基于OTSU算法和带通滤波器的毛玻璃型肺结节检测

范立南，胡向丽，孙申申

（沈阳大学 信息工程学院，辽宁 沈阳 110044）

肺结节是肺部最常见的病变之一，可以是良性病变、转移瘤或肺癌.如果早期发现和治疗肺癌，患者的5年存活率可由14%提高到49%［1］.肺结节是肺癌的早期表现形式，它通常是指直径大于3mm而小于3cm的肺内类球形病灶［2］.根据不同的CT（Computed Tomography）影像表象，肺结节分为实心型结节和毛玻璃型结节［3］.毛玻璃型GGO（Ground Glass Opacity）肺结节呈淡淡的模糊影，而实心结节是高亮的类球形结构.医生在筛查结节时，很容易漏检毛玻璃型肺结节，但是毛玻璃型肺结节成为恶性结节的可能性更大，因此很有必要提取它的“候选点”.目前大部分国内外的研究机构对于肺结节的检测都只局限于实心型结节，对于GGO型结节检测的研究甚少.文献［4］提出了一种基于4个统计特征的候选结节提取方法.该方法用32套CT影像识别毛玻璃型肺结节，识别率仅为77%，但是该方法提出的4个毛玻璃型肺结节的特征，即均值、标准差、倾斜度和峰态，为毛玻璃型肺结节的特征提取提供了新的数据支持.文献［5］在文献［4］基础上提出Min-DD（最小方法差异）算法，它是一种基于形状的滤波器.该方法提取出了肺结节的形状特征，并且用31套CT影像作为实验数据对毛玻璃型肺结节进行识别，识别率为79.4%，平均每层1.07个假阳.文献［6］提出基于人工神经网络的有监督的结节加强方法.该方法首先用迭代阈值算法将图像二值化，用滚球方法将贴在胸膜上的结节提取出来；然后用大量的神经网络滤波器对结节进行加强.该方法的敏感性为97%，平均每层影像6.7个假阳.图1为一幅含有GGO型肺结节的肺影像，小方框内包含的模糊影即为毛玻璃型肺结节.

图1 小方框内即为毛玻璃型肺结节Fig.1 Ground glass opacity nodule is in the block

1 OTSU算法和带通滤波器的基本原理

1.1 最大类间方差法（大津法，OTSU）

最大类间方差法是一种自适应的阈值确定的方法，又叫大津法，简称OTSU.它是按图像的灰度特性，将图像分成背景和目标两部分.背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小.因此，使类间方差最大的分割意味着错分概率最小.

对于图像I（x，y），前景（即目标）和背景的分割阈值记作T，前景的像素点数占整幅图像的比例记为ω1，其平均灰度μ1；背景像素点数占整幅图像的比例为ω2，其平均灰度为μ2.图像的总平均灰度记为μ，类间方差记为g.

假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N1，像素灰度大于阈值T的像素个数记作N2，则有：

采用遍历的方法得到使类间方差最大的阈值T，即为所求.

1.2 带通滤波器的基本原理

带通滤波器是一种允许一定频率范围内的信号通过，而阻止其他频率范围内的信号通过的滤波器.理想带阻滤波器的表达式为

理想带通滤波器的传递函数为

毛玻璃型肺结节的CT值小于血管和实心结节的CT值，并且大于肺实质区域的CT值.而带通滤波器的频率特性与毛玻璃型肺结节特性一致，为此可以将其应用到毛玻璃型肺结节检测中，将CT值位于一定范围内的毛玻璃型肺结节检测出来.

2 毛玻璃型肺结节的检测算法

2.1 OTSU算法分割肺实质

由于肺结节一定位于肺实质上［7］，所以肺结节检测的第一步就是肺实质的分割，这样可以提高肺结节检测的效率.本文用OTSU算法分割肺实质.分割肺实质流程图如图2所示.

图2 分割肺实质流程图Fig.2 Flow chart of lung parenchyma’s segmentation

2.2 带通滤波器检测毛玻璃型肺结节

圆点滤波器是一种增强局部具有球形结构像素的方法，提取实心候选结节效果明显，它不仅要考虑以该“候选点”为中心的包围核的形状特征，同时还考虑该像素的灰度特征［8-9］.因此本文考虑使用带通滤波器来检测灰度值介于血管和肺实质之间的毛玻璃型肺结节，图3即为用带通滤波器检测毛玻璃型肺结节的流程图.

图3 带通滤波器检测毛玻璃型肺结节的流程图Fig.3 Flow chart of the detection of ground glass opacity nodule with band-pass filter

3 实验结果与分析

3.1 实验数据

表1描述了本文使用的影像数据来源和数据的属性.数据来源于LIDC数据库和中国医科大学附属第一医院，每套数据的结节都有医生手工标识的金标准，即结节的位置.LIDC数据库中的数据是扫描部分的肺影像，而中国医科大学附属第一医院的数据是扫描全肺影像.后者的数据库中的影像是通过东芝16排CT产生的，球管的电压为120kV，电流为130mA.数据被重建成像素为512×512的影像.

表1 本文测试算法性能的数据Table 1 Data used to test performance of algorithm

3.2 实验结果

3.2.1 分割肺实质的实验结果

用OTSU算法分割肺实质，首先选取阈值，然后用选取的阈值对图像进行二值化，填充空洞，最后将空洞填充后的图像与原图像相乘.OTSU算法分割肺实质的结果如图4所示.

图4 OTSU算法分割肺实质的结果Fig.4 Results of the segmentation of lung parenchyma by OTSU algorithm

3.2.2 毛玻璃型肺结节检测结果

对于中国医科大学附属第一医院的19个GGO型结节，漏检了3个；而对于LIDC数据库中的GGO型结节，漏检了1个.表2分别列出了三种方法的漏检率，平均每套影像检测GGO结节所需要的时间.

表2 本文方法与现有两种方法的性能对比Table 2 Comparison between the performance of this method and the existing two methods

带通滤波器检测毛玻璃型肺结节的实验结果如图5所示.

图5 带通滤波器检测到的结果Fig.5 The result of detection with band-pass filter

4 结 语

本文首先用OTSU算法分割肺实质.然后用带通滤波器检测CT值位于一定范围内的毛玻璃型肺结节，检测效果良好.该方法在所需运行时间和检测率上都优于现有的检测毛玻璃型肺结节的方法.

［1］ Lin D T，Yan C R，Chen W T.Autonomous Detection of Pulmonary Nudules on CT Images with a Neural Networkbased Fuzzy System［J］.Computerized Medical Imaging and Graphics，2005，29：447-458.

［2］ 薛以锋，鲍旭东，马汉林，等.基于CT图像的肺结节计算机辅助诊断系统［J］.中国医学物理学杂志，2006，23（2）：93-96.（Xue Yifeng，Bao Xudong，Ma Hanlin，et al.Computeraided Diagnosis System for Pulmonary Nodules Based on CT Images［J］.Chinese Journal of Medical Physics，2006，23（2）：93-96.）

［3］ 孙申申，范立南，任会之.基于圆点滤波器的毛玻璃型肺结节检测［J］.计算机工程，2010，36（23）：7-9.（Sun Shenshen，Fan Linan，Ren Huizhi.Ground Glass Opacity Nodule Detection Based on Dot-Filter［J］.Computer Engineering，2010，36（23）：7-9.）

［4］ Katsumata Y，Itai Y，Maeda S，et al.Automatic Detection of GGO Candidate Regions Employing Four Statistical Features on Thoracic MDCT Image［C］.COEX，Seoul，Korea：International Conference on Control，2007，17-20.

［5］ Katsumata Y，Itai Y，Kim H，et al.Automatic Detection of GGO Candidate Regions by Using Artificial Neural Networks from Thoracic MDCT Images［C］.COEX，Seoul，Korea： The 3rd Intetnational Conference on Innovative Computing Information and Control，2008，1983-1985.

［6］ Suzuki K，SHI Zheng Hao，et al.Supervised Enhancement of Lung Nodules by Use of a Massive-Training Artificial Neural Network（MTANN）in Computer-Aided Diagnosis（CAD）［C］.Chicago：IEEE TRANSACTIONS ON BIOMEDICAL，2008，123-134.

［7］ 陈卉，徐岩，马斌荣.针对肺结节检测的肺实质CT图像分割［J］.中国医学物理学杂志，2008，25（6）：883-886.（Chen Hui， Xu Yan， Ma Binrong. Automated Segmentation of Lung Parenchyma Designed for Detection of Lung Nodules in CT Scans［J］.Chinese Journal of Medical Physics，2008，25（6）：883-886.

［8］ 张娟.基于Hessian矩阵的肺结节计算机辅助检测算法研究［D］.泰安：泰山医学院，2009，19-20.（Zhang Juan.Computer-aided Detection Algorithm for Lung Nodules based on Hessian Matrix［D］.Tai’an：Taishan Medical University，2009，19-20.

［9］ 杨金柱，赵大哲，徐心和.一种多尺度圆形滤波器在肺结节增强中的应用［J］.系统仿真学报，2008，20（14）：3726-3729.（Yang Jinzhu，Zhao Dazhe，Xu Xinhe.Algorithm for Circle Filter Based Anisotropy Smoothing Equations Application for Enhancement of Pulmonary Nodules［J］.Journal of System Simulation，2008，20（14）：3726-3729.）