一种改进的参数化对数图像处理方法

张凯杰，陈 胜

(上海理工大学 光电信息与计算机学院，上海 200093)



一种改进的参数化对数图像处理方法

张凯杰，陈 胜

(上海理工大学 光电信息与计算机学院，上海 200093)

针对现有胸片中根据肺结节对病情诊断不精确的问题。采用一个基于拉普拉斯高斯滤波的参数化对数图像处理方法对CXR中的肺结点进行增强。该方法采用具有相应参数的LoG 来增强原始胸片中的结节状结构和边缘。然后再利用参数变化的PLIP方法提高图像对比度。文中选择熵值对此方法进行评估。熵值越小，表明图像增强的性能越好。从结果来看，采用不同参数的改进PLIP方法处理后图像的熵值平均为原始图像熵值的1/12。

胸片；肺结节；图像增强；参数化数图像处理；高斯的拉普拉斯

2013年，肺癌约占所有因癌症死亡人数的27%[1]，而肺癌患者能够存活5年的仅有14 %。早期发现并且治疗肺癌仍然可以大幅增加患者的生存几率[2]。因为肺癌的临床检测主要通过识别肺结节，所以胸片(Chest Radiographs，CXRs)中肺结节的检测至关重要[3]。近年来，与胸片相关的图像增强处理方法取得了长足的进步。例如Mohamad Salim开发了一种针对肺结节的电磁和声波结合的测量技术[4]。Penedoet 提出了一个基于两级人工神经网络结构来增强肺结节的方法[5]。Wang提出了一种计算机辅助肺结节分割结合自动检测横断胸片的方法来增强肺部区域[6]。但这些方法在对小的肺结节检测并没有太大效果。Eycenssac提出了拉普拉斯高斯(LoG)滤波方法[7]，但它却不能增强局部肺结节。Suzuki等人开发出了多分辨率大规模人工神经网络培训的图像处理技术，它有助于抑制胸片中肋骨和锁骨的对比度[8]。Jourlin和Pinoli提出的对数图像处理(LIP)模型[9-10]。Deng等优化了LIP模型[11]，它可以同时提高整体对比度和图像的清晰度。虽然对胸片的增强已经进行了大量研究，但肺结节的检测仍是一个难题。本文研究了一种基于拉普拉斯高斯滤波的参数化对数图像处理模型。

1 材料和方法

1.1 胸片数据库

本文使用JSRT数据库中的图片。该数据库中的胸片由14个医疗机构历时3年收集而成。所有胸片结节都由CT确认过，并且由3个放射科医师共同确认结节的位置。所有图像都经过数字化处理。原始数据库包含有93张无任何结节和病症的正常胸片以及140张确诊的结节尺寸范围5～40 mm平均尺寸24.6 mm的胸片。患者年龄从21～79岁不等，平均59.68岁，其中有81女性患者和8名患有恶性结节患者。

1.2 LoG 算法

LoG(Laplace of Gaussian)算法是拉普拉斯运算与高斯运算的卷积

(1)

其中，σ为高斯函数的标准偏差。进行降噪处理之前要采用Laplace算子进行边缘检测

Δ[Gσ(x,y)×f(x,y)]=[ΔGσ(x,y)]×f(x,y)=

LoG×f(x,y)

(2)

其中，(x,y)是其中某点在图像中的坐标，函数f(x,y)是输入图像坐标(x,y)的像素强度。首先要获得LoG然后输入图像与其进行卷积，公式表示为

(3)

(4)

在2012年4月25日自治区监狱管理局一份干部任职文件中，一共21人提任职务，后纪委部门查证，其中给谢晖送钱“表示”的竟达17人！

(5)

可以把LoG算子定义为

LoG·ΔGσ(x,y)=

(6)

高斯在LoG算子中可以平滑图像并且减少噪声的影响。更重要的是，它可以抵消由拉普拉斯二阶导数所引起的噪声。

1.3 PLIP 模型

传统的LIP模型为

log(f′(i,j))=

alog(a(i,j))+β[log(f(i,j))-log(a(i,j))]

(7)

(8)

其中，f′(i,j)是增强后的图像；a(i,j)是用n×n窗口均值后的图像；f(k,l)是原图均值区域像素强度；f(i,j)是原始图像；α决定图像对比度；β决定图像的清晰度。然而这种模型有一定的缺陷，为了更准确地处理图像，Karen Panetta 提出了参数化对数图像处理模型[12]，下面给出该模型的基本同态函数和向量运算。PLIP(Parameterized Logarithmic Image Processing) 模型的基本同态函数

(9)

(10)

其中，式(9)是PLIP模型基本同态函数的正变换；式(10)是PLIP模型基本同态函数的逆变换。

PLIP模型的向量运算

(11)

其中，“⊕”和“Θ”和“⊗”在PLIP中分别表示加、减和乘；a和b是任意标量值，例如灰度级的像素值；β和g是常数；γ,K和λ都是任意函数。一般γ，K取常量并且λ=1 026。

1.4 改进算法

(12)

(13)

(14)

式中，γ(t),K(t)和λ(t)分别为γ,K和λ的函数，他们可以在系统中被训练。当t=1时，改进的 PLIP模式就转换为传统的PLIP模式。图1显示出两者的关系。

图1 两种PLIP转换关系

LoG虽然能增强图像的边缘，但并不能只针对肺结节进行增强，PLIP可以针对所需特征有效地增加对比度并且锐化图像。本文提出了一个结合上述两种情况的方法。具体步骤如下：

第一步，确定一个存在于每个胸片中的一致的准则，然后优化PLIP模型中参数。首先把脊柱周围的密度归一化到 ，之后在PLIP模型中用 来计算参数。使用多段自动形状模型(Multi-segment Active Shape Model ，ASM)或者全新的两步自动化分割方法来确定肺部区域，在这之后就能计算肺部区域的平均密度[13-15]。

(15)

第三步，应用PLIP模型，对第二步中的图像增强。由该模型增强的图像可由下式定义

(16)

(17)

1.5 熵评估

为证明改进后的PLIP方法的优势，本文采用了 (Enhancement by Entropy, EMEE)来评估增强后的图片。与其他方法相比，熵的评估标准与主观视觉效果更一致。它是通过将图像I(i,j)分割成k1×k2块，并且在每个块中获得最大的Imax;k,l和最小Imin;k,l，以下方程用于计算熵值

(18)

对于实验数据库中的胸片，像素的强度范围为0～4 095。其中很多像素值为0，因此为使分母不为0，在方程加入了常数c。本实验中，c设定为1，5，10。

2 实验结果

首先用改进方法增强的图片与原始图片或者使用其他方法增强的图片比较。然后应用EMEE评估每个增强方法的性能。经试验验证在改进PLIP中β和g的最佳取值分别为1和50。图2为用不同方法增强的图像与原始图像对比。

表1为使用不同方法增强的图像与原始图像的EMEE结果。

表1 EMEE(熵)评估结果

图2 使用不同方法增强的图像

3 讨论

本文已经展示了CXRs中肺部结节的增强方法。基于上述讨论得出结论，改进的PLIP方法在CXRs中可以显著增强肺部结节。使用改进的方法处理图像只需5 s(LoG增强需2 s,PLIP处理需3 s)，使用的电脑配置为英特尔奔腾2.4 GHz处理器，3 GB内存。因此，改进的方法是实时处理系统，并满足医生需求。

4 结束语

提出了一种基于拉普拉斯高斯滤波的参数化对数图像处理模型。该方法可有效地提高图像的对比度并且增强可疑结节，以帮助医生检测肺癌。同时也观察到在改进的方法中由于设备的不同或者拍片的时使用的剂量不同使参数很难选取。在本实验中使用的数据库已知结节的尺寸并且优化了LoG中的参数σ。然而如果把该方法应用到其它未知结节尺寸的数据库中，其结果有可能不理想。使用改进PLIP方法增强的图像仍存在一些问题，例如，当良性和恶性结节相似时，改进方法将两者都增强了，后续研究中将解决这些问题。

[1] Richard W.American cancer society lung cancer screening guidelines[J].CA Cancer Journal of Clin,2013,63(2):106-117.

[2] Chen Sheng,Suzuki Kenji.Computerized detection of lung nodules by means of “virtual dual-energy” radiography [J].IEEE Transactions on Biomed Engineering,2013,60(2):369-378.

[3] Coppini G,Diciotti S.Neural networks for computer-aided diagnosis:detection of lung nodules in chest radiograms[J].IEEE Transactions on Information Technology Biomed,2003,12(4):344-357.

[4] Salim M I,Supriyanto E,Hauei Sen J. Measurement of bioelectric and acoustic profile of breast tissue using hybrid magneto acoustic method for cancer detection[J].Medicine Biology Engineering Computer,2013,51(4):459-466.

[5] Penedo M G,Carreira M J,Mosquera A,et al. Computer-aided diagnosis: a neural-network-based approach to lung nodule detection[J].IEEE Transactions on Medicine Imaging,1998,17(6):872-880.

[6] Wang J,Del V M.Computer-assisted quantification of lung tumor in respiratory gated PET/CT images: phantom study[J].Medicine Biology Engineering Computer,2010,48(1):49-58.

[7] Neycenssac F.Contrast enhancement using the Laplace of Gaussian filter[J].Gr Models Image Process,1993,55(6):447-463.

[8] Suzuki K,Abe H,Doi K.Image processing technique for suppressing ribs in chest radiographs by means of massive training artificial neural network (MTANN)[J].IEEE Transactions on Medicine Imaging,2006,25(4):406-416.

[9] Jourlin M,Pinoli J C.A model for logarithmic image processing[J].Journal of Microsc,1988,149(1):21-35.

[10] Jourlin M,Pinoli J C.Logarithmic image processing:the mathematical and physical framework for the representation and processing of transmitted images[J].Advantage Imaging Electronic Physics,2001,115(1):129-196.

[11] Deng G,Cahiil L W,Tobin G R.The study of logarithmic image processing model and its application to image enhancement[J].IEEE Transactions on Image Process,1995,4(4):506-512.

[12] Panetta K,Agaian S,Zhou Y,et al. Parameterized logarithmic framework for image enhancement[J].IEEE Transactions on System Man Cybern B Cybern,2011,41(2):460-473.

[13] 李培华,张田文.主动轮廓线模型综述[M].软件学报,2000(6):161-167.

[14] 何菁,陈胜.一种全新的两步自动化医学图像分割方案[J].电子科技,2016,29(7):85-88.

[15] 戴橙,陈胜. 改进的分水岭算法用于X光医学图像分割[J].电子科技,2015,28(6):9-12.

A Parameterized Logarithmic Image Processing Method with Laplace of Gaussian Filtering for Lung Nodule Enhancement in Chest Radiographs

ZHANG Kaijie, CHEN Sheng

(School of Opto-Electronic Information and Computer Science,University of Shanghai for Science and Technology,Shanghai 200093,China)

Considered the disease diagnose by existing lung nodules in chest radiographs (CXRs) is not very accurate. In this paper, we proposed a parameterized logarithmic image processing (PLIP) method combined with the Laplacian of a Gaussian (LoG) filter to enhance lung nodules in CXRs. First we use LoG to sharp the edge of lung nodules and then apply the PLIP to highlight the contract. To evaluate the new method we introduced the measurement of enhancement by entropy evaluation to objectively assess this method. The smaller EMEE’s value means the better image enhancement performance. When chose different c for improved PLIP, the average of image’s EMEE is only 1/12 of original image’s EMEE.

Chest Radiographs (CXRs);lung nodules;image enhancement;Parameterized Logarithmic Image Processing (PLIP);Laplace of Gaussian (LoG)

2016- 09- 29

张凯杰(1988-)，女，硕士研究生。研究方向：医学图像处理与分析。陈胜(1976-)，男，博士，教授。研究方向：医学图像处理与分析等。

10.16180/j.cnki.issn1007-7820.2017.08.034

TP391.41

A

1007-7820(2017)08-124-04