基于视觉显著性的肺结节检测系统的设计与实现

2018-01-26柴小雲韩贵来林建林符春明陈祖安张雨薇

计算机时代 2018年1期

柴小雲+韩贵来+林建林+符春明+陈祖安+张雨薇

摘要：检测系统先利用迭代等方法分割出肺实质区域，然后根据策略改进的ITTI视觉注意模型找出肺结节所在的显著性区域，再利用最大类间方差等方法分割出可疑肺结节，最后提取肺结节的特征并利用支持向量机进行分类建模。该系统能更快地分割出可疑肺结节区域，提高肺结节检测的速度。帮助医生更快速精确地了解医学图像中的信息。

关键词：视觉显著性；肺结节；支持向量机；医学图像处理与分析

中图分类号：TP311 文献标志码：A 文章编号：1006-8228（2018）01-46-03

Design and implementation of pulmonary nodule detection system based on vision saliency

Chai Xiaoyun， Han Guilai， Lin Jianlin， Fu Chunming， Chen Zu'an， Zhang Yuwei

（Institute of Medical Information， Hainan Medical College， Haikou， Hainan 571199， China）

Abstract： The detection system uses iterative method to separate the lung parenchyma， then according to the strategy of improved ITTI visual attention model to identify the salient region of lung nodule， and then the suspected pulmonary nodules is separated by using the Otsu method. Finally， the features of pulmonary nodules are extracted and classified by support vector machines. The system can quickly separate the suspicious regions of lung nodule and improve the detection speed of pulmonary nodules， helping doctors understand the information in medical images more quickly and accurately.

Key words： vision saliency； pulmonary nodule； support vector machines； medical image processing and analysis

0 引言

據国家癌症中心《2017中国城市癌症最新数据报告》显示，在各大城市中死亡率前五位的癌症主要是肺癌和消化系统癌症，其中肺癌在小城市、中等城市、大城市中的死亡率分别为40.71%、47.79%、54.19%，远远超过死亡率排名第二的胃癌、肝癌[1]。在国内，肺部结节的发病率已达20%，这其中约有5%会转化为肺癌[2]。对于肺部结节患者，在三个月内追踪随访，可以筛查早期肺癌，所以早发现早治疗，才能给患者提高最大的生存空间[3]。目前，螺旋式CT扫描有利于肺癌的早期诊断和鉴别[4]。近年来，通过运用计算机程序对CT图像的处理与分析研究，使得肺结节计算机辅助诊断技术快速的发展起来[5]。

本系统也是基于CT图像的检测来开展，目的是通过实现肺结节的系统检测，来减少肺结节的漏诊和误诊的几率[6]。其中，可疑肺结节区域的分割，是本文系统实现其功能的关键。本文采用对ITTI的视觉感知模型中的WTA策略进行改进，结合肺结节精确分割流程，使显著性区域分割从单一肺结节扩展到多发肺结节[7]，提高了肺结节显著性区域分割的准确率。

1 系统设计方案

本文设计的基于视觉显著性的肺结节检测系统，可以辅助医生更好地检测和发现CT图片中可疑肺结节的区域，是医护人员的“第二双眼睛”。系统从CT图像的获取与识别开始，去除胸廓区域分割出肺实质，使用最大类间方差的方法对ITTI模型中的WAT算法策略进行改进，使感兴趣区域的分割从单一的肺结节转为多发肺结节[7]，而后进行可疑肺结节的特征提取和SVM建模分析，如图1所示。

2 系统设计与实现

2.1 肺实质分割

在CT图像中，除左右肺之外还包括胸廓、肋骨及胸壁软组织等，如果这些组织没有被剔除，就会降低算法的有效性、增加检测的时间，将会容易造成对于后续肺结节的特征提取和分析的误诊、错诊。因此我们需要将CT片中的肺实质区域给精准的分割出来。本文使用迭代法自动获取灰度阈值，结合Matlab工具箱函数和图像灰度化处理、区域增长、二值化图像等多种算法的来实现肺实质的分割，如图2所示。

使用阈值处理图像具有简单、直观且计算速度快等特点。本文将CT图像看成是由深的背景与亮的对象所组成，对所有f（x，y）>T的点称为对象点。反之，就称为背景点，使用下面的公式表示：

阈值T的自动获取：

⑴ Gmax=图像的最大灰度值，Gmin=图像的最小灰度值，T0（初始阈值）=（Gmax+Gmin）/2；

⑵ 根据阈值T1，将CT图像分割为背景和前景，求出两者的平均灰度值MO和M1；

⑶ T1（新的阈值）=（M0+M1）/2；

⑷ 若M0和M1不再变化（或者T1不再变化）则阈值为T1；不然跳转⑵继续迭代。

2.2 肺结节感兴趣区域的分割endprint

对CT图像的预处理和使用迭代法自动计算出阈值对图像进行分割，比较精准地分割出了左右肺的图像，对于后续的肺结节区域特征提取和分类识别还需要进行肺结节可疑区域的分割。在传统的视觉注意机制中，ITTI视觉注意模型被广泛使用，对输入图像的颜色、方向、亮度进行多尺度和多个特征通道的分解，通过滤波获取到特征图，再对特征图做融合计算得到显著图。

在前期研究中，本项目也使用此种视觉注意机制来对图像进行显著性特征图的获取，但发现对于医学CT图像低亮度、低对比度的特点，获取到的图像不能很好的达到要求。所以，在模型中除了原本的三个特征之外，我们引入了局部熵、角点、边缘等特征，让视觉注意模型对输入的图像基于这六大特征通道和多尺度进行分解，最终得到基于视觉的肺结节显著性特征图，如图3。引入了多个特征通道之后，对于传统的CAD检测系统而言，本文所得到的显著性特征图减少了假肺结节的出现的情况。

对于肺结节感兴趣区域的分割，使用ITTI“胜者为王”的策略，在该策略中比较几个显著性区域的大小，取其大的区域进行分割。对于较大的肺结节区域或是单一的肺结节区域可以有效的进行显著区域的分割，但是对于较小的肺结节和多发区域的肺结节，使用该模型不能将感兴趣分割出来。所以，本文对该策略进行改进，使用最大类间方差的方法对显著图进行分割，分割出感兴趣的显著性区域，如图4。

2.3 可疑肺结节分割

由于肺结节感兴趣区域与原肺实质图像中的肺结节显著性区域中二者的可疑肺结节区域没有匹配，所以，不能直接认为感兴趣区域就等于可疑肺结节区域，还需继续对其进行分割。为此，本文设计了一种对于显著性区域进行精确分割的流程，如图5所示。对肺实质图像使用改进的ITTI模型策略，使用最大类间方差的方法得到感兴趣区域，将感兴趣区域与二值化的原肺实质图像进行交运算、去噪，得到各个连通子区域，将原肺实质图像中对应的最高灰度值点作为种子点，进行图像的区域生长，最终得到分割出来的可疑肺结节图像。

2.4 肺结节特征提取与SVM建模分析

在分割出的可疑肺结节图像中，本文提取了肺结节的面积、紧缩度、圆形性、灰度均值、相关性、傅里叶描述子等一系列特征，利用支持向量机进行数据样本的训练。通过支持向量机，利用非常小量的训练样本就可以得到比较好的分类模式。同时，SVM是基于统计学习理论，除了与经验风险有关，还与拟合函数的复杂度有关，并且要和有限数目的样本相适应，而不是样本数量越大越好，这同时也可以解决因样本容量不足的短板。

3 结论

本系统是在Windows7系统上采用Matlab編程实现的，具有良好的用户GUI界面。通过改进ITTI模型中“赢者全拿”策略，使视觉注意模型在多发肺结节的分割上得以实现，

也使得肺结节显著性区域分割更加的精确。在一定程度上对大量的胸部CT图像更快速、高效的进行肺结节的检测，减少医院中漏诊和误诊情况的发生[8]。

本系统通过对肺结节显著性区域更加精确的分割，大大提高肺癌的早期排查的准确率，也充分显示出医疗信息化的优势。对于本系统中微小结节检测易被忽视的问题，在后期的开发中会考虑采用解析LIDC肺结节图像库的方法，提高对结节到微小结节的检测精确度。

参考文献（References）：

[1] RGA美国再保险.2017中国城市癌症最新数据报告[EB/

OL].http：//news.bioon.com/article/6700292.html，2017.

[2] 健康一线.浙江省人民医院引进肺结节辅助诊断系统[EB/

OL].http：//www.vodjk.com/news/170313/1083044.shtml，2017.

[3] Nie Shengdong，Zheng Bin，Li Wen.Design of Computer-

aided Detection and Classification of Lung Nodules Using CT Images[J]. Journal of System Simulation，2017.19（5）：935-944

[4] Qiu Shi，Wen Desheng，Cui Ying，Peng Jun.Lung Nodules