分析可以看到，由于肺實質(zhì)邊緣密度和周圍組織非常相近，在肺部區(qū)域預(yù)分割時常常將其誤分為背景，因此，本文利用形態(tài)學(xué)的閉運算對模板進行細化。圖7(a) 為利用閉運算細化得到的最終模板，將原圖與模板做減運算即得到了肺部區(qū)域的完整圖像，如圖 7(b) 所示。
(a) 模板細化結(jié)果 (b) 肺部區(qū)域像
(a) Image after the morphology process （b）Image of Lung region
圖7. 分割最終結(jié)果
Figure7. Image result
2.1.2 初步定位并剔除粗血管
先通過直方圖均衡化提高上面得到的肺部區(qū)域圖像的對比度，然后將圖片二值化，就得到了粗血管，如圖8（a）。通過圖8（a）找出的粗血管圖，映射到原圖，將粗血管區(qū)域剔除掉。圖8（b）為剔除粗血管后的肺部區(qū)域。
�。╝）找出的粗血管圖 （b）剔除粗血管后的圖像
�。╝）the vessels （b）Lung region without vessels
圖8.剔除肺部區(qū)域粗血管
Figure 9. Lung region image without big vessels
把最后對得到的圖片進行分割，如圖9所示，分成若干個25*25（單位：像素）的子區(qū)域。接下來的工作只對肺部區(qū)域占70%以上的小區(qū)域進行處理。在接下來的步驟中，沒有粗血管的肺部區(qū)域被分成子區(qū)域。對于每個子區(qū)域，我們計算了基于灰度的NLBP值后計算梯度方向差,以得出條件概率密度函數(shù)，進行6個紋理特征量的計算。最后，根據(jù)6個紋理特征量使用支持向量機（SVM）對子區(qū)域進行分類 。
圖9. 對沒有粗大血管的肺部區(qū)域進行分割
Figure 9. Sub-regions of the lung without big vessels
2.2 肺部紋理特征提取
NLBP能夠描述中心像素與其鄰邊區(qū)域灰度值的關(guān)系，但是它不能說明這些血管像素光滑的局部結(jié)構(gòu)信息。圖10（a）和（b）是樣品圖像中兩個3 × 3的局部區(qū)域模型。我們可以看到這兩種模式的NLBP值是相同的,然而這兩種模式的局部構(gòu)造是不同的。
描述血管像素光滑的局部結(jié)構(gòu)，提取紋理特征的有效性方面,統(tǒng)計家族GLCM方法是公認(rèn)的有效方法,具有較強的適應(yīng)能力和魯棒性。該方法是建立在估計圖像的二階組合條件概率密度基礎(chǔ)上的。GLCM是描述在θ方向上, 相隔d像元距離的一對像元分別具有灰度層i和j的出現(xiàn)概率。顯然GLCM是一個對稱矩陣,是距離和方向的函數(shù), 其階數(shù)由圖像中的灰度級Ng 決定。盡管由GLCM提取的紋理特征具有較好的鑒別能力,但是這個方法在正確率依賴角度θ的選擇。
本文對GLCM方法進行改進，提出新的不依賴角度具有旋轉(zhuǎn)不變性的一致性法。
�。╝）
（b）
圖10. 中心點的梯度方向
Figure 10.The center gradient orientation
設(shè)圖像強度函數(shù)為S（x，y），計算點P（x，y）梯度方向如下：
（10）
如公式（10）所示，梯度方向表示點P（x，y）的局部結(jié)構(gòu)。圖10（a）和（b）表示兩個中心點梯度方向�？梢钥闯鎏荻确较蛉Q于中心點周圍的局部結(jié)構(gòu)。在這種情況下，盡管這兩中心點的NLBP值相同，但其梯度方向是不同的。因此，本文提出計算兩點之間的梯度方向的差異，以評估其局部結(jié)構(gòu)的相似性。圖11中箭頭表示模型各點的梯度方向的差異。
圖11. 梯度方向的差異
Figure 11. Gradient orientation differences
因此，點P（x，y） 和它的各鄰點 P (xn, yn)之間的梯度差可通過以下計算得到：
（11）
可知點P（x，y）的灰度值表示它的亮度，NLBP值表示點P（x，y）周圍的亮度均勻性，以及梯度方向差異表示點P（x，y）局部結(jié)構(gòu)的均勻性。假設(shè)鄰點的個數(shù)為N，半徑為R，鄰點坐標(biāo)分別為P（x1，y1），P（x2，y2），…，P（xn，yn），定義一個基于給定點P（x，y）與它的鄰點P（x1，y1）之間的一致性如下：
（12）
其中g(shù)c是點P（x，y）的灰度值。同理， 以P（x1，y1），P（x2，y2），…，P（xn，yn）的值為基礎(chǔ)通過公式（12）求得一致性。GNLBP是灰度值和NLBP的組合。因此，如果P（x，y）周圍點灰度值均勻，那么GNLBP值較低。通過公式（12）定義條件概率密度函數(shù)f（GNLBP，GOD|N，R），其中0≤GNLBP
