專利名稱：基于胸部ct圖像的肺氣腫計算機輔助診斷系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于基于醫(yī)學(xué)圖像的計算機分析技術(shù)的應(yīng)用領(lǐng)域，具體涉及一種基于胸部 CT圖像的肺氣腫計算機輔助診斷系統(tǒng)。
背景技術(shù)：
慢性阻塞性肺病是一種以呼氣氣流受限為特征的疾病，包括慢性支氣管炎和肺氣腫。慢性阻塞性肺病可導(dǎo)致肺功能障礙、肺動脈高壓，發(fā)展到一定程度即產(chǎn)生低氧血癥，隨后出現(xiàn)高碳酸血癥和呼吸衰竭，導(dǎo)致患者死亡。據(jù)統(tǒng)計，中國近年慢性阻塞性肺病患病率 9%，現(xiàn)有慢性阻塞性肺病發(fā)病人數(shù)高達5000萬，每年死亡人數(shù)130萬，慢阻肺已經(jīng)成為因疾病死亡的第四大病因。對于患者肺中的多種病變，在影像學(xué)的表現(xiàn)特征與范圍上較為復(fù)雜，即使有經(jīng)驗的放射科醫(yī)師，要對其做客觀、準確地分析與診斷也相當(dāng)困難。目前，國內(nèi)外對慢性阻塞性肺病的CT影像征象研究報道較多，但主要集中在病變的定性方面，對于病變的程度即定量方面的研究較少。目前廣泛采用的憑借視覺感知與經(jīng)驗進行診斷的方法，主要是以肺內(nèi)出現(xiàn)大小不等的低密度區(qū)、肺血管紋理稀疏及血管分支扭曲等征象作為依據(jù)，根據(jù)肺氣腫范圍與嚴重程度進行評分或診斷。這種定性的診斷方法存在以下不足依賴于個人的感知、經(jīng)驗與專業(yè)能力，診斷結(jié)果會因人而異；放射科醫(yī)師的閱片工作強度大，易疲勞，影響工作效率與質(zhì)量；無法進行定量分析及對疾病進行準確分級；不利于治療或術(shù)后療效的準確評價與跟蹤。針對上述臨床定性診斷中的問題，應(yīng)用影像學(xué)處理方法，對肺區(qū)進行量化分析，輔助醫(yī)生做出診斷，可充分利用定性與定量診斷各自的優(yōu)勢，一方面，可以降低放射科醫(yī)師的診斷工作量與勞動強度，另一方面，可提高診斷的準確性、可靠性與效率。肺氣腫的計算輔助診斷，可分為兩步，首先是準確提取左右肺區(qū)，然后，根據(jù)肺氣腫的臨床量化診斷標(biāo)準，對肺區(qū)進行量化分析，得出診斷結(jié)論。目前胸部CT影像中肺區(qū)自動分割方法主要有(1) llHl^CH.Ozkan, 0. Osman, S. Sahin, "Lung Segmentation Algorithm for CAD System in CTA Images，，,World Academy of Science,Engineering and Technology, 77,306-309(2011), VX R B. S. Zhao, Y. David, "Two-dimensional multi-criterion segmentation of pulmonary nodules on helical CT images",Medical Physics,26(6) 889-895(1999)等)。其特點是簡單、快速，但不能有效去除軀干外部及氣管、支氣管等區(qū)域，且確定閾值較難，往往根據(jù)經(jīng)驗確定。(2)區(qū)域增長。區(qū)域生長法雖然能保留具有彌漫性邊界的區(qū)域，但那些被強梯度邊界包圍的結(jié)構(gòu)常被排除在外，而且它對種子點及生長合并規(guī)則的選取也較敏感。由于區(qū)域生長法是一種需要人工參與的半自動分割方法，因此，其應(yīng)用受到較大的限制(楊加，吳祈耀，田捷等，“幾種圖像分割算法在CT圖像分割上的實現(xiàn)和比較，”北京理工大學(xué)學(xué)報，20(6) :720-724, (2000))。(3)基于統(tǒng)計先驗?zāi)Ｐ偷姆椒?S. Sun, G. McLennan, Ε. A. Hoffman, et al. " Model-Based Segmentation of Pathological Lungs in Volumetric CT Data, " The Third International Workshop on Pulmonary Image Analysis,31-40, (2010)) 0它通過收集大量樣本，建立先驗?zāi)Ｐ?，采用點匹配與形變方法，提取肺區(qū)輪廓。其優(yōu)勢是能利用樣本的形狀及密度信息，但建立模型較為困難，點匹配與形變過程花費時間較多，難以滿足臨床應(yīng)用的實時性要求。(4)基于模式分類的方法(H. Wang, J. Zhang, L. Wang, ‘‘ Segmentation of thoracic CT image based on FCM clustering, " IEEE 2010 3rd International Conference on Advanced Computer Theory and Engineering (ICACTE), V3, 405-408(2010), F. Monteiro, " Region-Based Clustering for Lung Segmentationin Low-Dose CT Images," International Conference of Numerical Analysis and Applied Mathematics(ICNAAM)，1281, 2061-2064 (2010)) 該類方法提取有效的圖像特征，有的還需要大量的訓(xùn)練樣本，分割結(jié)果對樣本與特征的依賴性很強，其處理時間較長。綜上所述，現(xiàn)有的胸部CT影像中肺區(qū)的分割方法，或模型與運算復(fù)雜，分割速度較慢；或難以確定控制參數(shù)，分割穩(wěn)定性與可靠性較低，分割結(jié)果不準確。即難以快速、準確地提取肺區(qū)輪廓與肺實質(zhì)，無法滿足計算機輔助診斷系統(tǒng)的要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點和不足，提供一種基于胸部CT圖像的肺區(qū)自動分割與肺氣腫計算機輔助診斷系統(tǒng)。本發(fā)明的目的通過下述技術(shù)方案來實現(xiàn)一種基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，包括輸入模塊(100)，用于輸入待診斷的胸部CT圖像，并傳送給提取肺區(qū)模塊O00)；提取肺區(qū)模塊000)，用于自動分割左右肺區(qū)，并將肺區(qū)信息傳送給量化參數(shù)計算模塊(300)；量化參數(shù)計算模塊(300)，用于計算肺區(qū)或指定區(qū)域的像素密度的統(tǒng)計分布信息， 以及幾何信息，并將量化參數(shù)傳送給分類診斷模塊(400)和輸出模塊(500)；分類診斷模塊(400)，用于分析量化參數(shù)計算模塊(300)傳遞的數(shù)據(jù)，并將分析結(jié)果發(fā)送給輸出模塊(500)；輸出模塊(500)，將分類診斷模塊000)的分析結(jié)果，定位于用戶輸入的待診斷胸部CT圖像，以特定顏色標(biāo)記可疑之處，并將分析結(jié)果顯示給用戶。提取肺區(qū)模塊(200)按照下述步驟進行處理步驟(2. 1)采用全局自適應(yīng)閾值法分離胸部CT圖像中的軀干與背景首先給定一個初始閾值，應(yīng)用該閾值將圖像分為兩類；然后求兩個平均密度的均值并作為新的閾值，再對圖像進行分類，通過迭代算法，逐漸使閾值逼近最優(yōu)值，最后求出準確的閾值，將背景與軀干分離；步驟(2. 2)采用輪廓跟蹤方法提取肺區(qū)輪廓首先根據(jù)一定的探測準則檢測一個肺輪廓的一個像素點，再用一定的跟蹤準則找出目標(biāo)輪廓的其他像素點，直到找到整個肺輪廓所有像素點；再找另一個肺輪廓的所有像素點；步驟(2. 3)采用一種基于4鄰域的背景標(biāo)記掃描線方法來獲取左右肺區(qū)域內(nèi)的像
ο步驟(2. 1)中所述初始閾值選擇整幅圖像密度平均值。所述步驟(2. 3)包括如下步驟步驟(2. 3. 1)求感興趣區(qū)域的外接矩形，生成能覆蓋選定區(qū)域的最小矩形區(qū)域；步驟(2.3.2)將矩形區(qū)域內(nèi)肺的輪廓點標(biāo)記為“1”，其它則標(biāo)記為“0”；步驟(2.3. 按從上到下、從左至右順序，掃描矩形區(qū)域，如果當(dāng)前像素標(biāo)記為 “0”，則在當(dāng)前行，從當(dāng)前像素開始自左向右掃描，并置所經(jīng)過的像素標(biāo)記為“-1 ”，直到輪廓點或該行行末結(jié)束；步驟(2.3.4)搜索當(dāng)前像素的4鄰域，找到一個標(biāo)記為“0”的點，以此作為新的出發(fā)點，從左至右掃描，并置經(jīng)過像素標(biāo)記為“_1”，直到輪廓點或該行行末結(jié)束；步驟(2.3.5)矩形區(qū)域掃描結(jié)束后，去除標(biāo)記為“_1”的像素。所述量化參數(shù)計算模塊(300)中的量化參數(shù)包括灰度統(tǒng)計參數(shù)與幾何參數(shù)，所述灰度統(tǒng)計參數(shù)包括左右肺區(qū)或用戶指定區(qū)域的平均密度、密度方差、密度小于、大于或等于給定閾值的像素百分比；所述幾何參數(shù)包括肺容積、區(qū)域面積、周長，距離與角度。所述分類診斷模塊(400)包括判斷單元，所述判斷單元根據(jù)肺氣腫的量化診斷標(biāo)準，判斷是否存在肺氣腫，若判斷為肺氣腫，則對其進行分類。所述分類診斷模塊G00)，根據(jù)肺氣腫的量化診斷標(biāo)準，應(yīng)用體積分數(shù)法，掃描每一 CT斷層圖像中的肺區(qū)，將肺區(qū)內(nèi)每一像素與指定密度閾值相比較，統(tǒng)計分別大于、小于或等于指定閾值的像素，計算它們分別占整個肺區(qū)的百分比；根據(jù)肺氣腫的分級診斷標(biāo)準， 確定肺區(qū)是否正常，如果異常，則進行分級。本發(fā)明的工作原理及過程是首先給系統(tǒng)輸入一組待診斷的胸部CT圖像，然后對肺區(qū)進行自動分割，提取左右肺實質(zhì)，最后，根據(jù)肺氣腫的量化診斷標(biāo)準，進行識別與診斷， 并將重點區(qū)域以特殊顏色標(biāo)記，根據(jù)需要提供一系列相關(guān)密度與幾何統(tǒng)計參數(shù)，提示放射科醫(yī)師需要重點關(guān)注的區(qū)域與相關(guān)參數(shù)，從而提高放射科醫(yī)師對肺氣腫診斷的準確性、可靠性與效率。本發(fā)明相對于與現(xiàn)有技術(shù)，具有如下優(yōu)點(1)自動、快速、準確地提取肺區(qū)現(xiàn)有的肺區(qū)分割方法，如傳統(tǒng)的閾值分割法，區(qū)域增長法，基于形變模型的方法 (Snake, Level set)、基于統(tǒng)計模型的方法與基于模式分類的方法，均難以對肺區(qū)進行快速準確地分割。而本發(fā)明將提取肺區(qū)分為三個步驟，采用自動閾值、輪廓跟蹤、邊界掃描與區(qū)域填充標(biāo)記法，可快速有效地提取肺區(qū)。(2)準確地對肺氣腫進行量化分級提取左右肺區(qū)后，根據(jù)肺氣腫量化診斷標(biāo)準，本發(fā)明可快速計算體積分數(shù)，實現(xiàn)肺氣腫的量化分級。(3)統(tǒng)計肺區(qū)量化參數(shù)，標(biāo)記病變區(qū)域方便快捷地計算肺區(qū)或指定區(qū)域的平均密度，密度方差、最大與最小密度等，以及面積、容積、距離、角度等量化參數(shù)，還可以特定顏色標(biāo)記病變區(qū)域。


圖1為發(fā)明基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)的結(jié)構(gòu)示意圖；圖2為本發(fā)明基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)的流程圖；圖3為本發(fā)明實施例胸部CT圖像某一斷層圖像(a)及其直方圖(b)；圖4為本發(fā)明實施例肺區(qū)分割與輪廓跟蹤結(jié)果，其中，(a)全局自適應(yīng)閾值分割結(jié)果；(b)左右輪廓跟蹤結(jié)果；(c)左右肺實質(zhì)；圖5為本發(fā)明實施例肺區(qū)經(jīng)量化分析后的肺氣腫標(biāo)記，其中，(a)第4層；(b)第8 層；(c)第12層；(d)第33層；圖6為本發(fā)明實施例經(jīng)量化分析、計算得到的肺氣腫體積分數(shù)。
具體實施例方式下面結(jié)合實施例和附圖對本發(fā)明作進一步詳細說明，但本發(fā)明的實施方式不限于此。如圖1所示，本發(fā)明的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)包括輸入模塊100、提取肺區(qū)模塊200、量化參數(shù)計算模塊300、分類診斷模塊400與輸出模塊500。其中，輸入模塊(100)，用于輸入待診斷的胸部CT圖像，并傳送給提取肺區(qū)模塊O00)；提取肺區(qū)模塊000)，用于自動分割左右肺區(qū)，并將肺區(qū)信息傳送給量化參數(shù)計算模塊(300)；量化參數(shù)計算模塊(300)，用于計算肺區(qū)或指定區(qū)域的像素密度的統(tǒng)計分布信息， 以及幾何信息，并將量化參數(shù)傳送給分類診斷模塊(400)和輸出模塊(500)；分類診斷模塊(400)，用于分析量化參數(shù)計算模塊(300)傳遞的數(shù)據(jù)，并將分析結(jié)果發(fā)送給輸出模塊(500)；輸出模塊(500)，將分類診斷模塊000)的分析結(jié)果，定位于用戶輸入的待診斷胸部CT圖像，以特定顏色標(biāo)記可疑之處，并將分析結(jié)果顯示給用戶。如圖2所示，本發(fā)明按照以下步驟進行處理步驟(1)輸入一組待診斷的胸部CT斷層圖像。步驟(2)提取左右肺區(qū)。從圖3中的胸部CT圖像及其直方圖可知，肺部CT圖像主要包括軀干、胸壁軟組織、肺實質(zhì)、氣管、支氣管、縱膈、床板及衣服等。其灰度直方圖有三個主峰，共分三個主要區(qū)域其中低密度區(qū)為四角的黑色背景；中密度區(qū)為肺實質(zhì)及軀干外背景；高密度區(qū)為胸壁、縱膈、氣管、支氣管等。低密度區(qū)，即黑色背景一般為圖像中最小的某一固定密度值，可以很容易地用簡單的閾值將此部分去除。中密度與高密度區(qū)有較大的分隔區(qū)，如果能找到這兩個區(qū)域之間的分界點，將它作為閾值，即可對圖像進行二值化， 從而將背景(指中密度區(qū)的軀干外背景)與軀干分離。步驟(2. 1)采用全局自適應(yīng)閾值法將軀干與背景分離。首先給定一個初始閾值 (根據(jù)肺部CT圖像特點，初始閾值可選擇整幅圖像密度平均值)，然后通過迭代算法，逐漸使閾值逼近最優(yōu)值，最后求出準確的閾值，對圖像實施分割。具體過程如下應(yīng)用該閾值將圖像分為兩類，分別計算兩類對象的平均密度，求兩個平均密度的均值并作為新的閾值，再對圖像進行分類，比較連續(xù)兩次的閾值之差，或判斷迭代次數(shù)是否達到最大值，決定是否結(jié)束處理過程。其過程可描述為步驟(2. 1. 1)選擇初始估計值Ttl，給定很小的終止值t，及最大迭代次數(shù)Nmax ；步驟(2. 1. 2)用Ttl作為閾值將圖像分為C1與C2兩類；步驟(2. 1. 3)對C1與C2中所有像素計算平均密度=T^ Σ/(Z') ^2 =T^ Σ/O) (1)
7vC1 ^clW C2 Jsc2其中f ( ·)為圖像密度， 與^2分別為C1與C2的像素數(shù)量。步驟(2. 1. 4)計算新閾值Γι = Μ± (2)步驟(2. 1. 5)計算連續(xù)二次閾值之差Δ T = | TrT01，如果Δ T < t，或迭代次數(shù)等于Nmax，則結(jié)束；否則，將新閾值T1賦給Ttl，重復(fù)步驟(2. 1.2)-(2. 1.5)。步驟(2. 2)利用輪廓跟蹤法提取肺區(qū)輪廓肺部CT圖像經(jīng)過步驟(2. 1)的處理，被有效地分割為軀干(白色表示)和背景 (黑色表示)兩部分，因而很容易地得到軀干的外輪廓，由于肺實質(zhì)處于胸內(nèi)部，因此需要得到軀干內(nèi)輪廓，軀干內(nèi)輪廓即肺部外輪廓，本發(fā)明采用輪廓跟蹤方法提取肺部輪廓。初始點可在行方向從軀干中部出發(fā)，按從左向右方向，先找到第一個白色點(軀干)，然后從此點出發(fā)，依從左至右方向掃描該點所在的行，直至第一個黑色點，即為左肺輪廓點，將該點作為輪廓跟蹤的起始點。同樣地，按由外向內(nèi)，從右至左方向，可提取右肺輪廓。輪廓跟蹤法的基本思想是先根據(jù)某一“探測準則”檢測目標(biāo)中的輪廓像素，再根據(jù)這些像素的某一特征用一定的跟蹤準則找出目標(biāo)輪廓的其它像素。具體跟蹤過程描述如下步驟(2. 1. 1)找到左下方的輪廓點，定義初始的搜索方向為左上方；步驟(2. 1. 2)如果左上方是黑點，則為邊界點，否則將搜索方向順時針旋轉(zhuǎn)45°， 直至找到第一個黑點為止；步驟(2. 1.3)將此黑點作為新的邊界點，在當(dāng)前搜索方向逆時針旋轉(zhuǎn)90°，繼續(xù)用同樣方法搜索下一黑點，直到回到初始的輪廓點。步驟(2. 3)應(yīng)用邊界掃描與區(qū)域填充法獲取左右肺區(qū)。肺區(qū)邊界確定后，肺區(qū)內(nèi)部像素的提取，可轉(zhuǎn)化為計算機圖形學(xué)中多邊形的掃描轉(zhuǎn)換與區(qū)域填充問題。多邊形的掃描轉(zhuǎn)換有掃描線算法、邊填充法、柵欄填充法、邊標(biāo)志填充算法與種子填充法等?？紤]到是胸部CT圖像這一特定對象，任務(wù)是提取區(qū)域內(nèi)部像素， 并對其進行分析，因此，本發(fā)明采用一種基于4鄰域的背景標(biāo)記掃描線方法來獲取區(qū)域像素。該方法主要過程如下步驟(2. 1. 1)求感興趣區(qū)域的外接矩形，生成能覆蓋選定區(qū)域的最小矩形區(qū)域。 由于運算只對此矩形區(qū)域，因此可大大減少計算量；步驟(2. 1.2)將矩形區(qū)域內(nèi)的選定區(qū)域邊界標(biāo)記為“1”，其它則標(biāo)記為“0”；步驟(2. 1.3)按從上到下、從左至右順序，掃描矩形區(qū)域，如果當(dāng)前像素標(biāo)記為 “0”，則在當(dāng)前行，從當(dāng)前像素開始自左向右掃描，并置所經(jīng)過的像素標(biāo)記為“_1”，直到邊界點或該行行末結(jié)束；步驟(2. 1.4)搜索當(dāng)前像素的4鄰域，找到一個標(biāo)記為“0”的點，以此作為新的出發(fā)點，從左至右掃描，并置經(jīng)過像素標(biāo)記為“_1”，直到邊界點或該行行末結(jié)束；步驟(2. 1.5)矩形區(qū)域掃描結(jié)束后，去除標(biāo)記為“-1”的像素，即為所求的區(qū)域。至此，完成了左右肺區(qū)的自動提取過程。如圖4為圖3(a)中圖像的肺區(qū)提取結(jié)果， 其中圖4(a)為經(jīng)自適應(yīng)閾值分割后的結(jié)果，背景與軀干被有效地分離；圖4(b)為經(jīng)輪廓跟蹤后的左右肺輪廓；圖4(c)為獲取的左右肺實質(zhì)。步驟C3)量化參數(shù)計算，計算肺區(qū)或指定任意區(qū)域的像素密度與幾何統(tǒng)計信息， 其中密度參數(shù)包括平均密度、密度方差、密度大于(小于或等于)給定閾值的像素百分比； 幾何參數(shù)包括容積、區(qū)域面積、周長，距離與角度等。除了計算肺區(qū)的相關(guān)參數(shù)外，本發(fā)明還提供用戶自定義任意封閉區(qū)域，計算區(qū)域量化參數(shù)。步驟(4)量化分析與診斷，根據(jù)量化診斷標(biāo)準與步驟( 計算得到的參數(shù)，進行分類診斷。有關(guān)基于CT影像的肺氣腫的臨床量化診斷標(biāo)準，國內(nèi)外已有較多研究，目前公認的方法是肺功能量化參數(shù)法(H. M. John, Μ. D. Austin, ” Pulmonary emphysema imaging assessment of lung volume reduction surgery". Radiology,212(1) :1-3(1999),牡丹，“肺氣腫的影像學(xué)定量研究進展”，實用放射學(xué)雜志，22 (5) =610-613 (2006)，及邵廣瑞， 柳澄，王濤等，“螺旋CT雙相掃描在肺氣腫診斷與功能評價中的價值探討，”中國醫(yī)學(xué)影像技術(shù)，17(11) :1067-1069, Q001))，它主要利用肺容積、平均肺密度、像素指數(shù)及動態(tài)肺密度等量化指標(biāo)作為肺氣腫的診斷依據(jù)。平均肺密度反映的是通氣狀況、血液量、血管外液量及肺組織的綜合密度，研究表明，肺氣腫的平均密度明顯低于正常值，CT閾值深吸氣相為-953. 3HU，深呼氣相為-914. . 62HU。肺容積主要有兩種量化方法(1)根據(jù)呼吸兩相肺容積的減少百分比確定肺氣腫程度；( 根據(jù)肺氣腫區(qū)域占全肺中的百分比(體積分數(shù)) 進行分析診斷，在CT定量評估中，常以-910HU與-950HU分別作為閾值來診斷肺氣腫，即根據(jù)密度小于指定閾值的肺組織占全肺中的百分比來對肺氣腫進行分級，對于吸氣相， 以-950HU作為閾值，體積分數(shù)<5%為肺氣腫(^115^,10%)為1級；[10%，15% )為 2級；體積分數(shù)> 15%為3級(如果為呼氣相，則閾值為-910HU)。肺氣腫體積分數(shù)還可以作為病情觀察、療效評價、肺減容術(shù)術(shù)前篩選與術(shù)后評價的重要指標(biāo)。本發(fā)明采用肺功能量化參數(shù)法中通過統(tǒng)計肺氣腫體積分數(shù)實現(xiàn)對肺部CT圖像進行量化分析與輔助診斷。當(dāng)獲取左右肺區(qū)后，應(yīng)用前述的體積分數(shù)法，掃描每一 CT斷層圖像中肺區(qū)，將肺區(qū)內(nèi)每一像素與指定密度閾值相比較，統(tǒng)計分別大于、小于或等于指定閾值的像素，計算它們分別占整個肺區(qū)的百分比。根據(jù)肺氣腫的5級診斷標(biāo)準，確定肺區(qū)是否正常，如果異常， 則進行分級。將分類診斷結(jié)果定位于用戶輸入的待診斷胸部CT圖像，以特定顏色標(biāo)記可疑之處，將分析結(jié)果顯示給用戶，此外，顯示步驟(3)中計算得到的相關(guān)參數(shù)。如圖5為本發(fā)明實施例肺區(qū)經(jīng)量化分析后，對其中4個斷層圖像的重點區(qū)域，即肺氣腫進行了紅色標(biāo)記；圖6為本發(fā)明中實施例經(jīng)量化分析、計算得到的肺氣腫體積分數(shù)。表 1為實施例統(tǒng)計輸出的相關(guān)參數(shù)
權(quán)利要求
1.基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于，包括輸入模塊(100)，用于輸入待診斷的胸部CT圖像，并傳送給提取肺區(qū)模塊(200)；提取肺區(qū)模塊(200 )，用于自動分割左右肺區(qū)，并將肺區(qū)信息傳送給量化參數(shù)計算模塊 (300)；量化參數(shù)計算模塊(300)，用于計算肺區(qū)或指定區(qū)域的像素密度的統(tǒng)計分布信息，以及幾何信息，并將量化參數(shù)傳送給分類診斷模塊(400)和輸出模塊(500)；分類診斷模塊(400)，用于分析量化參數(shù)計算模塊(300)傳遞的數(shù)據(jù)，并將分析結(jié)果發(fā)送給輸出模塊(500);輸出模塊(500)，將分類診斷模塊(400)的分析結(jié)果，定位于用戶輸入的待診斷胸部CT 圖像，以特定顏色標(biāo)記可疑之處，并將分析結(jié)果顯示給用戶。
2.根據(jù)權(quán)利要求1所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于提取肺區(qū)模塊(200)按照下述步驟進行處理步驟(2.1)采用全局自適應(yīng)閾值法分離胸部CT圖像中的軀干與背景首先給定一個初始閾值，應(yīng)用該閾值將圖像分為兩類；然后求兩個平均密度的均值并作為新的閾值，再對圖像進行分類，通過迭代算法，逐漸使閾值逼近最優(yōu)值，最后求出準確的閾值，將背景與軀干分離；步驟(2. 2)采用輪廓跟蹤方法提取肺區(qū)輪廓首先根據(jù)密度與空間位置檢測左肺輪廓的一個像素點，然后，從該點出發(fā)，應(yīng)用輪廓跟蹤方法搜索目標(biāo)輪廓的其他像素點，直到找到左肺輪廓所有像素點；類似地，可得到右肺輪廓所有像素點；步驟(2. 3)采用一種基于4鄰域的背景標(biāo)記掃描線方法來獲取左右肺區(qū)域內(nèi)的像素。
3.根據(jù)權(quán)利要求2所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于步驟(2. 1)中初始閾值選擇整幅圖像密度平均值。
4.根據(jù)權(quán)利要求2所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于，所述步驟(2. 3 )包括如下步驟步驟(2. 3. 1)求感興趣區(qū)域的外接矩形，生成能覆蓋選定區(qū)域的最小矩形區(qū)域；步驟(2. 3. 2)將矩形區(qū)域內(nèi)肺的輪廓點標(biāo)記為“1”，其它則標(biāo)記為“0” ；步驟(2. 3. 3)按從上到下、從左至右順序，掃描矩形區(qū)域，如果當(dāng)前像素標(biāo)記為“0”，則在當(dāng)前行，從當(dāng)前像素開始自左向右掃描，并置所經(jīng)過的像素標(biāo)記為“-1 ”，直到輪廓點或該行行末結(jié)束；步驟(2. 3. 4)搜索當(dāng)前像素的4鄰域，找到一個標(biāo)記為“0”的點，以此作為新的出發(fā)點， 從左至右掃描，并置經(jīng)過像素標(biāo)記為“_1”，直到輪廓點或該行行末結(jié)束；步驟(2. 3. 5)矩形區(qū)域掃描結(jié)束后，去除標(biāo)記為“_1”的像素。
5.根據(jù)權(quán)利要求4所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于量化參數(shù)計算模塊(300)中的量化參數(shù)包括灰度統(tǒng)計參數(shù)與幾何參數(shù)，所述灰度統(tǒng)計參數(shù)包括左右肺區(qū)或用戶指定區(qū)域的平均密度、密度方差、密度小于、大于或等于給定閾值的像素百分比；所述幾何參數(shù)包括肺容積、區(qū)域面積、周長，距離與角度。
6.根據(jù)權(quán)利要求5所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于所述分類診斷模塊(400)包括判斷單元，所述判斷單元根據(jù)肺氣腫的量化診斷標(biāo)準，判斷是否存在肺氣腫，若判斷為肺氣腫，則對其進行分類。
7.根據(jù)權(quán)利要求6所述的基于胸部CT圖像的肺氣腫計算機輔助診斷系統(tǒng)，其特征在于分類診斷模塊(400)，根據(jù)肺氣腫的量化診斷標(biāo)準，應(yīng)用體積分數(shù)法，掃描每一 CT斷層圖像中的肺區(qū)，將肺區(qū)內(nèi)每一像素與指定密度閾值相比較，統(tǒng)計分別大于、小于或等于指定閾值的像素，計算它們分別占整個肺區(qū)的百分比；根據(jù)肺氣腫的分級診斷標(biāo)準，確定肺區(qū)是否正常，如果異常，則進行分級。
全文摘要
本發(fā)明公開了一種基于胸部CT圖像的肺區(qū)自動分割與肺氣腫計算機輔助診斷系統(tǒng)。首先給系統(tǒng)輸入一組胸部CT斷層系列圖像，然后，對肺區(qū)進行自動分割，共分為三步(1)利用自動閾值法分離軀干與背景；(2)應(yīng)用輪廓跟蹤法提取肺區(qū)輪廓；(3)利用邊界掃描與區(qū)域填充法提取肺區(qū)。最后，應(yīng)用基于密度分布與體積分數(shù)的肺氣腫量化診斷標(biāo)準，對肺區(qū)進行統(tǒng)計分析，將統(tǒng)計特征值根據(jù)需要顯示給放射科醫(yī)師，確定并重點顯示病變區(qū)域，對病變程度進行分級，從而實現(xiàn)肺氣腫的量化分析與準確診斷。本發(fā)明能提高放射科醫(yī)師對肺氣腫診斷的準確性與效率，更客觀有效地輔助放射科醫(yī)師進行臨床診斷與制定治療方案。
文檔編號A61B6/03GK102429679SQ20111026716
公開日2012年5月2日 申請日期2011年9月9日 優(yōu)先權(quán)日2011年9月9日
發(fā)明者郭圣文 申請人:華南理工大學(xué)