專利名稱：醫(yī)學(xué)圖像中結(jié)節(jié)的多維度紋理提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種醫(yī)學(xué)圖像中結(jié)節(jié)的多維度紋理提取方法，特別是涉及一種結(jié)合了 區(qū)域增長法、灰度共生矩陣法和Curvelet變換對肺結(jié)節(jié)CT圖像進(jìn)行分割以及提取紋理特 征的方法。
背景技術(shù)：
在含有結(jié)節(jié)的醫(yī)學(xué)圖像處理中，識別圖像中結(jié)節(jié)的性質(zhì)有重要的意義。但現(xiàn)有技 術(shù)對直徑在3cm以下的結(jié)節(jié)性質(zhì)判定存在很大困難。如在含肺結(jié)節(jié)的CT圖像中，多種情況 都會出現(xiàn)肺小結(jié)節(jié)(指肺野內(nèi)直徑< 3cm的病灶)，包括早期肺部惡性腫瘤(周圍型肺癌) 和結(jié)核球、炎性假瘤、錯(cuò)構(gòu)瘤和肺曲菌病等良性疾病在CT圖像上均呈現(xiàn)小結(jié)節(jié)狀。對圖像的預(yù)處理采用的是區(qū)域增長法，該方法利用了圖像的局部空間信息，可有 效克服其它方法存在的圖像分割空間不連續(xù)的缺點(diǎn)，但尚沒有人用該方法進(jìn)行肺部CT圖 像的處理?，F(xiàn)有的圖像提取紋理技術(shù)已見報(bào)道的主要有以下3種1、灰度共生矩陣以往的相關(guān)研究中采用灰度共生矩陣法提取的紋理特征參數(shù)較 少，這對于根據(jù)肺部CT圖像紋理特征診斷早期肺癌還遠(yuǎn)遠(yuǎn)不夠。2、小波變換小波變換形成的特征向量雖然能夠在一定程度上對圖像進(jìn)行精確描述，但是利用 小波變換提取圖像中結(jié)節(jié)紋理特征存在著檢索精度不高的缺點(diǎn)。3、Curve let 變換繼上世紀(jì)80年代后期發(fā)展起來的小波變換之后，1996年Swendens提出了 先進(jìn)的第二代小波變換，在基函數(shù)算法上也在不斷改進(jìn)，1998年E. J. Candes提出了 Ridgelet 變換、1999 年 E. J. Candes 和 D. L. Donoho 發(fā)明了 Curvelet 變換新算法
力“⑶ (x-f ”)，其中2_」為尺度、91為方向角91、^")為位置1廠)、1 為轉(zhuǎn) 換弧度，2006年又提出了快速離散Curvelet變換。第二代小波變換不但保留了小波變 換(Wavelet)方法多尺度的優(yōu)點(diǎn)，同時(shí)還具有各向異性特點(diǎn)，能夠很好地逼近奇異曲線，比 Wavelet更加適合分析二維圖像中的曲線或邊緣特征，而且具有更高的逼近精度和更好的 稀疏表達(dá)能力，能夠?yàn)閳D像提供一種比Wavelet多分辨分析更加精確的方法。但是這些新方法在處理不同部位的CT圖像時(shí)，需要利用基函數(shù)重新構(gòu)造新算 法、選取適宜的參數(shù)，因此仍有許多理論問題值得研究。第二代小波變換已經(jīng)成功地用于 圖像融合等實(shí)際問題，而用于紋理特征提取的文獻(xiàn)報(bào)道鳳毛麟角。有人曾基于Wavelet， Ridgelet,Curvelet三種變換，對脊骨、心臟、腎臟、肝臟、脾臟五種CT圖像提取紋理特征并 建立預(yù)測模型，以診斷結(jié)果準(zhǔn)確性對三種方法進(jìn)行比較，發(fā)現(xiàn)離散第二代小波變換是最理 想的邊緣紋理特征提取方法，效果優(yōu)于Wavelet和Ridgelet。因此，需要結(jié)合上述現(xiàn)有技術(shù)的優(yōu)點(diǎn)，并克服其不足，對圖像的處理方法進(jìn)行改 進(jìn)，提高惡性肺結(jié)節(jié)的檢出率，從而達(dá)到提高早期肺癌診斷率的目的。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種對含肺結(jié)節(jié)CT圖像的分割方法以及提取紋理特征的 方法，建立一種預(yù)測模型，以便更有效的預(yù)測結(jié)節(jié)的性質(zhì)。技術(shù)內(nèi)容簡介本發(fā)明綜合了現(xiàn)有技術(shù)中的區(qū)域增長法、灰度共生矩陣、小波變換等方法的優(yōu)點(diǎn)， 并加以改進(jìn)，運(yùn)用灰度共生矩陣提取結(jié)節(jié)的內(nèi)容紋理特征，運(yùn)用Curvelet變換提取結(jié)節(jié)的 邊緣紋理特征，紋理提取方法全面、新穎，能夠達(dá)到發(fā)明目的。本發(fā)明用以下主要技術(shù)路線建立了一種對含結(jié)節(jié)圖像的分割以及提取紋理特征 的方法(具體程序見圖3)，并據(jù)此建立了判斷結(jié)節(jié)性質(zhì)的預(yù)測模型1)建立結(jié)節(jié)圖像庫；2)運(yùn)用區(qū)域增長法將圖像中含有結(jié)節(jié)的區(qū)域分割出來；3)采用灰度共生矩陣法提取結(jié)節(jié)的內(nèi)部紋理特征，得到以下變量熵、對比度、相 關(guān)性、同質(zhì)度、方差、逆差距、聚類趨勢、慣性矩、和的均數(shù)、差的均數(shù)、和的熵、差的熵；4)采用Curvelet變換提取結(jié)節(jié)的邊緣紋理特征，得到以下變量熵、灰度均值、相 關(guān)性、同質(zhì)度、標(biāo)準(zhǔn)差、逆差距、聚類趨勢、慣性矩、和的均數(shù)、差的均數(shù)、和的熵、差的熵；5)用步驟3 4所得到的各種變量數(shù)據(jù)建立圖像特征參量數(shù)據(jù)庫；6)根據(jù)步驟5的數(shù)據(jù)庫構(gòu)建預(yù)測模型；7)將步驟5所得到的各種參量數(shù)據(jù)與樣本經(jīng)反復(fù)驗(yàn)證，以修正預(yù)測模型，得到結(jié) 果比較準(zhǔn)確的理想模型。目前對于圖像的紋理還沒有一個(gè)統(tǒng)一的定義，一般認(rèn)為圖像的紋理特征描述的是 物體表面灰度或顏色的變化，這種變化與物體的自身屬性有關(guān)，是某種紋理基元的重復(fù)。采用灰度共生矩陣和Curvelet變換可以得到以下紋理特征參數(shù)Energy (angular second moment)能量(角二階矩)/； 二 ^ 反映影像灰
度分布的均勻程度和紋理粗細(xì)度； Inertia慣量/2 =-刀反映紋理的粗糙程度；
(IDM)逆差矩/3 =~反映圖像的平
滑性； Sun-mean 和的均值/6 = J]kcx+y(k)、Difference-mean 差的均值
反映影像紋理的隨機(jī)性； /=0 7=0
Correlation相關(guān)性力_測量像素灰度的相關(guān)性；
的均值
提供圖像中灰度水平的均值。 Contrast對比度 反映影像的清晰度； Variance方差/ 反映灰度水平的分布情況； Cluster tendency聚類趨勢
)測量相似灰度水平值
像素的分組； Homogeneity同質(zhì)度/13 = THU .丨)反映灰度水平相似程度； Maximum probability (MP)最大概率(MP) /14 = q 最突出的像素對的
發(fā)生率；mean灰度均值/15 =P ■/)反映像素所有灰度值的集中趨勢。standard deviation標(biāo)準(zhǔn)差
反映灰度水平的展開程 度。本發(fā)明用上述方法建立了含結(jié)節(jié)的肺部CT圖像預(yù)測結(jié)節(jié)性質(zhì)的模型，判斷準(zhǔn)確 度達(dá)到了 94. 2%0以下是肺小結(jié)節(jié)紋理特征提取的實(shí)例，步驟如下1、收集的肺小結(jié)節(jié)CT原始圖像，見圖1 ；2、用區(qū)域增長法分割上述圖像，得到圖像見圖2，分割采用編寫好的程序，直接運(yùn) 行即可。3、分別采用灰度共生矩陣和Curvelet變換提取紋理特征參量，每種方法分別有 相應(yīng)程序，直接運(yùn)行即可，提取的紋理特征參量見表1 表15。實(shí)驗(yàn)結(jié)果證明采用區(qū)域增長法分割整體肺小結(jié)節(jié)，選取80%的數(shù)據(jù)作為訓(xùn)練樣 本，建立基于誤差反向傳播(back propagation)算法的多層前饋神經(jīng)網(wǎng)絡(luò)(簡稱BP網(wǎng) 絡(luò))，再根據(jù)余下20%的數(shù)據(jù)作為驗(yàn)證樣本，以檢驗(yàn)通過模型判斷肺小結(jié)節(jié)是否癌變與病 理診斷的一致性，證明通過提取CT圖像肺小結(jié)節(jié)外部紋理建立預(yù)測早期肺癌的靈敏度為 94. 2%。通過以上數(shù)據(jù)，可以得到結(jié)論采用區(qū)域增長法分割肺小結(jié)節(jié)CT圖像，并通過灰 度共生矩陣和Curvelet變換提取紋理特征參量建立預(yù)測模型對早期肺癌的輔助診斷有很 好的效果。本發(fā)明的主要效果
5
將區(qū)域增長法用于肺小結(jié)節(jié)的分割，這是本發(fā)明的一個(gè)創(chuàng)新。經(jīng)實(shí)驗(yàn)證明，區(qū)域增 長法分割提取紋理建模要更優(yōu)于整體分割提取紋理建模，能更好的保留結(jié)節(jié)的邊緣信息；灰度共生矩陣法是提取肺CT圖像內(nèi)容紋理特征的有效方法，可以提取14種紋理 特征參數(shù)，較全面的反映圖像的紋理特征。Curvelet變換直接以邊緣為基本表示元素，并且是各向異性的，具有很強(qiáng)的方向 性，非常有利于圖像邊緣的高效表示，對于具有光滑奇異性曲線的目標(biāo)函數(shù)，Curvelet變換 提供了穩(wěn)定的、高效的和近乎最優(yōu)的表示。它是一種多分辨、帶通、具有方向性的函數(shù)分析 方法，符合生理學(xué)研究指出的“最優(yōu)”的圖像表示方法應(yīng)該具備的三種特征。由于大部分肺 小結(jié)節(jié)圖像的邊緣具有不規(guī)則性，其對圖像邊緣具有良好描述性的特征非常適合來描述分 割后的二維肺結(jié)節(jié)。


圖1是肺部CT原始圖像，其中1是結(jié)節(jié)；圖2是將圖1中結(jié)節(jié)1部分用區(qū)域增長法分割后得到的圖像；圖3是用本發(fā)明方法對肺結(jié)節(jié)CT圖像進(jìn)行多維度紋理提取的技術(shù)路線；圖4是Curvelet共生矩陣特征提取流程圖，其中1是指聚類趨勢，同質(zhì)度，最大概率，均數(shù)與標(biāo)準(zhǔn)差五個(gè)參數(shù)，基于灰度直方圖求 出；2是指能量，慣性矩，逆差距，熵，相關(guān)性，和的均值，差的均值，和的熵，差的熵九個(gè) 參數(shù)，基于共生矩陣求出。
具體實(shí)施例方式以下實(shí)例是用本發(fā)明方法建立基于含結(jié)節(jié)的肺部CT圖像預(yù)測結(jié)節(jié)性質(zhì)的模型介 紹，這只是對本發(fā)明方法的進(jìn)一步說明，但實(shí)例并不限制本發(fā)明的應(yīng)用范圍。實(shí)際上，用本 方法還可對其它結(jié)節(jié)病灶和其它類型的醫(yī)學(xué)圖像進(jìn)行性質(zhì)判斷。圖像來源首都醫(yī)科大學(xué)宣武醫(yī)院、附屬北京友誼醫(yī)院醫(yī)生收集的肺小結(jié)節(jié)CT圖 像，分別為BMP和DIC0M格式的圖像；方法采用Matlab軟件編程，運(yùn)用區(qū)域增長法將上述CT圖像中的肺結(jié)節(jié)分割出 來，利用灰度共生矩陣法和Curvelet變換提取肺結(jié)節(jié)的紋理特征參數(shù)。以下是肺小結(jié)節(jié)紋理特征參量提取的實(shí)例，步驟如下1、收集185例病例的2171張肺小結(jié)節(jié)CT原始圖像，病例年齡為20 89歲，平均 年齡為57. 5歲，年齡分布的中位數(shù)為60歲。2171張CT圖像中，良性肺小結(jié)節(jié)CT圖像702張，其中男性405張，女性297張，惡 性肺小結(jié)節(jié)CT圖像1469張，其中男性796張，女性673張。為了比較2171張CT圖像中良惡性病例性別分布的差異是否有統(tǒng)計(jì)學(xué)意義，我們 對該樣本進(jìn)行x2檢驗(yàn)，得到Pearsonx2 = 2. 362，P = 0. 124。因此，良惡性病例性別分布的 差異無統(tǒng)計(jì)學(xué)意義，說明樣本選取的均衡性較好。2、用區(qū)域增長法分割圖像，分割方式按區(qū)域增長法常規(guī)方法，采用編寫好的程序， 直接運(yùn)行。圖1是待分割的一個(gè)圖像舉例，得到圖像見圖2，
3、分別采用灰度共生矩陣和Curvelet變換提取紋理特征參量，提取的紋理特征 參量見表1 表15。1)采用灰度共生矩陣提取良惡性紋理特征參量的差異性分析提取肺小結(jié)節(jié) CT圖像得到的14種紋理特征參量中，通過兩獨(dú)立樣本的非參數(shù)檢驗(yàn)可以發(fā)現(xiàn)能量(Z =-1. 918，P = 0. 055)、最大概率(Z = -1. 507，P = 0. 132)兩個(gè)紋理特征參量在良惡性病 例之間的差異無統(tǒng)計(jì)學(xué)意義，其余12種紋理特征參量(P < 0. 01)在良惡性病例之間均可 以認(rèn)為差異有統(tǒng)計(jì)學(xué)意義。2)采用Curvelet變換方法提取良惡性紋理特征參量的差異性分析3)建立預(yù)測模型根據(jù)非參數(shù)檢驗(yàn)得到的結(jié)果，選取良惡性病例之間差異有統(tǒng)計(jì)學(xué)意義的紋理特征 參量建立預(yù)測模型。采用灰度共生矩陣方法提取肺小結(jié)節(jié)CT圖像得到14個(gè)良惡性紋理特征參量，剔 除能量、最大概率兩個(gè)差異無統(tǒng)計(jì)學(xué)意義的紋理特征參量，共選取12個(gè)指標(biāo)。采用Curvelet變換方法提取肺小結(jié)節(jié)CT圖像得到良惡性紋理特征參量，剔除差 異無統(tǒng)計(jì)學(xué)意義的紋理特征參量。由148例1738張肺小結(jié)節(jié)CT圖像作為訓(xùn)練樣本集，根據(jù)選取的32個(gè)指標(biāo)訓(xùn)練BP 網(wǎng)絡(luò)，余下的37例433張肺小結(jié)節(jié)CT圖像作為測試樣本對BP網(wǎng)絡(luò)進(jìn)行仿真，預(yù)測效果靈 敏度=94.2% ；特異度=22.9% ；符合率=71. 1 %，其較高的靈敏度可以有效降低早期肺 癌的漏診率。實(shí)驗(yàn)結(jié)果證明采用區(qū)域增長法分割整體肺小結(jié)節(jié)，選取80%的數(shù)據(jù)作為訓(xùn)練樣 本，建立基于誤差反向傳播(back propagation)算法的多層前饋神經(jīng)網(wǎng)絡(luò)(簡稱BP網(wǎng) 絡(luò))，再根據(jù)余下的20%的數(shù)據(jù)作為驗(yàn)證樣本，以檢驗(yàn)通過模型判斷肺小結(jié)節(jié)是否癌變與 病理診斷的一致性，證明通過提取CT圖像肺小結(jié)節(jié)紋理特征參量預(yù)測早期肺癌的靈敏度 為 94. 2%。通過以上數(shù)據(jù)，可以得到結(jié)論采用區(qū)域增長法分割肺小結(jié)節(jié)CT圖像，并通過灰 度共生矩陣和Curvelet變換提取紋理特征參量建立預(yù)測模型對早期肺癌的輔助診斷有很 好的效果。灰度共生矩陣法提取的變量如下表1灰度共生矩陣法提取的變量 Curvelet變換提取的變量見表2 表15 表 2 熵 Entropy
表3灰度均值Mean 表 4 相關(guān)性 Correlation 表5 能量 Energy 表 6 同質(zhì)度 Homogeneity 表7標(biāo)準(zhǔn)差Standard deviation 表 8 最大才既率 Maximum probability 表 9 逆差距 Inverse Difference Moment 表10 聚類趨勢 Cluster tendency 表11 慣性矩 Inertia 表12 和的均數(shù) Sun-mean 表 13 差的均數(shù) Difference-mean 表 14 禾口的熵 Sum-Entropy
表 15 差的熵 Difference-Entropy
權(quán)利要求
一種醫(yī)學(xué)圖像中結(jié)節(jié)的多維度紋理提取方法，運(yùn)用區(qū)域增長法將圖像中含有結(jié)節(jié)的區(qū)域分割出來，采用灰度共生矩陣法提取結(jié)節(jié)的內(nèi)容紋理特征參數(shù)，其特征是采用Curvelet變換方法提取結(jié)節(jié)的邊緣紋理特征參數(shù)。
2.權(quán)利要求1中所述的多維度紋理提取方法，所述采用灰度共生矩陣法得到以下變 量熵、對比度、能量、相關(guān)性、同質(zhì)度、方差、最大概率、逆差距、聚類趨勢、慣性矩、和的均 數(shù)、差的均數(shù)、和的熵、差的熵；所述采用Curvelet變換方法提取以下各變量熵、灰度均 值、能量、相關(guān)性、同質(zhì)度、標(biāo)準(zhǔn)差、最大概率、逆差距、聚類趨勢、慣性矩、和的均數(shù)、差的均 數(shù)、和的熵、差的熵。
3.權(quán)利要求1中所述的多維度紋理提取方法，所述圖像是CT圖像。
4.權(quán)利要求1或3中所述的多維度紋理提取方法，所述結(jié)節(jié)是肺結(jié)節(jié)。
全文摘要
一種醫(yī)學(xué)圖像中結(jié)節(jié)的多維度紋理提取方法，運(yùn)用區(qū)域增長法將圖像進(jìn)行分割，采用灰度共生矩陣法提取結(jié)節(jié)的內(nèi)容紋理特征參數(shù)，采用Curvelet變換方法提取結(jié)節(jié)的邊緣紋理特征參數(shù)。此方法能夠使結(jié)節(jié)的邊緣信息增強(qiáng)，更好地保留其邊緣信息，從而提高判斷結(jié)節(jié)性質(zhì)的準(zhǔn)確率。
文檔編號G06T5/00GK101853493SQ201010176568
公開日2010年10月6日 申請日期2010年5月19日 優(yōu)先權(quán)日2009年10月21日
發(fā)明者郭秀花 申請人:首都醫(yī)科大學(xué)