91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

論文摘要：在肺部CT圖像中，血管與背景的對(duì)比度較低，很難分辨腫瘤和血管結(jié)節(jié)。為了解決這個(gè)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(xì)小血管具有局部亮度和結(jié)構(gòu)光滑的紋理特征檢測(cè)細(xì)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(duì)定位出的結(jié)果進(jìn)行去噪，應(yīng)用圖像二值化方法分割出粗大血管，然后對(duì)沒有粗大血管肺部區(qū)域的各個(gè)子區(qū)域采用一致性法進(jìn)行分類計(jì)算，最后根據(jù)細(xì)小血管的紋理特征值使用支持向量機(jī)對(duì)有細(xì)小血管的子區(qū)域及有肺結(jié)節(jié)的子區(qū)域進(jìn)行樣本訓(xùn)練，判斷是否是細(xì)小血管然后將其提取。實(shí)驗(yàn)說明該方法是有效的。
論文關(guān)鍵詞：肺部,圖像,一致性法,紋理特征,支持向量機(jī)
　　0引言
　　隨著CT掃描技術(shù)的發(fā)展，針對(duì)肺部疾病的診斷，越來越廣泛使用肺部CT計(jì)算機(jī)輔助診斷系統(tǒng)(CAD),在肺部CT疾病眾多，如肺栓塞，肺結(jié)節(jié)等，應(yīng)用計(jì)算機(jī)輔助診斷系統(tǒng)對(duì)這些疾病進(jìn)行早期診斷達(dá)到早期治療的目的是最好的解決辦法。對(duì)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(jì)算機(jī)輔助診斷系統(tǒng)對(duì)這種腫瘤的識(shí)別率較低。
　　1相關(guān)工作
　　在肺部CT圖像中，血管與背景的對(duì)比度較低，很難分辨腫瘤和血管結(jié)節(jié)。為了解決這個(gè)問題，根據(jù)肺部CT影像細(xì)小血管具有局部亮度和結(jié)構(gòu)光滑的紋理特征檢測(cè)細(xì)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(shí)現(xiàn)血管提取。局部二進(jìn)制模式是一種有效的紋理描述算子，由于其對(duì)圖像局部紋理特征的卓越描繪能力而獲得了廣泛的運(yùn)用。LBP是子區(qū)域中3×3中心像素閾值相對(duì)于相鄰像素值生成二進(jìn)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(gè)二進(jìn)制代碼0，否則，它會(huì)生成一個(gè)二進(jìn)制代碼1。這些二進(jìn)制代碼乘以相應(yīng)的權(quán)便可得出LBP生成的代碼，其計(jì)算方法如下：
　　其中(x,y)是中心點(diǎn)位置，g是中心點(diǎn)像素值，g中心點(diǎn)相鄰像素點(diǎn)的像素值，P是中心點(diǎn)相鄰像素點(diǎn)個(gè)數(shù)，R為半徑
　　
　　為了突出旋轉(zhuǎn)不變特性，將LBP擴(kuò)展為一個(gè)圓形“統(tǒng)一”模型，八個(gè)相鄰像素點(diǎn)組成一個(gè)半徑為R的圓形區(qū)域。該方法方便計(jì)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(jì)算如下：
　　
　　
　　參數(shù)U是用來估計(jì)對(duì)應(yīng)于空間過渡的一致性，即二進(jìn)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?cè)蕉�。圖1是一個(gè)圓環(huán)“統(tǒng)一”模型。
　　
　　圖1.一個(gè)統(tǒng)一模型中不同U值的情況
　　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(diǎn)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(diǎn)和更細(xì)節(jié)的相鄰像素亮度的關(guān)系。
　　2特征系統(tǒng)的提取
　　要提取紋理特征，并識(shí)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(duì)它進(jìn)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(diǎn)，首先利用最大類間方差法（OTSU法）對(duì)圖像進(jìn)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(shí)生成掩模圖像，最后運(yùn)用數(shù)學(xué)形態(tài)學(xué)方法對(duì)模板進(jìn)行細(xì)化，將原始圖像與掩模圖像進(jìn)行數(shù)學(xué)運(yùn)算即可得到肺部區(qū)域。
　　2.1.1快速分割算法
　　本文利用大量圖像進(jìn)行了實(shí)驗(yàn)，在此以一幅正常的肺部CT圖像為例。利用OTSU法預(yù)分割得到的結(jié)果如圖2。
　　
　　圖2.肺部CT圖像OTSU法分割結(jié)果
　　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(huì)對(duì)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(jì)算的方法繼續(xù)進(jìn)行分割。
　　經(jīng)過區(qū)域生長再分割和反色變換后得到的圖像如圖所示。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(duì)圖像的兩個(gè)密度區(qū)域進(jìn)行連通域標(biāo)記，測(cè)得各連通區(qū)域的面積，同時(shí)選取合適的面積閾值，并對(duì)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(bǔ)二值化過程帶來的分類誤差。
　　通過上述一系列的處理，肺部模板已經(jīng)基本成形，但是，對(duì)圖進(jìn)行分析可以看到，由于肺實(shí)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(shí)常常將其誤分為背景，因此，本文利用形態(tài)學(xué)的閉運(yùn)算對(duì)模板進(jìn)行細(xì)化。圖3(a)為利用閉運(yùn)算細(xì)化得到的最終模板，將原圖與模板做減運(yùn)算即得到了肺部區(qū)域的完整圖像，如圖3(b)所示。
　　
　　(a)模板細(xì)化結(jié)果(b)肺部區(qū)域像
　　圖3.分割最終結(jié)果
　　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(duì)比度，然后將圖片二值化，就得到了粗血管，如圖4（a）。通過圖4（a）找出的粗血管圖，映射到原圖，將粗血管區(qū)域剔除掉。圖4（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
　　圖4.剔除肺部區(qū)域粗血管
　　把最后對(duì)得到的圖片進(jìn)行分割，分成若干個(gè)25*25（單位：像素）的子區(qū)域。接下來的工作只對(duì)肺部區(qū)域占70%以上的小區(qū)域進(jìn)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(duì)于每個(gè)子區(qū)域，我們計(jì)算了基于灰度的NLBP值后計(jì)算梯度方向差,以得出條件概率密度函數(shù)，進(jìn)行6個(gè)紋理特征量的計(jì)算。最后，根據(jù)6個(gè)紋理特征量使用支持向量機(jī)（SVM）對(duì)子區(qū)域進(jìn)行分類。
　　\
　　2.2肺部紋理特征提取
　　本文對(duì)GLCM方法進(jìn)行改進(jìn)，提出新的不依賴角度具有旋轉(zhuǎn)不變性的一致性法。
　　
　　圖5.中心點(diǎn)的梯度方向
　　設(shè)圖像強(qiáng)度函數(shù)為S（x，y），計(jì)算點(diǎn)P（x，y）梯度方向如下：
　　（10）
　　如公式（10）所示，梯度方向表示點(diǎn)P（x，y）的局部結(jié)構(gòu)。圖5表示中心點(diǎn)梯度方向�？梢钥闯鎏荻确较蛉�決于中心點(diǎn)周圍的局部結(jié)構(gòu)。在這種情況下，盡管這兩中心點(diǎn)的NLBP值相同，但其梯度方向是不同的。因此，本文提出計(jì)算兩點(diǎn)之間的梯度方向的差異，以評(píng)估其局部結(jié)構(gòu)的相似性。圖6中箭頭表示模型各點(diǎn)的梯度方向的差異。
　　0
　　圖6.梯度方向的差異
　　因此，點(diǎn)P（x，y）和它的各鄰點(diǎn)P(x,y)之間的梯度差可通過以下計(jì)算得到：（11）
　　可知點(diǎn)P（x，y）的灰度值表示它的亮度，NLBP值表示點(diǎn)P（x，y）周圍的亮度均勻性，以及梯度方向差異表示點(diǎn)P（x，y）局部結(jié)構(gòu)的均勻性。假設(shè)鄰點(diǎn)的個(gè)數(shù)為N，半徑為R，鄰點(diǎn)坐標(biāo)分別為P（x，y），P（x，y），…，P（x，y），定義一個(gè)基于給定點(diǎn)P（x，y）與它的鄰點(diǎn)P（x，y）之間的一致性如下：
　　（12）
　　其中g(shù)是點(diǎn)P（x，y）的灰度值。同理，以P（x，y），P（x，y），…，P（x，y）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(diǎn)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（假設(shè)灰度值范圍是0～L），0≤GOD假設(shè)梯度方向差的范圍是0～D)，最后，通過函數(shù)f（GNLBP，GOD|N，R）得到大小為L*D的矩陣如下：
　　（13）
　　本文提出的這種方法能夠代表局部亮度和結(jié)構(gòu)均勻性，稱其為一致性法。定義以下6個(gè)紋理特征來分析CT圖像。
　　1）熵（ENT）：
　　（14）
　　2）梯度方向均勻性（GOUE）：
　　（15）
　　3）梯度方向非均勻性（GODE）：
　　（16）
　　4）方差（VAR）：
　　（17）
　　5）灰度均質(zhì)性（GLUH）：
　　（18）
　　6）灰度均勻程度（GLUE）：
　　（19）
　　3實(shí)驗(yàn)結(jié)果
　　3.1圖像信息
　　采用醫(yī)院提供的15例肺部CT圖像做為實(shí)驗(yàn)圖像，包括5例正常肺組織（NL，433張圖片）樣本，5例小葉中心型肺氣腫（CLE，433張圖片）樣本，5例肺結(jié)節(jié)（LN，433張圖片）樣本。這些圖像的切片厚度都是5mm，以BMP圖片格式來存儲(chǔ)，每個(gè)像素有256級(jí)灰度。表1是CT圖像資料信息。
　　表1CT圖像的信息
　　Table1.InformationofCTimages
　　

分辨率	1024 * 1024
切片	5毫米/片
文件格式	BMP
設(shè)置類型	肺設(shè)置
灰度	256

　　3.2圖像識(shí)別效果
　　計(jì)算機(jī)輔助診斷系統(tǒng)（CAD）的最后階段是要實(shí)現(xiàn)機(jī)器識(shí)別分類醫(yī)學(xué)圖像的疾病。近年來，支持向量機(jī)（SVM）已被公認(rèn)為是一種有效的模式識(shí)別方法。它在人臉識(shí)別，文本分類等領(lǐng)域均有應(yīng)用。
　　經(jīng)過前面的處理，已經(jīng)提取了肺部CT中較粗的血管，接下來使用支持向量機(jī)（SVM）來對(duì)肺部CT圖像中的細(xì)小血管進(jìn)行識(shí)別。為了評(píng)價(jià)該方法的性能，本文使用了在第3節(jié)所述紋理特征量作為特征向量。
　　根據(jù)前面得到的圖像特征，可以對(duì)肺部CT圖像進(jìn)行血管識(shí)別，識(shí)別結(jié)果見表2
　　表2.肺部CT細(xì)小血管識(shí)別結(jié)果
　　

組別		正常肺部CT圖像	肺結(jié)節(jié)CT圖像	肺氣腫CT圖像
1	正確率（%）	94.0	89.5	93.5
2	正確率（%）	91.5	90.5	92.5
3	正確率（%）	90.5	90.5	91.5
4	正確率（%）	94.5	89.2	93.5
5	正確率（%）	93.5	89.0	90.5

根據(jù)識(shí)別的結(jié)果，剔除細(xì)小血管的圖像，效果如圖7。
　　
　　圖7.提取的血管圖像
　　4結(jié)論
　　在醫(yī)學(xué)圖像處理中，紋理特征是最流行的一種特征分析方法。文章的目的是更精確地提取肺部CT圖片的血管。本文提出一種新的紋理提取方法，采用一致性法根據(jù)肺部CT影像血管具有局部亮度和結(jié)構(gòu)光滑的特征檢測(cè)血管的紋理變化。通過計(jì)算得到肺部CT血管紋理特征的六個(gè)特征量ENT、GOUE、GODE、VAR、GLUH、GLUE。把樣本的這六個(gè)紋理特征量載入向量機(jī)進(jìn)行訓(xùn)練，得到細(xì)小血管的識(shí)別模型，利用這個(gè)本文提出的模型對(duì)著對(duì)肺部CT細(xì)小血管進(jìn)行識(shí)別，篩選出含細(xì)小血管肺部CT圖像。利用本文的血管提取算法，實(shí)驗(yàn)數(shù)據(jù)顯示識(shí)別的平均正確率在90%以上。
　　由于肺部血管結(jié)構(gòu)復(fù)雜，我們沒有對(duì)所有病例的肺部CT圖片進(jìn)行血管提取，只選用了正常肺部、肺結(jié)節(jié)、肺氣腫CT圖做實(shí)驗(yàn)，今后要對(duì)更多的病例圖片進(jìn)行識(shí)別處理，完善識(shí)別算法，不斷提高識(shí)別精度及減少計(jì)算復(fù)雜度。
參考文獻(xiàn)
1 H. Zhang, J. E. Fritts, and S. A. Goldman, A Fast Texture Feature Extraction Method forRegion-based Image Segmentation, Image and video communications and processing,volume 5685 (2), pages 957-968, (2005)
2 A. M. R. Schilham, B. V. Ginneken, and M. Loog, A Computer-Aided Diagnosis System forDetection of Lung Nodules in Chest Radiographs with an Evaluation on a PublicDatabase, Medical Image Analysis, volume 10, pages 247-258, (2006)
3 K. Takei, N. Homma, T. Ishibashi, M. Sakai, and M. Yoshizawa, Computer Aided Diagnosis forPulmonary Nodules by Shape Feature Extraction, In: SICE Annual Conference 2007,Kagawa University, Takamatsu City, Japan, September 17-20, pages 1964-1967,(2007)
4 M. Park, B. Kang, S.J. Jin, and S. Luo, Computer Aided Diagnosis System of Medical Imagesusing Incremental Learning Method, Expert Systems with Applications, volume 36,pages 7242-7251, (2009)