基于BP神经网络的肺结节自动检测算法研究

钟明霞 姜柏军

摘 要： 长期监测发现近年来我国肺癌发病率上升至原先的4倍，气象等专家经过研究发现，灰霾是致肺癌高发的一个根本原因，特别是在城市。肺癌的早期诊断十分重要。利用计算机图像处理技术检测肺癌早期标志物——肺结节，可以提高肺癌诊断的准确率。据此设计了一个CAD系统，尝试通过四个步骤实现肺结节的检测：肺实质分割、感兴趣区（ROI）的提取、特征的提取与计算、肺结节检测。

关键词： 灰霾； 肺结节； 图像处理； CAD； BP神经网络

中图分类号：TP391.7 文献标志码：A 文章编号：1006-8228（2014）10-24-03

Research of lung nodules detection algorithm based on BPNN

Zhong Mingxia， Jiang Bojun

（Zhejiang Vocational College of Commerce， Hangzhou， Zhejiang 310053， China）

Abstract： Through long-term monitoring， the incidence of lung cancer has increased to four times higher than the past. The weather experts conclude that the grey haze is the prime cause of high incidence of lung cancer， especially in cities. It is important to early diagnose lung cancer. This project will use the computer image processing technology to detect early lung cancer markers， lung nodules， to improve the accuracy in diagnosis of lung cancer， at the same time can reduce the workload of doctors. A CAD system is designed. The detection of lung nodules are realized by four steps： lung parenchyma segmentation， interested area （ROI） extraction， feature extracting and calculating， lung nodule detection.

Key words： grey haze； lung nodules； image processing； CAD； the BP neural network

0 引言

根据2014年全国肿瘤登记中心发布的《2013年中国肿瘤登记年报》[1]中，居全国恶性肿瘤发病第一位的是肺癌，居全国恶性肿瘤死亡第一位的仍是肺癌。曾在2011年11月，广州气象专家吴兑经过多年研究发现，广州的灰霾天数增加与肺癌发生率两者的变化曲线相当吻合，有力地证明了在高污染的大城市中（如广州），空气质量下降和肺癌之间的关系[2]。研究数据证明，随着近年来大力推行控烟政策，我国吸烟率已呈现小幅下降趋势，已经不足以成为肺癌的主要杀手，而当前以PM2.5为主的灰霾空气污染已成为肺癌高发的最重要诱因。

1 肺癌早期标志物及CT检测

肺癌和所有癌症一样，早期诊断是治疗的关键，提倡“早发现，早治疗”。肺癌早期一般表现为肺癌影像出现直径小于3cm而大于3mm的长在肺实质区域内的类球形病灶，临床上把它叫做肺结节[3]。因此，肺癌的早期诊断最终归结为对肺结节的检测上面。

肺结节的检测方法有X线胸片检测和CT检测两种。使用CT检测肺结节显著优于X线胸片，与传统的胸部X光片相比，CT表现出了更加卓越的灵敏度，直径小于1cm的小结节易被X线胸片遗漏，CT检出肺结节的概率可为X线胸片的8倍。在大型医院中，每天要接待几百名甚至近千名需要做CT扫描的病患，每套CT片数量大约在20至40张左右不等。在视觉上分辨肺结节的过程中，经常会被CT中突起状的血管混淆[4]，区分这两者需要医生人工在大量多重CT片及容积分析中来判别，这个过程可能导致人眼疲劳和分心，尤其可能还存在其他病变的干扰，难免存在误诊和漏诊的情况。而且，假阳性结节的检测可能导致增加花费，给患者带来焦虑感甚至给没有肺癌的患者增加负担。

2 CAD检测系统设计

本项目旨在利用计算机图像处理技术，设计一个肺结节CAD系统，用于检测肺癌标志物——肺结节，从而提高肺癌诊断的准确率，同时减轻医生的工作量。

该系统尝试通过四个步骤实现肺结节的检测：肺实质分割、感兴趣区（ROI）的提取、特征的提取与计算、肺结节检测。CAD检测系统流程图如图1所示。

[感兴趣区

（ROI）的提取][CT影像] [肺实质分割][特征的提取

与计算][肺结节检测][输出标注过肺结点

区域的CT图像]

图1 CAD系统检测流程图

2.1 肺实质分割

以一幅CT图像为例，肺实质分割和提取过程如图2和图3所示，其中主要的分割算法包括数学形态学操作、阈值分割以及区域生长法等图像处理技术。

（a） 原始CT图像 （b） 提取躯干轮廓 （c） 去除气管干扰

图2 CT图像预处理

（a） 原始CT图像 （b） 8邻域形态学轮廓提取

（c） 躯干模板 （d） 模板内部区域 （e） 肺实质

图3 肺实质提取过程

2.2 感兴趣区（ROI）的提取

在图像处理领域，感兴趣区域（ROI）是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点，也就是医生真正关注的内容[5]。在这一步骤中将圈定ROI区域，剔除图像中无关部分，之后的处理操作均是针对该ROI区域，这样可以减少处理时间，增加检测精度。这部分实验的输入图是经过上一步处理后提取出的肺实质图像。为了尽可能不发生漏检情况，该步骤采用基于数学Hessian矩阵的圆点滤波器进行检测，自适应地选取 ROI。以图像为例，数学Hessian矩阵的圆点滤波器检测结果如图4所示。

（a） 上一步得到的肺实质图像 （b） Hessian矩阵检测结果 （c） 标注ROI区域

图4 提取ROI区域

2.3 特征提取与计算

在上一个步骤中虽然标注出了ROI区域，但这些区域并不单单只是肺结节，肺气管内的软组织和血管可能与肺结节重叠，在图像处理后表现出一样的高亮度效果，所以上一步完成后仍然有很多肺结节的假阳性（FP，false positive）存在。所以需要分类处理，分类识别的关键是提取特征，特征的形成是分类识别的关键，这些特征必须有足够的区别肺结节（肺癌标志物）和非结节（组织或血管等）的能力。

表1 对检测区域提取的特征

[特征内容＼&特征＼&特征描述＼&视觉特征＼&圆形度＼&特征反映了目标接近圆形的程度＼&紧凑度＼&描述区域特征＼&一致性＼&当所有灰度值相等时，该度量最大并从此处开始减小＼&平滑度＼&区域中亮度的相对平滑度度量 ＼&曲率＼&边界曲率＼&边界不规则度＼&边界点到重心距离的关系＼&统计特征＼&方差＼&平均亮度度量＼&最大值＼&＼&最小值＼&＼&三阶矩＼&平均对比度度量＼&不变矩＼&均值的三阶矩，度量直方图的偏斜＼&变换系数特征＼&傅立叶描述子＼&对平移、缩放、镜像和旋转都不敏感的7个不变矩＼&]

2.4 肺结节检测

接下去采用BP神经网络分类器进行特征优化与肺结节的检测，网络通常采用三层结构，如图5所示。

[误差反向传播] [输入层][隐含层][输出层][信息正向传播][V][W] [x1][xi][xn][i][n][q][m][j][z1][zk][zq][y1][yj][ym]

图5 3层BP神经网络结构图

在BP神经网络中我们将使用上一步中的特征向量作为输入层数据进行分类测试，但输入之前必须先采用主分量分析算法（PCA）对原始特征进行优化。PCA算法在保留原始数据所有信息的基础上对数据源进行降维处理，这样可以克服传统的特征选择单纯删除原始数据某些维数所带来的信息量不全的缺陷，从而提高神经网络的分类能力。采用PCA算法后优化后的特征向量包括八个，如表2所示。

接下来，在BP神经网络中使用表2中特征向量作为输入层数据进行分类测试，比较各类特征向量的分类能力。从含有结节的图像中提取32像素*32像素的结节区域，为了增加样本数，将每个结节区域分别按顺时针旋转90度、180度、270度，得到三个新的区域作为训练样本，这样共有256个训练样本，按16×16的结构组成512×512像素大小的训练样本图像，用于网络训练。网络的输出介于0～1之间，当输出值大于0.5时认为是结节，否则认为是血管。

仍然以同样的CT图像为例，BP神经网络分类结果如图6所示，其中图6（a）表示原始CT图像，图6（b）表示上一步中标注的ROI区域（包含组织或血管），图6（c）表示神经网络分类后的肺结节（剔除假阳性），图6（d）表示在CT源图像上标记肺结节。

3 结束语

本项目研究如何设计一个可靠的计算机辅助诊断系统，采用图像处理算法将肺部CT影像进行计算处理，分割出肺癌标志物——肺结节，从而检测肺癌的早期病变，帮助放射科专家或相关行业医生快速的作医学诊断，提高效率。该研究成果可用于开发计算机辅助诊断系统，作为开发人员的参考资料。如果能将这种计算机辅助检测系统引进到实际应用或临床医疗中，以此作为检测早期病变的辅助手段，会有巨大的市场潜力，且意义重大。

参考文献：

[1] 2013中国肿瘤登记年报[R].全国肿瘤登记中心，2014.4.

[2]吴兑.中国灰霾天气研究10周年记[J].环境科学学报，2012.32（2）：

257-269

[3] 田捷等著.医学影像处理与分析[M].电子工业出版社，2003.

[4] 聂生东，郑斌，李雯.CT图像肺结节计算机辅助检测与分类系统设计[J].

系统仿真学报，2007.19（5）：935-944

[5] 刘士远等.孤立肺结节的CT成像策略[J].中国肿瘤影像学，2009.2：

132-139