论文摘要：在肺部CT图像中，血管与背景的对比度较低，很难分辨肿瘤和血管结节。为了解决这个问题，本文提出具有旋转不变性的一致性法。根据肺部CT影像细小血管具有局部亮度和结构光滑的纹理特征检测细小血管。首先采用OTSU等算法快速定位CT图像的肺部区域并对定位出的结果进行去噪，应用图像二值化方法分割出粗大血管，然后对没有粗大血管肺部区域的各个子区域采用一致性法进行分类计算，最后根据细小血管的纹理特征值使用支持向量机对有细小血管的子区域及有肺结节的子区域进行样本训练，判断是否是细小血管然后将其提取。实验说明该方法是有效的。
论文关键词：肺部,图像,一致性法,纹理特征,支持向量机
0引言
随着CT扫描技术的发展，针对肺部疾病的诊断，越来越广泛使用肺部CT计算机辅助诊断系统(CAD),在肺部CT疾病众多，如肺栓塞，肺结节等，应用计算机辅助诊断系统对这些疾病进行早期诊断达到早期治疗的目的是最好的解决办法。对于早期肿瘤以及与肺血管粘连的肿瘤,往往很难分辨肿瘤和血管结节,因此计算机辅助诊断系统对这种肿瘤的识别率较低。
1相关工作
在肺部CT图像中，血管与背景的对比度较低，很难分辨肿瘤和血管结节。为了解决这个问题，根据肺部CT影像细小血管具有局部亮度和结构光滑的纹理特征检测细小血管。本文的算法是能够提取具有旋转不变性的纹理特征来实现血管提取。局部二进制模式是一种有效的纹理描述算子，由于其对图像局部纹理特征的卓越描绘能力而获得了广泛的运用。LBP是子区域中3×3中心像素阈值相对于相邻像素值生成二进制代码的算法。如果相邻的像素值比中心像素的小，它产生一个二进制代码0，否则，它会生成一个二进制代码1。这些二进制代码乘以相应的权便可得出LBP生成的代码，其计算方法如下：
其中(x,y)是中心点位置，g是中心点像素值，g中心点相邻像素点的像素值，P是中心点相邻像素点个数，R为半径
为了突出旋转不变特性，将LBP扩展为一个圆形“统一”模型，八个相邻像素点组成一个半径为R的圆形区域。该方法方便计算，但相邻像素灰度值不一定与该像素位置完全符合。这种旋转不变的LBP可以计算如下：
 参数U是用来估计对应于空间过渡的一致性，即二进制数按位0、1之间变化的次数。因此，U的值越大，局部区域亮度发生转变越多。图1是一个圆环“统一”模型。
图1.一个统一模型中不同U值的情况
考虑到肺部CT影像的复杂结构，干扰噪声，本文提出重新定义方程（3）～（5）如下：
从式子（7）可以看出，在本文中心点像素与周边像素之间亮度的关系有三种情况。不同的结果（-1，0和1）代表了不同的情况。本文提出这种新的模式可以分清中心点和更细节的相邻像素亮度的关系。
2特征系统的提取
要提取纹理特征，并识别肺部的正常血管区域和病变区域。必须先定位CT图像中的肺部区域，并对它进行相应的处理。
2.1肺部区域的定位
根据肺部CT图像的影像学和解剖学特点，首先利用最大类间方差法（OTSU法）对图像进行预分割，然后利用区域生长及小面积消除方法剔除干扰信息，同时生成掩模图像，最后运用数学形态学方法对模板进行细化，将原始图像与掩模图像进行数学运算即可得到肺部区域。
2.1.1快速分割算法
本文利用大量图像进行了实验，在此以一幅正常的肺部CT图像为例。利用OTSU法预分割得到的结果如图2。
图2.肺部CT图像OTSU法分割结果
经过OTSU法分割后，肺部CT图像根据灰度值分布情况将肺部区域和背景大致分开，但是图像中还存在检查床、心脏和血管等高密度区域都会对提取完整的肺部区域形成干扰，为了去除这些无关信息，我们利用基于区域生长的方法和小面积计算的方法继续进行分割。
经过区域生长再分割和反色变换后得到的图像如图所示。除了大部分肺部组织外，气管、支气管因内部充满空气，也显示为低密度影区，而原本属于肺部组织的部分血管、结节、纤维化等则显示为高密度影区。我们分别对图像的两个密度区域进行连通域标记，测得各连通区域的面积，同时选取合适的面积阈值，并对面积小于相应阈值的区域内的像素值取反，从而弥补二值化过程带来的分类误差。
通过上述一系列的处理，肺部模板已经基本成形，但是，对图进行分析可以看到，由于肺实质边缘密度和周围组织非常相近，在肺部区域预分割时常常将其误分为背景，因此，本文利用形态学的闭运算对模板进行细化。图3(a)为利用闭运算细化得到的最终模板，将原图与模板做减运算即得到了肺部区域的完整图像，如图3(b)所示。
 
(a)模板细化结果(b)肺部区域像
图3.分割最终结果
2.1.2初步定位并剔除粗血管
先通过直方图均衡化提高上面得到的肺部区域图像的对比度，然后将图片二值化，就得到了粗血管，如图4（a）。通过图4（a）找出的粗血管图，映射到原图，将粗血管区域剔除掉。图4（b）为剔除粗血管后的肺部区域。
 
（a）找出的粗血管图（b）剔除粗血管后的图像
图4.剔除肺部区域粗血管
把最后对得到的图片进行分割，分成若干个25*25（单位：像素）的子区域。接下来的工作只对肺部区域占70%以上的小区域进行处理。在接下来的步骤中，没有粗血管的肺部区域被分成子区域。对于每个子区域，我们计算了基于灰度的NLBP值后计算梯度方向差,以得出条件概率密度函数，进行6个纹理特征量的计算。最后，根据6个纹理特征量使用支持向量机（SVM）对子区域进行分类。 1/2 1 2 下一页 尾页 |
