專利名稱：一種基于肺結(jié)節(jié)三正交位ct圖像紋理的提取方法和預(yù)測肺癌方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)影像診斷技術(shù)，尤其一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法和預(yù)測肺癌方法。
背景技術(shù)：
近年來，肺癌始終位居世界大多數(shù)國家腫瘤死亡率首位(SR Kim, et al. 2010) [1]，全球每年約有130萬人死于肺癌，占全部癌癥的18% (J Ferlay, et al. 2010) [2]，并且在未來30年中，肺癌仍將是中國人的主要死因(JW Wang, et al. 2005) [3]。盡管科學(xué)技術(shù)在不斷的發(fā)展，但是肺癌的預(yù)后仍然很差，大多數(shù)國家5年生存率僅為10% (G Mountzios, et al.2010) [4] 0然而肺癌病人能在早期被診斷，10年生存率可達(dá)92 % (N Seki, et al.2010)[5]。但是超過80%的病人被確診時已是中晚期。因此對肺癌進(jìn)行預(yù)防和早期診斷非常必要，探討肺癌早期有效診斷方法，對提高肺癌患者的5年生存率有重大意義。
雖然目前診斷肺癌最準(zhǔn)確的方法是細(xì)胞組織學(xué)檢查，但數(shù)字化CT(CompUted Tomography)檢查在健康體檢、疾病早期診斷中的應(yīng)用越來越廣泛，同時它也是肺癌早期診斷的最佳影像檢查方法(Cl Henschke, et al. 2008) [6] 0醫(yī)生通過觀察二維斷層CT圖像， 根據(jù)觀察病變體的影像學(xué)特征和自己的經(jīng)驗做出判斷。但由于早期肺部惡性腫瘤(周圍型肺癌)和結(jié)核球、炎性假瘤、錯構(gòu)瘤和肺曲菌病等良性肺部疾病在CT圖像上均呈結(jié)節(jié)狀，所以肺結(jié)節(jié)(指肺野內(nèi)直徑< 3cm的病灶)尤其是直徑小于Icm肺小結(jié)節(jié)性質(zhì)的判定在CT 圖像的診斷中一直是國內(nèi)外的一個難點(diǎn)和關(guān)鍵點(diǎn)(JW Chang, et al. 2008) [7]。采用何種先進(jìn)的技術(shù)方法，基于CT圖像的特征探討診斷肺結(jié)節(jié)的良惡性，提高惡性肺結(jié)節(jié)的鑒別率， 是許多國內(nèi)外學(xué)者研究的熱點(diǎn)和難點(diǎn)問題。
通過提取肺部CT圖像微觀紋理特征建立預(yù)測模型進(jìn)行輔助診斷，近幾年越來越引起研究者的關(guān)注。圖像紋理是一種圖像局部特征，是指在圖像中反復(fù)出現(xiàn)的局部模式和排列規(guī)則。圖像某一位置的紋理特征與這一位置周圍灰度值變化規(guī)律密切相關(guān)。
G Picozzi (2006) [8]曾采用分形方法對57例軸位良惡性肺小結(jié)節(jié)患者從形狀紋理提取CT圖像特征參數(shù)，發(fā)現(xiàn)良性與惡性肺小結(jié)節(jié)之間的分形維數(shù)差異有統(tǒng)計學(xué)意義；采用灰度共生矩陣(Gray-level co-occurrence matrices)方法提取內(nèi)部紋理特征是較好方法(OS Al-Kadi. 2010) [9]、基于 Wavelet 變換對肺結(jié)節(jié) CT 圖像增強(qiáng)(XH Guo, et al. 2010) [10]或提取紋理結(jié)合多變量統(tǒng)計方法處理較規(guī)則圖像結(jié)果比較理想(HD Lin, 2006) [11] 0 本項目組Q009) [12]基于灰度共生矩陣與小波變換方法提取軸位肺結(jié)節(jié)CT圖像內(nèi)部與外部14種紋理建立人工神經(jīng)網(wǎng)絡(luò)模型，我們也發(fā)現(xiàn)良性與惡性肺結(jié)節(jié)的主要區(qū)別在于邊緣紋理。由于CT圖像上的許多肺結(jié)節(jié)周邊有復(fù)雜毛刺，經(jīng)圖像分割后的二維圖像具有不規(guī)則性，所以小波變換逼近程度對部分圖像不十分理想。RFSS J0S0 (2010) [13]等人應(yīng)用多階段分別提取紋理的方法，提取了五個紋理參數(shù)，預(yù)測肺結(jié)節(jié)良惡性的靈敏度和特異度分別為 84. 84%和96. 15%。H Saito (2007) [14]等人應(yīng)用肺組織周圍變換結(jié)合肺結(jié)節(jié)玻璃樣變，估計孤立性肺結(jié)節(jié)惡性可能性大小，靈敏度和特異度為96. 6%和86. 1%。K Murphy (2009)[15]提取圖像的外形指數(shù)和曲度來鑒別肺結(jié)節(jié)的良惡性，靈敏度為80%。本項目組Q010)[16]應(yīng)用灰度共生矩陣和小波變換提取紋理建立兩水平預(yù)測模型，靈敏度為90.6%，但特異度較低(<40%)。
在選取肺結(jié)節(jié)CT圖像建立預(yù)測模型時，傳統(tǒng)方法是以軸位圖像——即二維圖像為樣本進(jìn)行紋理分析。但肺結(jié)節(jié)是立體結(jié)構(gòu)，用二維圖像分析肺結(jié)節(jié)會丟失圖像的部分信息， 不能充分反映結(jié)節(jié)全部紋理特征。CS Erick(2008) [19]等人嘗試?yán)?9例肺結(jié)節(jié)三維立體圖像，應(yīng)用Ripley’ s K公式提取紋理值，逐步判別分析作為分類器預(yù)測肺結(jié)節(jié)良惡性，靈敏度和特異度為70. 0%和100. 0%。雖然此研究選用三維圖像，但是提取紋理和建立預(yù)測模型的方法都較為落后。M Voltolini (2011) [20]等人用χ線片建立三維立體圖像分析火山巖不同類別特點(diǎn)，取得了較好的效果。
在基于CT圖像紋理建立診斷模型方面，傳統(tǒng)上采用的多元回歸模型，都是建立在個體測量值相互獨(dú)立的假設(shè)上，當(dāng)假設(shè)不成立時，模型中各參數(shù)估計值的有效性和統(tǒng)計特征均會受到影響。因為每個患者擁有多張肺結(jié)節(jié)CT圖像，內(nèi)部有聚集性，三正交位圖像反映結(jié)節(jié)性質(zhì)也具有關(guān)聯(lián)性，不符合傳統(tǒng)的統(tǒng)計分析方法中關(guān)于獨(dú)立性的假設(shè)。采用 Curvelet提取肺結(jié)節(jié)每一正交位的圖像紋理值，可以提取476紋理參數(shù)，再加影像學(xué)征象等信息，單純?yōu)榭朔D像的內(nèi)部聚集性而建立不能篩選變量的多水平模型不太理想。支持向量機(jī)(Support Vector Machine, SVM)是美國Vapnik教授于1990年代提出的。它建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。在解決非線性、高維數(shù)等模式識別問題中，支持向量機(jī)表現(xiàn)出許多特有的優(yōu)勢，本項目組O010) [21]對1 例肺結(jié)節(jié)患者的M61張DICOM格式軸位CT圖像，采用Cuvrelet變換提取紋理建立支持向量機(jī)， 結(jié)果較為理想(靈敏度和特異度均大于90% )，但是不能克服數(shù)據(jù)良惡性樣本例數(shù)偏性的問題。Y Lee (2009) [22]等人比較多種分類器以鑒別肺部阻塞性疾病，發(fā)現(xiàn)支持相機(jī)量的分類效果比較好。
良性與惡性肺結(jié)節(jié)的區(qū)別不但在CT圖像的紋理上不同，而且與許多危險因素有關(guān)，但如何將患者三正交位CT圖像上的肺結(jié)節(jié)Curvelet紋理，結(jié)合現(xiàn)場調(diào)查了解患者的行為、環(huán)境等因素，建立統(tǒng)計模型探討紋理特征和危險因素的研究尚未見報道。發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題在于提供一種靈敏度和特異度多很好的特征提取方法和建立預(yù)測模型方法。
為了解決以上問題，本發(fā)明提供了一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，包括以下步驟a、建立肺結(jié)節(jié)三正交位CT圖像體系；b、經(jīng)離散Curvelet變換法提取肺結(jié)節(jié)三正交位紋理特征參量。
還提供了一種預(yù)測肺癌方法，包括以下步驟a、肺部CT圖像紋理特征提取步驟； b、肺結(jié)節(jié)三正交位CT圖像影像征象提取步驟；C、對肺結(jié)節(jié)三正交位CT圖像紋理特征、影像學(xué)征象等多維度特征參量，通過Gradient Boosting算法，建立預(yù)測模型。
雖然離散Curvelet變換用于提取其它疾病CT圖像的紋理特征已有報道，但肺部的組織結(jié)構(gòu)和小結(jié)節(jié)特征異常復(fù)雜，本發(fā)明提出離散Curvelet變換基函數(shù)、選取適宜參數(shù)用于肺結(jié)節(jié)邊緣紋理特征的提取。Gradient Boosting[23]是一種Boosting方法，它主要的思想是每一次建立模型是在之前建立模型損失函數(shù)的梯度下降方向。損失函數(shù)描述的是模型的偏離真實情況的程度，損失函數(shù)越大，則說明模型越容易出錯。經(jīng)過我們前期研究發(fā)現(xiàn)，一個病人有多張CT圖像，而多張圖像之間有內(nèi)部聚集性，一般的統(tǒng)計方法都不適合，而使用多水平模型最為合適。但多水平模型對自變量的數(shù)量上有一定限制，不能應(yīng)用于高維數(shù)據(jù)。本發(fā)明采用Gradient Boosting算法建立集成模型，即克服了圖像的內(nèi)部聚集性又克服了高維數(shù)據(jù)。本發(fā)明的有益效果是靈敏度和特異度都很高，肺部病變診斷準(zhǔn)確率高。
具體實施方式
本發(fā)明提供了一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，包括以下步驟 a、建立肺結(jié)節(jié)三正交位CT圖像體系；b、經(jīng)離散Curvelet變換法提取肺結(jié)節(jié)三正交位紋理特征參量。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述三正交位為冠狀位、矢狀位和軸位。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述紋理特征參量為邊緣紋理特征參量。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述紋理特征參量為空域、頻域和/或幾何特征。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述空域、頻域和/或幾何特征為高頻比例、熵、能量、 均數(shù)、標(biāo)準(zhǔn)差等。
作為本發(fā)明的進(jìn)一步改進(jìn)，在b步驟之前還包括以下步驟
b’、肺實質(zhì)的分割與感興趣區(qū)域的提取。
本發(fā)明還提供了一種測肺癌方法，包括以下步驟a、肺部CT圖像紋理特征提取步驟；b、肺結(jié)節(jié)三正交位CT圖像影像征象提取步驟；C、對肺結(jié)節(jié)三正交位CT圖像紋理特征、 影像學(xué)征象等多維度特征參量，通過Gradient Boosting算法，建立預(yù)測模型。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述Gradient Boosting算法為
模型函數(shù)為Fm(χ) = Fffl^1 (χ) + P mh (χ ； α m)；
損失函數(shù)下降最快的方向/
權(quán)利要求
1.一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于，包括以下步驟a、建立肺結(jié)節(jié)三正交位CT圖像體系；b、經(jīng)離散Curvelet變換法提取肺結(jié)節(jié)三正交位紋理特征參量。
2.如權(quán)利要求1所述一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于， 所述三正交位為冠狀位、矢狀位和軸位。
3.如權(quán)利要求1所述一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于， 所述紋理特征參量為邊緣紋理特征參量。
4.如權(quán)利要求1所述一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于， 所述紋理特征參量為空域、頻域和/或幾何特征。
5.如權(quán)利要求4所述一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于， 所述空域、頻域和/或幾何特征為高頻比例、熵、能量、均數(shù)、標(biāo)準(zhǔn)差等。
6.如權(quán)利要求1至5之一所述一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，其特征在于，在b步驟之前還包括以下步驟b’、肺實質(zhì)的分割與感興趣區(qū)域的提取。
7.一種預(yù)測肺癌方法，其特征在于，包括以下步驟a、如權(quán)利要求1至5之一所述一種提取三正交位CT圖像肺結(jié)節(jié)紋理特征值算法步驟；b、肺結(jié)節(jié)三正交位CT圖像影像征象提取步驟；c、對肺結(jié)節(jié)三正交位CT圖像紋理特征、影像學(xué)征象等多維度特征參量，通過Gradient Boosting算法，建立預(yù)測模型。
8.如權(quán)利要求7所述一種預(yù)測肺癌方法，其特征在于，所述GradientBoosting算法為模型函數(shù)為=Fffl (x) = Fnri (χ) + P mh (χ ； α m)；損失函數(shù)下降最快的方向其中:
9.如權(quán)利要求7所述一種預(yù)測肺癌方法，其特征在于，所述圖像影像征象為結(jié)節(jié)大小和分布、結(jié)節(jié)密度、形態(tài)和邊緣狀況等。
10.如權(quán)利要求9所述一種預(yù)測肺癌方法，其特征在于，所述結(jié)節(jié)密度可以描述為實性結(jié)節(jié)、磨玻璃密度結(jié)節(jié)和/或部分磨玻璃密度結(jié)節(jié)，結(jié)節(jié)形態(tài)可以描述為圓形、類圓形和/ 或無定形，結(jié)節(jié)邊緣狀況可包括分葉征、毛刺征、邊緣光滑、邊緣模糊、胸膜凹陷、血管集束、 空泡征和/或空氣支氣管征等。
全文摘要
本發(fā)明公開了一種基于肺結(jié)節(jié)三正交位CT圖像紋理的提取方法，包括以下步驟a、建立肺結(jié)節(jié)三正交位CT圖像體系；b、經(jīng)離散Curvelet變換法提取肺結(jié)節(jié)三正交位紋理特征參量。還公開了一種預(yù)測肺癌方法，包括以下步驟a、肺部CT圖像紋理特征提取步驟；b、三正交位CT圖像影像征象提取步驟；c、對肺結(jié)節(jié)三正交位CT圖像紋理特征、影像學(xué)征象等多維度特征參量，通過Gradient Boosting算法，建立預(yù)測模型。本發(fā)明可用于肺部結(jié)節(jié)性病變早期診斷。
文檔編號G06T7/00GK102542562SQ20111037673
公開日2012年7月4日 申請日期2011年11月23日 優(yōu)先權(quán)日2011年11月23日
發(fā)明者劉韞寧, 吳海豐, 孫濤, 王嵬, 郭秀花 申請人:首都醫(yī)科大學(xué)