專利名稱：在計算x光斷層攝影掃描中用于肺腫瘤二維和三維檢測的方法、系統(tǒng)和計算機可讀介質(zhì)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及在X光斷層攝影掃描中幫助放射科醫(yī)師檢測異常的計算機化方法和系統(tǒng)。
本發(fā)明還一般涉及用于數(shù)字圖象自動分析的計算機化技術(shù)，所述技術(shù)例如在以下文獻中的一個或多個中公開，所述文獻包括美國專利4839807、4841555、4851984、4875165、4907156、4918534、5072384、5133020、5150292、5224177、5289374、5319549、5343390、5359513、5452367、5463548、5491627、5537485、5598481、5622171、5638458、5657362、5666434、5673332、5668888、5732697、5740268、5790690、5832103、5873824、5881124、5931780、5974165、5982915、5984870、5987345和6011862；美國專利申請08/173935、08/398307(PCT公開號WO 96/27846)、08/536149、08/562087、08/900188、08/900189、08/900191、08/900361、08/979623、08/979639、08/982282、09/027468、09/027685、09/028518、09/053798、09/092004、09/121719、09/131162、09/141535、09/156413、09/298852和09/471088；PCT專利申請PCT/US99/24007和PCT/US99/25998；以及美國臨時專利申請60/160790以及2000年1月18日提交的委托號0730-0069-20 PROV，所有這些文獻在此引作參考。在這些專利和申請中，5463548、5622171、5732697和5873824、專利申請08/562087、08/900361和09/027685、美國臨時專利申請60/160790以及2000年1月18日提交的委托號0730-0069-20 PROV尤其重要。
本發(fā)明包括使用在以上美國專利和申請中描述和參考的、以及在“參考文獻列表”的參考文獻中描述并用對應(yīng)于各個參考文獻的括號中數(shù)字進行相互參考的各種技術(shù)，“參考文獻列表”列出作者和出版年份，所述文獻的全部內(nèi)容，包括以上列出的相關(guān)專利和申請以及在“參考文獻列表”中列出的參考文獻，在此引作參考。
背景技術(shù)：
在1999年，肺癌在美國導(dǎo)致估計158900例的死亡，在美國男人和婦女中肺癌在癌癥死亡原因中名列前矛[1]。在男人中，新癌癥病例中15％為肺癌(其次為前列腺癌)；而在婦女中，13％的新癌癥病例為肺癌(其次為乳腺癌)[1]。一些證據(jù)表明，更早檢測肺癌能更及時地介入治療，因而為患者得到更有利的預(yù)測[2，3]。
放射科醫(yī)師使用常規(guī)的胸部X光照片會漏過估計30-40％的可檢測出的潛在肺癌[4]。然而，普遍認識到，用于肺腫瘤檢測的計算機化X光斷層攝影(CT)掃描的靈敏度優(yōu)于胸部X光照片的靈敏度[5-7]。為此，CT掃描一般認為是確認腫瘤存在的“黃金標準”。CT最重要的優(yōu)點是它具有清楚描繪組織結(jié)構(gòu)的能力，而胸部X光照片會產(chǎn)生疊加投影；CT掃描要求三維容積數(shù)據(jù)，而被X光照片捕獲的圖象把實際物體(即患者組織)壓扁為二維。在成象分析中，此差別的實際結(jié)果是在CT掃描時被放射科醫(yī)師漏過的外圍癌癥的平均尺寸發(fā)現(xiàn)為0.3cm，而X光照片為1.3cm[8]。
盡管在CT掃描中能有效地排除重疊組織結(jié)構(gòu)的潛在偽裝效果，但在CT圖象中，小肺腫瘤的識別仍然被血管的突出物混淆。Croisille等[9]證明，當通過三維區(qū)域生長從圖象中除去血管時，放射科醫(yī)師檢測腫瘤得到顯著改進。辨別腫瘤和血管一般需要在多個CT剖面中進行視覺比較，每個CT剖面中都包含必須由放射科醫(yī)師評估并且被吸收進掃描時所需的更大量容積數(shù)據(jù)中的信息。此處理導(dǎo)致疲勞和精神煩亂，尤其是當存在其它異常時[10]。肺腫瘤CT掃描的評估要求放射科醫(yī)師基于檢測時所需的超過50張圖象在心里構(gòu)造患者組織的三維表示。用計算機化的方法可有效地處理此任務(wù)，而由放射科醫(yī)師來做就太繁重了。
盡管在CT掃描中必須被解釋以檢測腫瘤的圖象的數(shù)量很多，但很少有調(diào)查人員參加到用于此項任務(wù)的計算機輔助診斷(CAD)技術(shù)開發(fā)中[11-15]。Ryan等[12]把腫瘤和血管分別模擬成球形和圓柱形容積。在所述表面上和在限定的立方體容積內(nèi)比較軟組織和空氣密度，用于區(qū)分腫瘤和血管。他們的方法在未指明數(shù)量的病例中獲得100％的靈敏度，但并未報道在每個病例中假陽性的數(shù)量。
kanazawa等[13]利用模糊群集算法識別血管和潛在的腫瘤?；谝?guī)則的方法結(jié)合肺邊界和圓度信息之間的距離，此方法用于在每個剖面中從血管區(qū)別腫瘤。所報道的結(jié)果似乎指出他們的算法對224例的數(shù)據(jù)庫獲得86％的靈敏度，同時有11個假陽性病例。
Okumura等[14]利用空間過濾以自動地檢測腫瘤。在82例的數(shù)據(jù)庫中，總共檢測出21個腫瘤，并有301個假陽性的區(qū)域。
Giger等[11]基于8個CT掃描的數(shù)據(jù)庫開發(fā)自動的檢測方案。為了在肺區(qū)域中從血管辨別腫瘤，結(jié)合多個灰度級閾值處理進行幾何特征分析?；诿總€剖面中可疑區(qū)域和相鄰剖面可疑區(qū)域的比較進行最后的分選。所述方法的靈敏度水平是94％并且在每個病例中平均有1.25個假陽性檢測。
最近，Armato等[15、16]把以上方法應(yīng)用到17個螺旋CT掃描的數(shù)據(jù)庫中，并把此方法延伸到包括模擬神經(jīng)網(wǎng)絡(luò)(ANN)[17]以辨別腫瘤和血管。接收器操作特性(ROC)分析[18]用于評估ANN的能力，以便在從分割肺區(qū)域內(nèi)選擇的候選物中辨別腫瘤和非腫瘤。ROC曲線以下的區(qū)域獲得在0.90到0.99之間的平均值。
Armato等[19、20]所報道的三維方法用于17例數(shù)據(jù)庫。用于把已識別的腫瘤候選物分成腫瘤或非腫瘤的線性判別式分析，產(chǎn)生70％靈敏度的總體腫瘤檢測能力并在每個剖面中平均有三個假陽性檢測。發(fā)現(xiàn)三維特征基本上有利于線性判別式分析分選器的判別能力。
Fiebich等[21]近來開發(fā)一種用肺癌篩選程序在低劑量螺旋CT掃描中檢測肺腫瘤的計算機化方法。此方法獲得95.6％的總體腫瘤檢測靈敏度，且在每個研究中有大約15個假陽性檢測。其它調(diào)查人員近來已應(yīng)用于在CT圖象中進行計算機化肺腫瘤檢測這一重要任務(wù)。
許多研究機構(gòu)使用螺旋CT規(guī)程，其中螺旋CT規(guī)程連續(xù)地需要圖象數(shù)據(jù)作為患者表格，此表格通過掃描機翻譯[25]。基于常規(guī)CT“階段-攝影”要求，螺旋CT提供幾個優(yōu)點，包括減少掃描時間；提高患者處理量；降低移動的人為現(xiàn)象；具有一次屏息掃描的能力；以及具有追溯選擇圖象重顯平面的能力[26]。這最后兩個優(yōu)點對于肺腫瘤檢測特別重要。在一次屏息過程中執(zhí)行的掃描消除在剖面之間因呼吸差異而發(fā)生的重合失調(diào)，追溯選擇重顯平面的能力使得圖象最佳地捕獲感興趣區(qū)域。結(jié)果，在常規(guī)CT檢查中產(chǎn)生假陰性的主要原因可用螺旋CT消除[27]。放射科醫(yī)師使用螺旋CT檢測腫瘤的靈敏度明顯優(yōu)于常規(guī)CT的，并使研究人員認為螺旋CT是用于肺腫瘤檢測的優(yōu)選的應(yīng)用放射學手段。
螺旋CT的優(yōu)點可使它作為肺癌篩選的手段[28]。而且，掃描要求更低的X光照射量以降低篩選個體的劑量[29、30]。目前在美國[31]、德國、以及日本[14]正進行使低劑量螺旋CT篩選肺癌有效的嘗試。
然而，由于以上方法的缺點，因此，在胸部CT掃描中希望有一種檢測肺腫瘤的改進方法。

發(fā)明內(nèi)容
相應(yīng)地，本發(fā)明的目的是提供一種用于在胸部CT掃描中檢測肺腫瘤的改進的方法、系統(tǒng)和計算機可讀介質(zhì)。
本發(fā)明的另一目的是提供一種對從胸部CT掃描中得到的容積圖象數(shù)據(jù)進行肺腫瘤自動分割的改進的方法、系統(tǒng)和計算機可讀介質(zhì)。
本發(fā)明的另一目的是提供一種對從腫瘤候選物得到的特征進行自動分析的改進的方法、系統(tǒng)和計算機可讀介質(zhì)，其中，所述腫瘤候選物在胸部CT掃描中識別。
這些和其它的目的根據(jù)本發(fā)明通過提供一種新型的方法、系統(tǒng)和計算機可讀介質(zhì)而實現(xiàn)，所述方法、系統(tǒng)和計算機可讀介質(zhì)用于在計算X光斷層攝影(CT)圖象掃描中自動檢測肺腫瘤，包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物中獲得特征；以及通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物，從而檢測肺腫瘤。
在本發(fā)明的另一方面中，提供一種從計算X光斷層攝影(CT)圖象掃描中對肺區(qū)域自動分割的新型的方法、系統(tǒng)和計算機可讀介質(zhì)，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；以及，通過組合所述二維分割肺圖象產(chǎn)生三維分割肺容積圖象。產(chǎn)生所述肺圖象的步驟包括以下步驟對所述多個二維CT圖象剖面進行分割，包括對所述CT圖象剖面應(yīng)用灰度級閥值以確定其中的胸部區(qū)域周線，從而產(chǎn)生二維分割胸部圖象；以及，對所述分割胸部圖象進行分割，包括對所述分割胸部圖象應(yīng)用灰度級閥值以確定其中的所述肺區(qū)域周線，從而產(chǎn)生所述二維分割肺圖象。
在本發(fā)明的另一方面中，提供一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動分割的新型的方法、系統(tǒng)和計算機可讀介質(zhì)，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；以及，從所述三維分割肺容積圖象識別三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)確定滿足容積標準的結(jié)構(gòu)。產(chǎn)生所述分割肺容積圖象的步驟包括以下步驟在多個灰度級閥值下產(chǎn)生所述分割肺圖象；以及在對應(yīng)所述灰度級閥值的多個灰度級下，組合所述分割肺圖象以產(chǎn)生分割肺容積圖象。
在本發(fā)明的另一方面中，提供一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動檢測的新型的方法、系統(tǒng)和計算機可讀介質(zhì)，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物獲得特征；以及，通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物而檢測肺腫瘤。從所述肺腫瘤候選物獲得所述特征的步驟包括對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維徑向梯度指數(shù)分析，以識別假陽性腫瘤候選物；以及，檢測所述肺腫瘤的所述步驟包括分析所述徑向梯度指數(shù)，從所述腫瘤候選物排除所述假陽性腫瘤候選物。
在本發(fā)明的另一方面中，提供一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動檢測的方法、系統(tǒng)和計算機可讀介質(zhì)，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物獲得特征；以及，通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物而檢測肺腫瘤。從所述肺腫瘤候選物獲得所述特征的步驟包括對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維相似性指數(shù)分析，以根據(jù)相鄰腫瘤候選物的尺寸分布來計算腫瘤候選物的尺寸；以及，檢測所述肺腫瘤的步驟包括分析所述相似性指數(shù)，從所述腫瘤候選物排除所述假陽性腫瘤候選物。
在本發(fā)明的另一方面中，提供一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤特征自動分析的方法、系統(tǒng)和計算機可讀介質(zhì)，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；以及，從所述肺腫瘤候選物獲得特征。從所述肺腫瘤候選物獲得所述特征的步驟包括從所述腫瘤候選物確定特征，所述特征包括以下特征中的至少一個結(jié)構(gòu)容積、球度、等效球體的半徑、最大緊密度、最大圓度、最大偏心度、結(jié)構(gòu)內(nèi)的平均灰度級、灰度級的標準偏差、以及結(jié)構(gòu)容積第一次減少到容積上限以下時的灰度級閥值。
本發(fā)明進一步包括用于儲存程序指令的計算機可讀介質(zhì)以及一種用于執(zhí)行本發(fā)明方法的系統(tǒng)，其中，當儲存的程序指令適當?shù)匮b入計算機中時，本發(fā)明的方法通過所述程序指令執(zhí)行。
根據(jù)本發(fā)明檢測肺部腫瘤的自動化方案對于其中大部分病例不含腫瘤的篩選程序非常有利。結(jié)果，根據(jù)本發(fā)明，計算機化的檢測方案有利地用作“第二閱讀器”，希望能幫助放射科醫(yī)師集中注意力在具有肺癌可疑區(qū)域的病例上。此方案還可有利地用于引導(dǎo)放射科醫(yī)師到可疑的損害上，此損害值得在初步低劑量掃描檢測之后立即進行高分辨率掃描。因而，根據(jù)本發(fā)明的自動檢測方案可變?yōu)閷矸伟┖Y選規(guī)程的組成部分。
本發(fā)明在后述方面具有重大意義(1)CT掃描不斷用于患者的診斷評估，以及(2)作為一種早期肺癌檢測的可行手段，用低劑量螺旋CT篩選肺癌逐漸得到認可。然而，在單次CT檢查中得到的大量圖象數(shù)據(jù)對于必須解釋此數(shù)據(jù)的放射科醫(yī)師而言會迅速導(dǎo)致“信息過載”。近年來多片CT探測的開發(fā)將進一步加劇圖象信息問題。因此，根據(jù)本發(fā)明的自動檢測肺癌的方法相信對于放射科醫(yī)師是有價值的幫助，從而有利于肺癌早期診斷。


當結(jié)合附圖進行以下詳細描述時，將容易獲得對本發(fā)明更完全的評價和許多附帶的優(yōu)點，這也將更加容易理解，在附圖中圖1(a)-1(h)示出在胸部CT掃描中根據(jù)本發(fā)明自動檢測肺腫瘤的方法的流程圖，此流程圖包括(a)二維分析以及(b)三維分析；圖2(a)和2(b)為根據(jù)本發(fā)明的圖象，所述圖象示出(a)初始剖面圖象和(b)從初始剖面圖象自動分離的相應(yīng)分割肺區(qū)域；圖3示出根據(jù)本發(fā)明的從肺所有剖面的分割肺區(qū)域集合中得到的分割肺容積的圖象；圖4(a)和4(b)示出根據(jù)本發(fā)明從圖2(b)圖象中得到的分割肺區(qū)域，(a)為在90灰度級閾值下得到的圖象而(b)為在150灰度級閾值下得到的圖象，其中，閥值越高，保持為“on”的象素越少；圖5(a)和5(b)為示出根據(jù)本發(fā)明的完全分割的肺容積的最大強度投影圖象，其中，(a)的灰度級閥值為90而(b)為150；圖6為示出本發(fā)明18點連接性方案的圖形，此方案在三維空間中連接相鄰的“on”象素組，其中，感興趣的“on”象素(灰色)與其18個相鄰點(由箭頭指示)中同為“on”的點分成一組，并且在所有閾值肺容積中對所有“on”象素進行18點連接性方案；圖7(a)和7(b)為根據(jù)本發(fā)明的示出后述內(nèi)容的圖象(a)通過18點連接性方案應(yīng)用到在低灰度級閥值下產(chǎn)生的分割肺容積上而識別的單個三維結(jié)構(gòu)的容積透視圖，其中，此結(jié)構(gòu)的大容積不能滿足容積標準，(b)在更高灰度級閥值下產(chǎn)生的分割肺容積內(nèi)，相同結(jié)構(gòu)分解成多個更小的結(jié)構(gòu)，其中許多結(jié)構(gòu)滿足容積標準并包括在腫瘤候選物集合中；圖8(a)、8(b)、8(c)和8(d)根據(jù)本發(fā)明示出不同形狀的結(jié)構(gòu)如何影響徑向梯度并描繪與各向異性圖象數(shù)據(jù)一起使用的適當模型，其中，例如為腫瘤(a)的二維圓形結(jié)構(gòu)比例如為血管(b)的線性結(jié)構(gòu)得到更大的徑向梯度指數(shù)，并且對于三維徑向梯度指數(shù)，當voxel在空間上是各向同性(c)時，腫瘤可模擬成球體，而且由于從各向異性voxel得到真實的CT圖象數(shù)據(jù)，因此腫瘤一般必須模擬成圓柱體結(jié)構(gòu)(d)；圖9為示出根據(jù)本發(fā)明的用于計算相似性指數(shù)的區(qū)域的圖形，所述區(qū)域在肺分割區(qū)域內(nèi)定義，其中，肺分割周線(最外面的周線)具有三個在其中被識別的空間區(qū)域，并且在單個區(qū)域內(nèi)的結(jié)構(gòu)特征的相對值用于區(qū)別腫瘤和正常組織；圖10示出根據(jù)本發(fā)明的用于識別初始腫瘤候選物的在二維或三維中綜合徑向梯度指數(shù)和相似性指數(shù)的流程圖；圖11示出根據(jù)本發(fā)明的三維圓球度特征的圖象，所述特征定義為結(jié)構(gòu)容積的分數(shù)，所述結(jié)構(gòu)包含在其中心為結(jié)構(gòu)質(zhì)心的等效容積球內(nèi)；圖12(a)和12(b)示出根據(jù)本發(fā)明的、與真實腫瘤對應(yīng)的腫瘤候選物和與正常組織對應(yīng)的腫瘤候選物的圓球度特征值(a)和象素值標準偏差特征值(b)的分布圖；圖13示出用于證明本發(fā)明自動化方法的總體腫瘤檢測能力(即，作為每個剖面中假陽性檢測數(shù)量的函數(shù)的檢測靈敏度)的FROC曲線，其中所述曲線分別表示整個46例數(shù)據(jù)庫(300個腫瘤)和具有1或2個腫瘤的病例子集(即20例)；圖14為示出本發(fā)明方法的系統(tǒng)的方框圖，所述方法用于在胸部CT掃描中自動檢測肺腫瘤；以及圖15為可根據(jù)本發(fā)明論述編程的通用計算機的示意圖。
具體實施例方式
現(xiàn)在參照附圖，其中，在幾個視圖中相同的參考號指相同或相應(yīng)的部分，更具體地，對于其中的圖1(a)和1(b)，示出根據(jù)本發(fā)明在胸部CT掃描中用于檢測肺腫瘤的自動化方法的最高層方框圖，這將進一步討論。
本發(fā)明的總體方案現(xiàn)在結(jié)合圖1(a)和1(b)進行一般描述，并且后面結(jié)合圖1(a)-(h)、2(a)-(b)、3、4(a)-(b)、5(a)-(b)、6、7(a)-(b)、8(a)-(d)、9-11、12(a)-(b)以及13-15詳細描述。
在圖1(a)和圖1(b)中，根據(jù)本發(fā)明的方法包括CT圖象數(shù)據(jù)的初步采集(未示出)。在步驟102中，對于每個剖面圖象，應(yīng)用灰度級閥值以產(chǎn)生二進制圖象。使用周線檢測算法在二進制圖象中識別最大“on”區(qū)域的外邊緣，在此周線之內(nèi)的所有圖象象素的集合認為是分割胸部區(qū)域。
在步驟104中，在所有剖面中分割出氣管和主支氣管，在所有剖面中，氣管和主支氣管避免繼續(xù)出現(xiàn)在分割肺區(qū)域內(nèi)。從分割胸部區(qū)域內(nèi)的剩余象素構(gòu)建灰度級柱狀圖，識別第二灰度級閥值，應(yīng)用第二灰度級閥值到分割的胸部以產(chǎn)生二進制圖象。當存在1時，肺在前面的連接線處自動地分離。周線檢測算法用于在二進制圖象中識別最大“on”區(qū)域的外邊緣，在這些周線(不包括識別為橫隔膜的象素)之內(nèi)的所有圖象象素的集合認為是分割肺區(qū)域。用滾動球技術(shù)修改分割肺區(qū)域，以包含因最初灰度級閾值處理而錯誤排斥的象素。滾動球技術(shù)防止錯誤包含屬于橫隔膜的象素。具體CT掃描的所有剖面的分割胸部區(qū)域被認為形成完整的分割肺容積，這形成后續(xù)分析的基礎(chǔ)。
在步驟106中，多灰度級閾值處理技術(shù)應(yīng)用到分割肺容積，產(chǎn)生一系列閾值肺容積。在步驟108中，18點連接性方案用于在所有的閾值肺容積內(nèi)識別單個三維結(jié)構(gòu)。在步驟110中，容積標準用于把結(jié)構(gòu)確認為腫瘤候選物。對所有腫瘤候選物計算特征矢量。然后，在步驟112和114中，特征矢量用作自動分選器的輸入(例如線性判別式分析分選器[19、20、35]，ANN分選器[17、18]等)，以便從與正常組織對應(yīng)的腫瘤候選物檢測與實際腫瘤對應(yīng)的腫瘤候選物。
46個螺旋胸部CT病例的數(shù)據(jù)庫(總共有300個肺腫瘤的1290個單個剖面圖象)用于開發(fā)根據(jù)本發(fā)明的方法并評估其性能?，F(xiàn)在結(jié)合圖1(a)-(h)、2(a)-(b)、3、4(a)-(b)、5(a)-(b)、6、7(a)-(b)、8(a)-(d)、9-11、12(a)-(b)以及13-15，詳細描述根據(jù)本發(fā)明的用于檢測胸部CT掃描中肺腫瘤的自動化系統(tǒng)、方法和計算機可讀介質(zhì)。
在圖1(a)-(h)的流程圖中，在得到CT剖面圖象數(shù)據(jù)(未示出)之后，在步驟102中，通過從后述象素的值第一次構(gòu)建累加的灰度級輪廓(步驟102a)而分割胸部，所述象素位于從剖面圖象的角落延伸到圖象中心的對角線上。分析此輪廓的形狀(步驟102b)以識別一個灰度級作為閥值[11]。通過閾值處理剖面圖象而產(chǎn)生二進制圖象(步驟102c)，從而，如果剖面圖象中象素的值大于灰度級閥值，相應(yīng)象素在二進制圖象中就變?yōu)椤皁n”；二進制圖象中所有其它的象素仍保持為“off”。八點周線檢測(步驟102d)方案[32]用于構(gòu)建環(huán)繞二進制圖象(即胸部)最大“on”區(qū)域的最外邊界的周線。位于此周線內(nèi)的剖面圖象中的象素集合定義分割胸部區(qū)域，并用于產(chǎn)生胸部分割圖象(步驟102e)，從而，在分割胸部區(qū)域內(nèi)的象素保留其初始值，同時，不包含在分割胸部區(qū)域內(nèi)的象素分配0值。識別并排除代表檢查表的各部分的象素，所述檢查表包括在分割胸部區(qū)域內(nèi)。而且，氣管和主支氣管基于區(qū)域生長技術(shù)[32]進行分割(步驟102f)，并且從分割胸部區(qū)域排除(如2000年1月18日提交的美國臨時專利申請委托號0730-0069-20 PROV所述)。
在步驟104中，通過從位于分割胸部區(qū)域內(nèi)的象素構(gòu)建灰度級柱狀圖(步驟104a)，為具體的剖面開始最初的肺分割[11、16]。在此典型的雙峰柱狀圖中，象素的分布用于識別單個灰度級(步驟104b)，作為在柱狀圖中寬闊的最小值之內(nèi)的閥值[11]。通過閾值處理胸部分割圖象產(chǎn)生二進制圖象(步驟104c)，從而，如果胸部分割圖象中象素的值小于灰度級閥值，二進制圖象中的相應(yīng)象素就變?yōu)椤皁n”；二進制圖象中所有其它的象素仍保持為“off”。如橫跨所得到的二進制圖象兩側(cè)的單個“on”區(qū)域存在，就表明灰度級閾值已“合并”兩個肺并且在剖面圖象中存在先前的連接線。此先前連接線基于二進制圖象中的“劈裂點”位置和局部最大灰度級信息而自動地描繪。沿著先前連接線的象素變“off”，確保兩個清晰肺區(qū)域的分割。
八點周線檢測(步驟104d)方案[32]用于構(gòu)建環(huán)繞二進制圖象中兩個最大“on”區(qū)域(即肺)的最外邊界的周線。位于這些周線內(nèi)的剖面圖象中的象素集合定義分割肺區(qū)域并且用于產(chǎn)生肺分割圖象，從而，在分割肺區(qū)域內(nèi)的象素保持它們的初始值，同時，不包含在分割肺區(qū)域內(nèi)的象素分配0值。應(yīng)用滾動球算法[15、20](步驟104e)以糾正錯誤排斥稠密結(jié)構(gòu)，所述稠密結(jié)構(gòu)例如為近胸膜腫瘤和門血管。為了防止屬于橫隔膜的象素作用于分割肺區(qū)域，在從灰度級閾值產(chǎn)生的初始二進制圖象上并結(jié)合滾動球技術(shù)(如2000年1月18日提交的美國臨時專利申請委托號0730-0069-20 PROV所述)進行橫隔膜分析(步驟104f)。
圖2(a)和2(b)為示出初始剖面圖象(a)和相應(yīng)的分割肺區(qū)域(b)的圖象，其中分割肺區(qū)域是從初始剖面圖象自動選取的，如上所述。具體CT掃描所有剖面的分割肺區(qū)域被認為形成如圖3所示的完整的分割肺容積；后續(xù)的分析限制在此容積。
在步驟106中，在形成分割肺容積之前，使用多灰度級閾值修改分割肺區(qū)域，以排除趨向于沿分割肺區(qū)域周圍存在的明亮帶；這些帶的存在使18點連接性方案混淆，在后面，此方案應(yīng)用于閾值肺容積。沿著與分割肺區(qū)域的外圍垂直的直線，基于灰度級輪廓識別帶。沿著每個帶設(shè)置匹配的過濾器，并且，沿著每個帶所獲得的方向性梯度信息用于確保在從分割肺區(qū)域除去所述帶時不排除近胸膜腫瘤。
在范圍為值50-225的36個等間隔灰度級閥值的每一個上(步驟106a)，基于分割肺容積產(chǎn)生閾值肺容積(步驟106b)[20]。如果在每個CT剖面的肺區(qū)域中的象素的灰度級小于當前的灰度級閥值，那么此象素就為“off”；其灰度級大于此閥值的象素的值保持不變。
圖2(b)中分割肺區(qū)域在以灰度級90和150閾值處理后的圖象分別在圖4(a)和4(b)中示出。從這些附圖顯而易見，閥值越高，保持為“on”的象素就越少，如圖4(b)所示。分別在圖5(a)和5(b)中示出由灰度級閥值90和150閾值處理的、示出全部分割肺容積的最大強度投影圖象。從圖4和5顯而易見，隨著灰度級閥值增加，在任何一個剖面的肺區(qū)域中所剩余的象素數(shù)量減少，并且在對應(yīng)的閾值肺容積中所剩余的象素數(shù)量減少。
在步驟108中，在每個閥值水平時，所有保持為“ON”的象素通過三維18點連接性方案分成一組(步驟108a)。在此方案中，如圖6所示，在閾值肺容積內(nèi)的“on”象素(即“感興趣象素”)602與在18-象素鄰域之內(nèi)存在的所有“on”象素一起分組，18象素鄰域包括(1)在當前剖面606中與感興趣象素602接界的8個象素604；(2)就在當前剖面606之上的剖面610之中與感興趣象素602空間對應(yīng)的象素608、以及其4個最近的鄰居612；以及(3)就在當前剖面606之下的剖面616之中與感興趣象素602空間對應(yīng)的象素614、以及4個最近的鄰居618。在本文中“分組”意味著確定象素屬于相同的三維結(jié)構(gòu)。上述方法應(yīng)用于每個閾值肺容積中的所有“on”象素。以此方式識別在所有36個閾值容積中的單個結(jié)構(gòu)。
在步驟110中，每一單個結(jié)構(gòu)的幾何容積通過包含在所述結(jié)構(gòu)內(nèi)的象素數(shù)量乘以已知的voxel(即，在三維空間中定義容積元素的圖形信息單位)尺寸而計算(步驟110a)。例如，其容積小于直徑為3cm的球體(即容積14.1cm3)的結(jié)構(gòu)包括在腫瘤候選物集合中(步驟110b)。此容積上限的依據(jù)是病理學中一般可接受的最大尺寸，此容積在X光照相中稱作“腫瘤”[33]。
圖7(a)示出通過18點連接性方案識別的單個三維結(jié)構(gòu)的容積透視圖，所述方案應(yīng)用到在低灰度級閥值(如90)下所產(chǎn)生的分割肺容積，其中，此結(jié)構(gòu)的大容積不滿足容積標準。在圖7(b)中，對于在更高灰度級閥值(如150)下所產(chǎn)生的分割肺容積，相同結(jié)構(gòu)分裂成多個更小的結(jié)構(gòu)，其中許多小結(jié)構(gòu)滿足容積標準并且包括在腫瘤候選物集合中。從圖7顯而易見，在低灰度級閥值時，在相應(yīng)閾值肺容積之內(nèi)通過18點連接性識別的結(jié)構(gòu)傾向于較大，然而，在更高的灰度級閥值時，相同結(jié)構(gòu)分裂成多個在相應(yīng)分割肺容積之內(nèi)的更小的結(jié)構(gòu)，這些更小結(jié)構(gòu)中的許多都適合作為腫瘤候選物。
在單個結(jié)構(gòu)最初滿足容積標準之后，區(qū)域腐蝕技術(shù)應(yīng)用到所述結(jié)構(gòu)上(步驟110c)。區(qū)域腐蝕判定某一結(jié)構(gòu)是否由兩個或多個更小的結(jié)構(gòu)組成。一旦結(jié)構(gòu)容積減小到低于上限，后續(xù)的灰度級閥值只應(yīng)用到此結(jié)構(gòu)的象素上。當閥值增加一個灰度級時，計算受腐蝕結(jié)構(gòu)的容積。如果所述“結(jié)構(gòu)”實際上包括單個結(jié)構(gòu)，那么隨著灰度級閥值增加，所述容積平穩(wěn)地減少。然而，如果容積的減小不平穩(wěn)，(1)初始“結(jié)構(gòu)”連接到不屬于主結(jié)構(gòu)的象素并且區(qū)域腐蝕技術(shù)已對初始結(jié)構(gòu)產(chǎn)生更準確的分割，或者(2)初始“結(jié)構(gòu)”實際上包括兩個結(jié)構(gòu)，那么，所述兩個結(jié)構(gòu)都被指定為腫瘤候選物。在任一情況下，區(qū)域腐蝕提供更準確的腫瘤候選物集合。
Hough變換已從二維擴展到三維中，以識別和排除細長的橢圓體腫瘤候選物(步驟110d)，所述腫瘤候選物與相應(yīng)的正常組織有很高的相似性(如在[32]和美國臨時專利申請60/160790中所述)。把實際腫瘤從非腫瘤中分離出的另外一種技術(shù)是用徑向梯度指數(shù)[34]對圖象數(shù)據(jù)進行預(yù)處理。此種預(yù)處以2D或3D執(zhí)行(步驟110d)。若用2D，在2D剖面的每個點上，獲得用于各種灰度增量的周線。也就是說，剖面中的每個象素位置被看作是潛在腫瘤的中心。圍繞每個周線計算徑向梯度指數(shù)。徑向梯度RGI由下式給出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y||]]>這里， (x，y)是f(x，y)在位置(x，y)上沿著由所述周線確定的邊緣的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在位置(x，y)上正規(guī)化的徑向矢量。注意，在產(chǎn)生周線之前，對于CT數(shù)據(jù)一般不需要約束函數(shù)。具有最大徑向梯度指數(shù)的周線對應(yīng)于分割損害候選物。徑向梯度指數(shù)小于給定截止點(如0.75)的那些候選物被排除。在三維中，周線用表面取代(即，在特定的灰度級增量下，形成表面并且計算徑向梯度指數(shù))。接著，從進一步的分析中，排除其3D徑向梯度指數(shù)小于某些截止值(如0.50)的那些候選物。注意，3D徑向梯度分析可變更為補償剖面厚度，這提供CT數(shù)據(jù)的各向異性。在此情況下，人們可以在徑向梯度計算中建立圓柱體模型以替代球體，如圖8所示。
圖8(a)、8(b)、8(c)和8(d)示出不同形狀的結(jié)構(gòu)如何影響徑向梯度并且描繪與各向異性圖象數(shù)據(jù)一起使用的適當模型。在圖8(a)中以二維尺寸繪出的圓形結(jié)構(gòu)如腫瘤，會比線性結(jié)構(gòu)如圖8(b)中繪出的血管產(chǎn)生更大的徑向梯度指數(shù)。為了計算三維徑向梯度指數(shù)，當voxel在空間上是各向同性時，腫瘤可模擬成球體，如圖8(c)所示。然而，由于實際的CT圖象數(shù)據(jù)從各向異性voxel得到，因此，腫瘤一般必須模擬成圓柱體結(jié)構(gòu)，如圖8(d)所示。
例如，根據(jù)相鄰候選物的尺寸分布，使用相似性指數(shù)來計算腫瘤候選物的尺寸。應(yīng)指出，在到核心的給定距離上，腫瘤的特征會明顯不同于相鄰血管的相應(yīng)特征。這些技術(shù)用來增強靈敏度并在后述特征-矢量計算之前減少腫瘤候選物的數(shù)量。
圖9示出在肺分割區(qū)域內(nèi)定義的用于相似性指數(shù)計算的區(qū)域。肺分割周線902(即最外面的周線)具有在其中識別的三個空間區(qū)域或鄰域904、906和908。在單個區(qū)域904、906和908內(nèi)的結(jié)構(gòu)特征的相對值(如，相對有效直徑、相對有效面積、相對有效圓度、相對有效緊密度等)用于辨別腫瘤和正常組織。這些鄰域904、906和908可以重疊。另外，相似性指數(shù)還可結(jié)合腫瘤候選物與核心之間距離的知識。
圖10中描繪出綜合以上技術(shù)的流程圖。在圖10中，綜合運用在二維或三維中識別初始腫瘤候選物的徑向梯度指數(shù)和相似性指數(shù)。在步驟1002中，計算徑向梯度指數(shù)和相似性指數(shù)。在步驟1004中，采用適當?shù)拈y值。在步驟1006中，在給定圖象區(qū)域內(nèi)計算特征值。在步驟1008中，在所述圖象區(qū)域內(nèi)識別初始腫瘤候選物。對每個腫瘤候選物一般計算9個特征(步驟110f)。這些特征例如包括6個幾何特征(如結(jié)構(gòu)容積、球度、等效球體的半徑、最大緊密度、最大圓度和最大偏心度)以及3個灰度級特征(如結(jié)構(gòu)內(nèi)的平均灰度級、灰度級的標準偏差、以及結(jié)構(gòu)容積第一次減少到容積上限以下時的灰度級閥值)。最大緊密度、最大圓度和最大偏心度是各個二維特征的最大值，所述二維特征是為所有存在特殊結(jié)構(gòu)的剖面而計算的。圖11示出三維球度特征(即定義成結(jié)構(gòu)容積的分數(shù)，所述結(jié)構(gòu)包含在中心為結(jié)構(gòu)質(zhì)心的等效容積球之內(nèi))。
圖12中圖形示出以上兩個特征的分布。圖12(a)為示出球度特征值的分布圖，所述球度特征值分別表示與實際腫瘤相應(yīng)的腫瘤候選物和與正常組織相應(yīng)的腫瘤候選物。圖12(b)為示出象素值標準偏差特征值的分布圖，所述象素值標準偏差特征值分別表示與實際腫瘤相應(yīng)的腫瘤候選物和與正常組織相應(yīng)的腫瘤候選物。基于這些特征的分布，利用基于規(guī)則的度量(如[13]和專利5463548、5622171、5732697和5873824、以及專利申請08/562087、08/900361和09/027685中所述)(步驟110g)來排除大部分與正常組織相應(yīng)的腫瘤候選物(即假陽性檢測)。在步驟112中，例如通過自動線性分選器[19、20、35]、ANN分選器(如在[17、18]和專利5463548、5622171、5732697和5873824、以及專利申請08/562087、08/900361和09/027685中所述)等，分析以上剩余腫瘤候選物的特征值(步驟112a)，減少在步驟114中一定要檢測的腫瘤候選物的數(shù)量。
圖13描述在綜合前述方法對46例數(shù)據(jù)庫進行檢測時總體腫瘤檢測能力的自由響應(yīng)接收器工作特性曲線(FROC)[36]。46例數(shù)據(jù)庫中的病例包含1-54個腫瘤。然而，將從自動腫瘤檢測中潛在獲益最多的患者是那些早期肺癌患者，而有大量腫瘤的患者最有可能有轉(zhuǎn)移性疾病。因此，圖13描述在對所述病例子集(即20個病例)檢測時總體腫瘤檢測能力的FROC曲線，所述病例子集包含最多兩個腫瘤，注意，對這20個病例的檢測能力代表對潛在臨床意義的更準確評估。如圖13所示，對這最多包含兩個腫瘤的20個病例，獲得89％的總體腫瘤檢測靈敏度且對每個剖面平均有1.2個假陽性檢測；同時，對全部46例數(shù)據(jù)庫獲得69％的總體腫瘤檢測靈敏度且對每個剖面平均有1.6個假陽性檢測。
本發(fā)明提供一種在螺旋胸部CT掃描中用于自動檢測肺腫瘤的改進方法。本方法使用灰度級閾值處理技術(shù)，對圖象數(shù)據(jù)之內(nèi)的肺容積進行分割。然后，結(jié)合容積標準應(yīng)用多個灰度級閥值，識別三維腫瘤候選物集合。例如使用線性判別式分析作為自動分選器，減少對應(yīng)于非腫瘤結(jié)構(gòu)的候選物的數(shù)量。此方法證明，它在CT掃描中準確檢測肺腫瘤的能力是有希望的。
圖14是用于執(zhí)行本發(fā)明上述處理的系統(tǒng)的方框圖。對于此系統(tǒng)，從圖象采集設(shè)備1402獲得目標的CT掃描，以備系統(tǒng)處理。每個圖象存入內(nèi)存或數(shù)據(jù)庫1404。具體CT掃描的每個剖面圖象的圖象數(shù)據(jù)首先通過胸部分割設(shè)備1406，然后通過肺分割設(shè)備1408。對于具體CT掃描的每個剖面圖象，肺分割設(shè)備1408的輸出合并到肺-容積-分割設(shè)備1410。分割肺容積數(shù)據(jù)重復(fù)通過灰度級-閾值處理設(shè)備1412，產(chǎn)生一系列閾值的肺容積，每個容積接著通過18點連接性設(shè)備1414和容積標準設(shè)備1416。此列設(shè)備的輸出是腫瘤候選物集合，然后通過特征計算設(shè)備1418。特征計算設(shè)備1418的輸出送到自動分選器設(shè)備1420(如線性判別式分析分選器[19、20、35]、ANN分選器[17、18]等)，其結(jié)果輸送到檢測設(shè)備1422。在疊加設(shè)備1424中，結(jié)果疊加在圖象上，以文件格式儲存；或者以文本格式給出結(jié)果。然后，所述結(jié)果在通過數(shù)字-模擬轉(zhuǎn)換器(DAC)1426之后在顯示設(shè)備1428上顯示出。
圖15示意性地示出通用計算機1500，它可根據(jù)本發(fā)明的論述編程。在圖15中，計算機1500執(zhí)行本發(fā)明的處理，其中，計算機例如包括實現(xiàn)圖14中顯示設(shè)備1428的顯示設(shè)備1502(如具有觸摸屏界面的觸摸屏監(jiān)視器等)；鍵盤1504；定點設(shè)備1506；鼠標墊或數(shù)字化板1508；實現(xiàn)圖14中內(nèi)存或數(shù)據(jù)庫設(shè)備1404的硬盤1510或其它固定的高密度介質(zhì)設(shè)備，此設(shè)備用適當?shù)脑O(shè)備總線(如SCSI總線、增強IDE總線、超DMA總線、PCI總線等)連接；軟驅(qū)1512；具有磁帶或CD介質(zhì)1516的磁帶或CD ROM設(shè)備1514、或其它可移動的介質(zhì)設(shè)備，如磁光介質(zhì)等；以及主板1518。主板1518例如包括用于實現(xiàn)圖14中設(shè)備1404-1424的處理器1520、RAM1522、和ROM1524(如DRAM、ROM、EPROM、EEPROM、SRAM、SDRAM和閃存等)；可用于耦合圖象采集設(shè)備(如圖14中的圖象采集設(shè)備1402)的I/O端口1526；以及用于執(zhí)行專門的硬件/軟件功能如聲音處理、圖象處理、信號處理、神經(jīng)網(wǎng)絡(luò)處理、自動分選等和用于實現(xiàn)圖14中設(shè)備1426的可選專門邏輯設(shè)備(如ASIC等)或可配置的邏輯設(shè)備(如GAL和可再編程的FPGA)1528；麥克風1530；以及一個或多個揚聲器1532。
如上所述，本系統(tǒng)包括至少一個計算機可讀介質(zhì)。計算機可讀介質(zhì)的實例為CD、硬盤、軟盤、磁帶、磁光盤、PROM(EPROM、EEPROM、閃存)、DRAM、SRAM、SDRAM等。本發(fā)明包括用于控制計算機1500的硬件和使計算機1500與操作人員互動的軟件，所述軟件儲存在任何一個或一組計算機可讀介質(zhì)上。此種軟件可包括，但不局限于，設(shè)備驅(qū)動軟件、操作系統(tǒng)和用戶應(yīng)用軟件如開發(fā)工具。此種計算機可讀介質(zhì)進一步包括用于執(zhí)行本發(fā)明上述任一項處理(例如，參見圖1、6、8、9、10和14)的本發(fā)明計算機程序產(chǎn)品。本發(fā)明的計算機編碼器可以是任何翻譯機構(gòu)或可執(zhí)行代碼機構(gòu)，包括但不局限于文稿編排程序、翻譯程序、動態(tài)鏈接程序庫、Java程序以及完全可執(zhí)行的程序等。
通用計算機1500的編程包括用于數(shù)字化并儲存從圖象采集設(shè)備(如圖14中的圖象采集設(shè)備1402)獲得的圖象的軟件模塊?？商鎿Q地，本發(fā)明還可處理從圖象中獲得的數(shù)字數(shù)據(jù)，所述圖象從其它裝置如圖片檔案庫通訊系統(tǒng)(PACS)獲得。換而言之，被處理的數(shù)字圖象經(jīng)常以數(shù)字形式存在，在實踐本發(fā)明時不需轉(zhuǎn)換成數(shù)字形式。
相應(yīng)地，在本文論述中提出的機構(gòu)和處理可用根據(jù)本說明書內(nèi)容所編程的常規(guī)通用微處理器或計算機來執(zhí)行，這對于相關(guān)領(lǐng)域技術(shù)人員是可以理解的。根據(jù)本文論述，有經(jīng)驗的程序員容易準備適當?shù)能浖幋a，這對于相關(guān)領(lǐng)域技術(shù)人員也是顯而易見的。然而，本領(lǐng)域技術(shù)人員容易明白，本發(fā)明還可通過制備專門的集成電路或通過互連常規(guī)組件電路的適當網(wǎng)絡(luò)來執(zhí)行。
因而，本發(fā)明還包括基于計算機的產(chǎn)品，所述產(chǎn)品可存在存儲介質(zhì)上并可包括用于對通用微處理器或計算機編程的指令，以執(zhí)行根據(jù)本發(fā)明的處理。此存儲介質(zhì)可包括，但不局限于，任何類型的盤如軟盤、光盤、CD-ROM、磁光盤、ROM、RAM、EPROM、EEPROM、閃存、磁卡或光卡；或者任何類型的適用于儲存電子指令的介質(zhì)。
簡單再說明一下，本發(fā)明的圖象處理方面提供一種基于多灰度級閾值、區(qū)域腐蝕和特征引用技術(shù)在胸部CT掃描(例如用標準螺旋規(guī)程或低劑量螺旋規(guī)程獲得的)中檢測肺腫瘤的計算機化和自動的改進方法。對于每個剖面圖象，灰度級閥值用于產(chǎn)生二進制圖象。周線檢測算法在二進制圖象中識別最大“on”區(qū)域的外邊緣，位于此周線之內(nèi)的所有圖象象素的集合定義分割胸部區(qū)域。分割氣管和主支氣管，防止以后包含在分割肺區(qū)域內(nèi)。從分割胸部區(qū)域中的象素構(gòu)建灰度級柱狀圖，以識別第二灰度級閥值，第二灰度級閥值應(yīng)用于分割的胸部以產(chǎn)生二進制圖象。當存在1時，肺在先前的連接線處自動地分離。周線檢測算法在二進制圖象中識別最大“on”區(qū)域的外邊緣，位于這些周線之內(nèi)的所有圖象象素(不包括確定為橫隔膜的象素)的集合定義分割肺區(qū)域。用滾動球技術(shù)修改分割肺區(qū)域，以便包含可能已經(jīng)被灰度級閾值錯誤地排斥在外的象素。滾動球技術(shù)防止錯誤包含屬于橫隔膜的象素。從具體CT掃描的所有剖面得到的分割肺區(qū)域形成分割肺容積，它形成后續(xù)分析的基礎(chǔ)。多灰度級閾值處理技術(shù)應(yīng)用到分割肺容積，產(chǎn)生一系列的閾值肺容積。使用18點連接性方案來在所有閾值肺容積中識別單個三維結(jié)構(gòu)。容積標準用于確定結(jié)構(gòu)是否適合作為腫瘤候選物。對所有腫瘤候選物計算特征矢量。這些特征矢量用作自動分選器的輸入，以區(qū)別與實際腫瘤相應(yīng)的腫瘤候選物和與正常組織相應(yīng)的腫瘤候選物。
本發(fā)明的新開發(fā)和實施包括以下技術(shù)從正常的肺部組織孤立肺腫瘤的區(qū)域腐蝕；利用相似性指數(shù)初步識別肺腫瘤；用三維過濾器卷積圖象數(shù)據(jù)，以提高檢測能力。相應(yīng)地，本發(fā)明技術(shù)具有幫助放射科醫(yī)師在胸部螺旋計算X光斷層攝影(CT)掃描中自動檢測損害的潛力。
盡管本發(fā)明按照引用的特征，如結(jié)構(gòu)容積、球度、等效球體的半徑、最大緊密度、最大圓度和最大偏心度、結(jié)構(gòu)內(nèi)的平均灰度級、灰度級的標準偏差、以及結(jié)構(gòu)容積第一次減少到容積上限以下時的灰度級閥值等等，進行描述，以減少假陽性，但是，其它特征，如有效直徑、圓度和不規(guī)則度、有效直徑、圓度和不規(guī)則度的斜率、平均梯度、梯度方向的標準偏差、對比度和凈對比度(如專利申請08/562087中所述)，也可引用，這對相關(guān)領(lǐng)域技術(shù)人員是可理解的。
顯然，根據(jù)以上論述，對本發(fā)明可作許多變更和變化。因此可以理解，只要在后附權(quán)利要求的范圍之內(nèi)，本發(fā)明可在本文專門所述以外的其它方面進行實踐。
參考文獻列表[1].Landis SH、Murray T、Bolden S、Wingo PA，“癌癥統(tǒng)計，1999”，CA臨床醫(yī)生癌癥雜志498-31，1999。
.Heelan RT、Flehinger BJ、Melamed MR等，“非小細胞肺癌紐約篩選程序的結(jié)果”，放射醫(yī)學151289-293，1984。
.Sone S、Takashima S、LiF等，“用移動螺旋計算X光斷層攝影掃描儀對肺癌進行質(zhì)量篩選”，柳葉刀3511242 1245，1998。
.Naidich DP、Zerhouni EA、Siegelman SS，“胸部計算X光斷層攝影”，紐約，NYRaven出版社，1984。
.Webb WR，“胸部計算X光斷層攝影的進展”，北美放射醫(yī)學臨床，21723 739，1983。
.Pugatch RD、Faling LJ，“胸部計算X光斷層攝影狀態(tài)報告”，胸部80618 626，1981。
.Muhm JR、Brown LR、Crowe JK，“用計算X光斷層攝影檢測肺部腫瘤”，美國X光學科雜志，128267 270，1977。
.Gurney JW，“在CT時漏過的肺癌在9個患者中的成象發(fā)現(xiàn)”，放射醫(yī)學199117 122，1996。
.Croisille P、Souto M、Cova M等，“肺腫瘤具有血管分割的改進檢測和具有螺旋CT的提取”，放射醫(yī)學197397 401，1995。
.White CS、Romney BM、Mason AC等，“在CT時忽略的早期肺癌對14個患者中發(fā)現(xiàn)的分析”，放射醫(yī)學199109 115，1996。
.Giger ML、Bae KT、MacMahon H，“在計算X光斷層攝影圖象中計算機化檢測肺部腫瘤”，放射醫(yī)學研究29459 465，1994。
.Ryan WJ、Reed JE、Swensen SJ、Sheedy PF、Jr.，“在CT中肺部腫瘤的自動檢測”，InH.U.Lemke、M.W.Vannier、K.Inamura和A.G.Farman、eds.，計算機輔助放射醫(yī)學學報，AmsterdamElsevier Science；1996385 389。
.Kanazawa K、Kubo M、Niki N等，“基于螺旋圖象的計算機輔助肺癌診斷”，InR.T.Chin、H.H.S.Ip、A.C.Naiman和T.-C.Pong、eds，圖象分析應(yīng)用和計算機圖形第三屆國際計算機科學會議論文，BerlinSpringer-Verlag；1995323 330。
.Okumura T、Miwa T、Kako J等，“采用CT的肺癌篩選系統(tǒng)(LSCT)的計算機輔助診斷的圖象處理”，SPIE論文33381314 1322，1988。
.Armato SG、III、Giger ML、Moran CJ等，“在胸部計算X光斷層攝影圖象中肺部腫瘤的自動檢測”，SPIE論文3338916 919，1998。
.Armato SG、III、Giger ML、Moran CJ等，“在計算X光斷層攝影掃描中肺腫瘤的計算機化檢測”，InK.Doi、H.MacMahon、M.L.Giger和K.R.Hoffmann、eds，在醫(yī)學圖象中的計算機輔助診斷，AmsterdamElsevier Science；1999119 123。
.Pao Y-H，“自適應(yīng)圖案識別和神經(jīng)網(wǎng)絡(luò)”，閱讀，MAAddison-Wesley出版社；1989。
.Metz CE，“在放射醫(yī)學成象中的ROC方法論”，放射醫(yī)學研究21720 733，1986。
.Armato SG、III、Giger ML、Moran CJ等，“在CT掃描時肺部腫瘤的計算機化檢測”，X光照相191303 1311，1999。
.Armato SG、III、Giger ML、Blackburn JT等，“在螺旋CT中檢測肺腫瘤的三維方法”，SPIE論文3661553 559，1999。
.Fiebich M、Wietholt C、Renger BC等，“在低劑量篩選胸部CT檢查中肺部腫瘤的自動檢測”，SPIE論文36611434 1439，1999。
.Satoh H、Ukai Y、Niki N等，“基于追溯螺旋CT圖象的肺癌計算機輔助診斷系統(tǒng)”，SPIE論文36611324 1335，1999。
.Taguchi H、Kawata Y、Niki N等，“使用彎曲表面形態(tài)分析的基于螺旋CT圖象的肺癌檢測”，SPIE論文36611307 1314，1999。
.Lou S-L、Chang C-L、Lin K-P、Chen T-S，“用于3-D CT肺腫瘤檢測的基于目標的變形技術(shù)”，SPIE論文36611544 1552，1999。
.Kalender WA、Seissler W、Klotz E、Vock P，“具有一次屏息技術(shù)、連續(xù)輸送和連續(xù)掃描儀旋轉(zhuǎn)的螺旋容積CT”，放射醫(yī)學176181 183，1990。
.Vannier MW、Wang G，“螺旋CT原理”，InM.Remy-Jardin和J.Remy eds，胸部螺旋CT，BerlinSpringer；1996132。
.Remy-Jardin M、Remy J、Giraud F、Marquette C-H，“肺部腫瘤厚剖面螺旋CT檢測-常規(guī)CT檢測”，放射醫(yī)學187513 520，1993。
.Kaneko M、Eguchi K、Ohmatsu H等，“外圍肺癌低劑量螺旋CT-X光照相的篩選和檢測”，放射醫(yī)學201798 802，1996。
.Rusinek H、Naidich DP、McGuinness G等，“肺部腫瘤檢測低劑量-常規(guī)CT”，放射醫(yī)學209243 249，1998。
.Diederich S、Lenzen H、Windmann R等，“肺部腫瘤低劑量CT的試驗與臨床研究”，放射醫(yī)學213289 298，1999。
.Henschke CI、McCauley DI、Yankelevitz DF等，“早期肺部活動投影基線篩選的總體設(shè)計和發(fā)現(xiàn)”，柳葉刀35499 105，1999。
.Sonka M、Hlavac V、Boule R，“圖象處理、分析和機器視覺”，Pacific Grove，CABrooks/Cole出版社；1999。
.Tuddenham WJ，“胸部放射醫(yī)學術(shù)語匯編Fieischner學會命名委員會的推薦“，美國X光學科雜志，143509 517，1984。
.Kupinski MA、Giger ML，“在乳房數(shù)字X光照片上分割自動播種的損害”，IEEE關(guān)于醫(yī)學成象的學報17510 517，1998。
.Johnson RA、Wichern DW，“應(yīng)用多元統(tǒng)計分析”，Englewood Cliffs，NJPrentice Hall；1992。
.Bunch PC、Hamilton JF、Sanderson GK、Simmons AH，“放射醫(yī)學觀察器性能的測量和表征的自由響應(yīng)方法”，SPIE論文127124 135，1997。
權(quán)利要求
1.一種在計算X光斷層攝影(CT)圖象掃描中自動檢測肺腫瘤的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物中獲得特征；以及通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物，從而檢測肺腫瘤。
2.如權(quán)利要求1所述的方法，其中，產(chǎn)生所述分割肺圖象的所述步驟包括以下步驟通過對所述多個二維CT圖象剖面進行分割，包括對所述CT圖象剖面應(yīng)用灰度級閥值以確定其中的胸部區(qū)域周線，從而產(chǎn)生二維分割胸部圖象；以及通過對所述分割胸部圖象進行分割，包括對所述分割胸部圖象應(yīng)用灰度級閥值以確定其中的所述肺區(qū)域周線，從而產(chǎn)生所述二維分割肺圖象。
3.如權(quán)利要求2所述的方法，其中，產(chǎn)生所述分割胸部圖象的所述步驟進一步包括以下步驟利用區(qū)域生長，從所述分割胸部圖象中分割出氣管和主支氣管。
4.如權(quán)利要求2所述的方法，其中，產(chǎn)生所述分割肺圖象的所述步驟進一步包括以下步驟利用橫隔膜分析，從所述分割肺圖象中分割出橫隔膜。
5.如權(quán)利要求1所述的方法，其中，產(chǎn)生所述分割肺容積圖象的所述步驟包括在多個灰度級閥值下產(chǎn)生所述分割肺圖象；以及在對應(yīng)所述灰度級閥值的多個灰度級下組合所述分割肺圖象，產(chǎn)生分割肺容積圖象。
6.如權(quán)利要求5所述的方法，其中，識別所述結(jié)構(gòu)的所述步驟包括對其中具有一個或多個象素的給定分割肺圖象中的象素、位于所述給定分割肺圖象之上的分割肺圖象中的一個或多個象素以及位于所述給定分割肺圖象之下的分割肺圖象中的一個或多個象素進行分組，確定結(jié)構(gòu)；在所述多個灰度級閥值下執(zhí)行所述分組步驟；在所述多個灰度級閥值下計算所有已確定結(jié)構(gòu)的容積；以及通過比較所述已確定結(jié)構(gòu)在所述多個灰度級下的計算容積和所述容積標準，確定所述腫瘤候選物。
7.如權(quán)利要求6所述的方法，其中進一步包括對所述腫瘤候選物使用區(qū)域腐蝕，確定所述腫瘤候選物是否包括一個或多個更小的結(jié)構(gòu)。
8.如權(quán)利要求1所述的方法，其中，從所述肺腫瘤候選物獲得所述特征的所述步驟包括以下步驟中的一個在所述已識別的結(jié)構(gòu)上應(yīng)用二維或三維Hough變換，識別與相應(yīng)的正常組織有高度相似性的細長或橢圓體腫瘤候選物，對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維徑向梯度指數(shù)分析，以識別假陽性腫瘤候選物，以及對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維相似性指數(shù)分析，根據(jù)相鄰腫瘤候選物的尺寸分布來計算腫瘤候選物的尺寸；以及檢測所述肺腫瘤的所述步驟包括分析所述Hough變換、所述徑向梯度指數(shù)和相似性指數(shù)中的至少一個，以便從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
9.如權(quán)利要求8所述的方法，其中，應(yīng)用二維徑向梯度指數(shù)分析的所述步驟包括對于多個灰度級增量，在所述分割肺圖象中獲得周線，把每個象素在分割肺圖象中的位置處理成潛在腫瘤的中心，以及圍繞每根周線計算所述徑向梯度指數(shù)(RGI)，其中RGI由下式給出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||f(x,y)||]]>這里， (x，y)是f(x，y)在位置(x，y)上沿著由周線確定的邊緣的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正規(guī)化的徑向矢量；以及檢測所述肺腫瘤的所述步驟包括比較所述徑向梯度指數(shù)和預(yù)定的閥值，以便從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
10.如權(quán)利要求8所述的方法，其中，應(yīng)用三維徑向梯度指數(shù)分析的所述步驟包括對于多個灰度級增量，在所述分割肺容積圖象中獲得表面，把每個象素在分割肺容積圖象中的位置處理成潛在腫瘤的中心，以及環(huán)繞每個表面計算所述徑向梯度指數(shù)(RGI)，其中RGI由下式給出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>這里， (x，y)是f(x，y)在位置(x，y)上沿著由表面確定的邊緣的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正規(guī)化的徑向矢量；以及檢測所述肺腫瘤的所述步驟包括比較所述徑向梯度指數(shù)和預(yù)定的閥值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
11.如權(quán)利要求8所述的方法，其中，應(yīng)用二維相似性指數(shù)分析的所述步驟包括在所述分割肺圖象中確定周線，在所述周線內(nèi)確定區(qū)域，以及在所述區(qū)域內(nèi)確定結(jié)構(gòu)特征的相對值，以區(qū)別腫瘤和正常組織；以及檢測所述肺腫瘤的所述步驟包括比較結(jié)構(gòu)特征的所述相對值和預(yù)定閥值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
12.如權(quán)利要求8所述的方法，其中，應(yīng)用三維相似性指數(shù)分析的所述步驟包括在所述分割肺容積圖象中確定表面，在所述表面內(nèi)確定區(qū)域，以及在所述區(qū)域內(nèi)確定結(jié)構(gòu)特征的相對值，以區(qū)別腫瘤和正常組織，所述結(jié)構(gòu)特征包括相對有效直徑、相對有效面積、相對有效圓度和相對有效緊密度中的至少一個；以及檢測所述肺腫瘤的所述步驟包括比較結(jié)構(gòu)特征的所述相對值和預(yù)定閥值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
13.如權(quán)利要求8所述的方法，其中，從所述肺腫瘤候選物獲得所述特征的所述步驟包括從所述腫瘤候選物確定特征，所述特征包括以下特征中的至少一個結(jié)構(gòu)容積、球度、等效球體的半徑、最大緊密度、最大圓度、最大偏心度、結(jié)構(gòu)內(nèi)的平均灰度級、灰度級的標準偏差、以及結(jié)構(gòu)容積第一次減少到容積上限以下時的灰度級閥值；以及檢測所述肺腫瘤的所述步驟包括以下步驟中的一個對所述已確定的特征進行基于規(guī)則的分析，從所述腫瘤候選物中排除所述假陽性腫瘤候選物，以及對所述已確定的特征應(yīng)用自動分選器，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
14.如權(quán)利要求13所述的方法，其中，使用所述自動分選器的所述步驟包括使用線性判別式分析分選器和神經(jīng)網(wǎng)絡(luò)分選器中的一個。
15.如權(quán)利要求1所述的方法，其中，在執(zhí)行產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
16.一種從計算X光斷層攝影(CT)圖象掃描中對肺區(qū)域自動分割的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；以及通過組合所述二維分割肺圖象產(chǎn)生三維分割肺容積圖象；其中，產(chǎn)生所述分割肺圖象的所述步驟包括以下步驟對所述多個二維CT圖象剖面進行分割，包括對所述CT圖象剖面應(yīng)用灰度級閥值以確定其中的胸部區(qū)域周線，從而產(chǎn)生二維分割胸部圖象；以及對所述分割胸部圖象進行分割，包括對所述分割胸部圖象應(yīng)用灰度級閥值以確定其中的所述肺區(qū)域周線，從而產(chǎn)生所述二維分割肺圖象。
17.如權(quán)利要求16所述的方法，其中，產(chǎn)生所述分割胸部圖象的所述步驟進一步包括使用區(qū)域生長，從所述分割胸部圖象分割氣管和主支氣管。
18.如權(quán)利要求16所述的方法，其中，產(chǎn)生所述分割肺圖象的所述步驟進一步包括使用橫隔膜分析，從所述分割肺圖象分割出橫隔膜。
19.如權(quán)利要求16所述的方法，其中，在執(zhí)行產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
20.一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動分割的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；以及從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；其中，產(chǎn)生所述分割肺容積圖象的所述步驟包括在多個灰度級閥值下產(chǎn)生所述分割肺圖象；以及在對應(yīng)所述灰度級閥值的多個灰度級下，組合所述分割肺圖象以產(chǎn)生分割肺容積圖象。
21.如權(quán)利要求20所述的方法，其中，識別所述結(jié)構(gòu)的所述步驟包括對其中具有一個或多個象素的給定分割肺圖象中的象素、位于所述給定分割肺圖象之上的分割肺圖象中的一個或多個象素以及位于所述給定分割肺圖象之下的分割肺圖象中的一個或多個象素進行分組，確定結(jié)構(gòu)；在所述多個灰度級閥值下執(zhí)行所述分組步驟；在所述多個灰度級閥值下計算所有已確定結(jié)構(gòu)的容積；以及通過比較所述已確定結(jié)構(gòu)在所述多個灰度級下的計算容積和所述容積標準，確定所述腫瘤候選物。
22.如權(quán)利要求21所述的方法，其中進一步包括對所述腫瘤候選物使用區(qū)域腐蝕，確定所述腫瘤候選物是否包括一個或多個更小的結(jié)構(gòu)。
23.如權(quán)利要求20所述的方法，其中，在產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
24.一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動檢測的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物獲得特征；以及通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物而檢測肺腫瘤；其中，從所述肺腫瘤候選物獲得所述特征的所述步驟包括對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維徑向梯度指數(shù)分析，以識別假陽性腫瘤候選物；以及檢測所述肺腫瘤的所述步驟包括分析所述徑向梯度指數(shù)，從所述腫瘤候選物排除所述假陽性腫瘤候選物。
25.如權(quán)利要求24所述的方法，其中，應(yīng)用二維徑向梯度指數(shù)分析的所述步驟包括對于多個灰度級增量，在所述分割肺圖象中獲得周線，把每個象素在分割肺圖象中的位置處理成潛在腫瘤的中心，以及圍繞每根周線計算所述徑向梯度指數(shù)(RGI)，其中RGI由下式給出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>這里， (x，y)是f(x，y)在位置(x，y)上沿著由周線確定的邊緣的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正規(guī)化的徑向矢量；以及檢測所述肺腫瘤的所述步驟包括比較所述徑向梯度指數(shù)和預(yù)定的閥值，以便從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
26.如權(quán)利要求24所述的方法，其中，應(yīng)用三維徑向梯度指數(shù)分析的所述步驟包括對于多個灰度級增量，在所述分割肺容積圖象中獲得表面，把每個象素在分割肺容積圖象中的位置處理成潛在腫瘤的中心，以及環(huán)繞每個表面計算所述徑向梯度指數(shù)(RGI)，其中RGI由下式給出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>這里， (x，y)是F(x，y)在位置(x，y)上沿著由表面確定的邊緣的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正規(guī)化的徑向矢量；以及檢測所述肺腫瘤的所述步驟包括比較所述徑向梯度指數(shù)和預(yù)定的閾值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
27.如權(quán)利要求24所述的方法，其中，在執(zhí)行產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
28.一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動檢測的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物獲得特征；以及通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物而檢測肺腫瘤；其中，從所述肺腫瘤候選物獲得所述特征的所述步驟包括對所述已識別的結(jié)構(gòu)應(yīng)用二維或三維相似性指數(shù)分析，以根據(jù)相鄰腫瘤候選物的尺寸分布來計算腫瘤候選物的尺寸；以及檢測所述肺腫瘤的所述步驟包括分析所述相似性指數(shù)，從所述腫瘤候選物排除所述假陽性腫瘤候選物。
29.如權(quán)利要求28所述的方法，其中，應(yīng)用二維相似性指數(shù)分析的所述步驟包括在所述分割肺圖象中確定周線，在所述周線內(nèi)確定區(qū)域，以及在所述區(qū)域內(nèi)確定結(jié)構(gòu)特征的相對值，以區(qū)別腫瘤和正常組織；以及檢測所述肺腫瘤的所述步驟包括比較結(jié)構(gòu)特征的所述相對值和預(yù)定閥值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
30.如權(quán)利要求28所述的方法，其中，應(yīng)用三維相似性指數(shù)分析的所述步驟包括在所述分割肺容積圖象中確定表面，在所述表面內(nèi)確定區(qū)域，以及在所述區(qū)域內(nèi)確定結(jié)構(gòu)特征的相對值，以區(qū)別腫瘤和正常組織，所述結(jié)構(gòu)特征包括相對有效直徑、相對有效面積、相對有效圓度和相對有效緊密度中的至少一個；以及檢測所述肺腫瘤的所述步驟包括比較結(jié)構(gòu)特征的所述相對值和預(yù)定閥值，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
31.如權(quán)利要求28所述的方法，其中，在執(zhí)行產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
32.一種從計算X光斷層攝影(CT)圖象掃描中對肺腫瘤自動分析的方法，其中包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象，產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；以及從所述肺腫瘤候選物獲得特征；其中，從所述肺腫瘤候選物獲得所述特征的所述步驟包括從所述腫瘤候選物確定特征，所述特征包括以下特征中的至少一個結(jié)構(gòu)容積、球度、等效球體的半徑、最大緊密度、最大圓度、最大偏心度、結(jié)構(gòu)內(nèi)的平均灰度級、灰度級的標準偏差、以及結(jié)構(gòu)容積第一次減少到容積上限以下時的灰度級閥值。
33.如權(quán)利要求32所述的方法，其中進一步包括對所述已確定的特征進行基于規(guī)則的分析，從所述腫瘤候選物中排除假陽性腫瘤候選物，以及對所述已確定的特征應(yīng)用自動分選器，從所述腫瘤候選物中排除所述假陽性腫瘤候選物。
34.如權(quán)利要求33所述的方法，其中，使用所述自動分選器的所述步驟包括使用線性判別式分析分選器和神經(jīng)網(wǎng)絡(luò)分選器中的一個。
35.如權(quán)利要求32所述的方法，其中，在執(zhí)行產(chǎn)生所述三維分割肺容積圖象的所述步驟之前，使用灰度級閾值處理來排除環(huán)繞所述二維分割肺圖象外圍的明亮帶。
36.一種配置成執(zhí)行權(quán)利要求1-35所述步驟的圖象處理系統(tǒng)。
37.一種儲存用于執(zhí)行權(quán)利要求1-35所述步驟的程序的存儲介質(zhì)。
全文摘要
一種在計算X光斷層攝影(CT)圖象掃描中自動檢測肺腫瘤的方法、系統(tǒng)和計算機可讀介質(zhì)，包括通過對從所述CT圖象掃描得到的多個二維CT圖象剖面進行分割，產(chǎn)生二維分割肺圖象；通過組合所述二維分割肺圖象產(chǎn)生三維分割肺容積圖象；從所述三維分割肺容積圖象確定三維肺腫瘤候選物，包括在所述三維分割肺容積圖象內(nèi)識別滿足容積標準的結(jié)構(gòu)；從所述肺腫瘤候選物中獲得特征；以及通過分析所述特征，從所述腫瘤候選物中排除假陽性腫瘤候選物，從而檢測肺腫瘤。
文檔編號G06T7/00GK1395713SQ01803856
公開日2003年2月5日 申請日期2001年1月18日 優(yōu)先權(quán)日2000年1月18日
發(fā)明者薩繆爾·G·阿馬托, 馬利埃倫·L·吉格爾, 赫伯爾·邁克馬洪 申請人:芝加哥大學