基于深度协作表达的CT图像特征关联定位算法*

王保茎，秦全波，毛怡盛，孔玲，丁丹卉，张国富

(许昌市中心医院， 许昌 461000)

1 引 言

CT图像技术广泛应用于医疗领域[1]。精准定位CT图像特征有利于提高诊断效率,因此提出一种基于深度协作表达的CT图像特征关联定位算法。采用深度协作表达算法获取高分辨率CT图像，以高分辨率图像为基础展开特征定位可提升定位精度。通过特征相似性计算方法中最常见的距离法，计算CT图像特征向量空间距离的相似程度[3]，即图像特征关联程度。在此基础上，采用活动轮廓线套索融合检索方法实现CT图像特征关联定。

2 数据与方法

2.1 数据来源

本研究数据为肿瘤患者肺部CT图像，图像大小为256×256，分辨率为1 024×786。测试硬件环境为：Inter(R)2.8 GHz CPU，内存大小4 GB，XP系统PC机；数学编程平台采用Matlab2016[2]。将基于低秩优化的CT图像特征定位算法(简称低秩优化定位算法)和基于随机森林法的CT图像特征定位算法(简称随机森林定位算法)作为对比算法[3]。

2.2 方法

2.2.1基于深度协作表达的CT图像超分辨率重建 深度协作表达实现CT图像超分辨率重建过程[4-5]如下:

设定原始低分辨率CT图像为X∈m×n，高低分辨率CT图像训练样本为为样本数。假设t为采样因子，m×n为低分辨率训练样本CT图像Gi的大小，mt×nt为高分辨率训练样本CT图像Wi的大小。在像素域中将原始低分辨率CT图像、训练集中的高低分辨率CT图像分割为M个彼此重叠的图像块x∈d×1,如果各层低分辨率和高分辨率字典对(Ki,Hi}准备完毕，则深度表达最优权重系数见式(1)：

(1)

(2)

2.2.2CT图像特征关联计算 特征相似性计算方法采用最常见的距离法[6]，计算CT图像特征向量空间距离的接近程度，衡量图像特征间相似程度[7]。选定图像某个特征后，采用明氏距离计算CT图像特征距离，方法见式(3)：

(3)

其中，X,Y分别代表CT图像，xi,yi分别代表CT图像的7个特征。p为1、2、3时，分别表示曼哈坦距离、欧氏距离、切比雪夫距离。

2.2.3特征关联定位实现 采用活动轮廓线套索融合检索方法定位上述得到的CT图像关联特征[8]。通过Sobel算子模板建立活动轮廓线套索融合模型。

采用3×3矩阵作为CT图像Sobel算子模板，层间关联性模型构建方向为水平方向、垂直方向[9-10]。采用归一化方式处理套索模型解决CT 图像扫描时产生的离散问题。使用套索检索CT图像时邻域内梯度最大值、最小值分别用MaxGrad、MinGrad表示。将MaxGrad视为阈值，邻域定义为9×9，设定CT图像关联特征控制点梯度值为Grad，归一化结果见式(4)：

(Grad-MinGrad)/(MaxGrad-MinGrad)

(4)

基于式(4)得到的CT图像关联特征控制点梯度值，计算灰度势能Econ，见式(5)：

Econ(vi)=|EdgeGray(i)-Gray(i)|

(5)

式中，EdgeGray、Gray分别表示CT图像边缘点灰度值、关联特征点灰度值。

3 结果

3.1 CT图像分辨率测试结果

本研究采用的原始肺部肿瘤CT图像见图1。

图1 原始图像

本研究算法提升CT图像分辨率的结果见图2。

图2 分辨率提升效果图

由图1、图2可知，本研究算法重建原始肺部肿瘤CT图像超分辨率后，增强了CT图像清晰度，CT图像中肺部边界轮廓等细节清晰展现。

3.2 特征相似性计算测试结果

针对CT图像变化情况，采用对比算法与本研究算法测试CT图像不同变化时特征相似性重复计算情况，见表1。

表1 CT图像特征点相似性计算重复率(%)

从表1数据可知，本研究算法计算CT图像特征相似性的重复率均值为4.68%，说明该算法缩短了相似性计算用时。

3.3 定位性能测试结果

3.3.1定位错误率分析 针对CT图像变化情况，采用对比算法与本研究算法定位CT图像关联特征点，以验证本研究算法定位准确度，见表2。

表2 特征关联定位错误率(%)

由表2可知，本研究算法定位CT图像特征关联错误率较低，具备高精度定位CT图像特征关联的能力。

3.3.2特征关联定位结果分析 三种特征关联定位算法用于肺部CT图像病灶诊断结果见图3、图4、图5。

图3 本研究算法定位结果

图4 低秩优化定位算法定位结果

图5 随机森林定位算法定位结果

4 讨论

本研究算法计算CT图像特征相似性的重复率均值为4.68%，低于低秩优化定位算法、随机森林定位算法。CT图像添加了方差高斯噪声时，计算图像特征相似性重复率仅为2.85%，约为对比算法的2/9、1/8。定位CT图像关联特征错误率最小为2.25%，最大为6.16%，定位错误率均值为4.40%，相比对比算法具有显著优势，CT图像特征关联定位错误率较低，具备高精度定位CT图像特征关联能力。三种特征关联定位算法在肺部CT图像病灶诊断中的应用结果见图3-图5，图中黑色圆点为真实病灶区，用红色箭头指示；黄色线框内为三种算法特征关联定位结果。本研究算法定位病灶位置结果与实际病灶位置几乎重合，见图3，并且图像分辨率较高，各阴影边界细节清晰展现。另外两种算法定位的病灶位置不完整、与实际病灶位置

相差较大，见图4、图5。综上所述，本研究算法CT图像病灶定位结果更加准确，具有较高的医疗诊断应用价值。

5 结论

本研究采用深度协作表达算法逐层更新图像块的最优权重系数，求取的最优权重值更加准确、高低分辨率字典比较全面，因此重建超分辨率CT图像效果更优。采用深度协作表达方法重建低分辨率CT图像样本，可有效提升原始CT图像分辨率，CT图像细节更加清晰，降低特征定位难度。