2.2肺部纹理特征提取
本文对GLCM方法进行改进,提出新的不依赖角度具有旋转不变性的一致性法。

图5.中心点的梯度方向
设图像强度函数为S(x,y),计算点P(x,y)梯度方向如下:
(10)
如公式(10)所示,梯度方向表示点P(x,y)的局部结构。图5表示中心点梯度方向。可以看出梯度方向取决于中心点周围的局部结构。在这种情况下,尽管这两中心点的NLBP值相同,但其梯度方向是不同的。因此,本文提出计算两点之间的梯度方向的差异,以评估其局部结构的相似性。图6中箭头表示模型各点的梯度方向的差异。
 0
图6.梯度方向的差异
因此,点P(x,y)和它的各邻点P(x,y)之间的梯度差可通过以下计算得到: (11)
可知点P(x,y)的灰度值表示它的亮度,NLBP值表示点P(x,y)周围的亮度均匀性,以及梯度方向差异表示点P(x,y)局部结构的均匀性。假设邻点的个数为N,半径为R,邻点坐标分别为P(x,y),P(x,y),…,P(x,y),定义一个基于给定点P(x,y)与它的邻点P(x,y)之间的一致性如下:
(12)
其中g是点P(x,y)的灰度值。同理,以P(x,y),P(x,y),…,P(x,y)的值为基础通过公式(12)求得一致性。GNLBP是灰度值和NLBP的组合。因此,如果P(x,y)周围点灰度值均匀,那么GNLBP值较低。通过公式(12)定义条件概率密度函数f(GNLBP,GOD|N,R),其中0≤GNLBP(假设灰度值范围是0~L),0≤GOD假设梯度方向差的范围是0~D),最后,通过函数f(GNLBP,GOD|N,R)得到大小为L*D的矩阵如下:
(13)
本文提出的这种方法能够代表局部亮度和结构均匀性,称其为一致性法。定义以下6个纹理特征来分析CT图像。
1)熵(ENT):
(14)
2)梯度方向均匀性(GOUE):
(15)
3)梯度方向非均匀性(GODE):
(16)
4)方差(VAR):
(17)
5)灰度均质性(GLUH):
(18)
6)灰度均匀程度(GLUE):
(19)
3实验结果
3.1图像信息
采用医院提供的15例肺部CT图像做为实验图像,包括5例正常肺组织(NL,433张图片)样本,5例小叶中心型肺气肿(CLE,433张图片)样本,5例肺结节(LN,433张图片)样本。这些图像的切片厚度都是5mm,以BMP图片格式来存储,每个像素有256级灰度。表1是CT图像资料信息。
表1CT图像的信息
Table1.InformationofCTimages
分辨率
|
1024 * 1024
|
切片
|
5毫米/片
|
文件格式
|
BMP
|
设置类型
|
肺设置
|
灰度
|
256
|
3.2图像识别效果
计算机辅助诊断系统(CAD)的最后阶段是要实现机器识别分类医学图像的疾病。近年来,支持向量机(SVM)已被公认为是一种有效的模式识别方法。它在人脸识别,文本分类等领域均有应用。
经过前面的处理,已经提取了肺部CT中较粗的血管,接下来使用支持向量机(SVM)来对肺部CT图像中的细小血管进行识别。为了评价该方法的性能,本文使用了在第3节所述纹理特征量作为特征向量。
根据前面得到的图像特征,可以对肺部CT图像进行血管识别,识别结果见表2
表2.肺部CT细小血管识别结果
组别
|
正常肺部CT图像
|
肺结节CT图像
|
肺气肿CT图像
|
1
|
正确率(%)
|
94.0
|
89.5
|
93.5
|
2
|
正确率(%)
|
91.5
|
90.5
|
92.5
|
3
|
正确率(%)
|
90.5
|
90.5
|
91.5
|
4
|
正确率(%)
|
94.5
|
89.2
|
93.5
|
5
|
正确率(%)
|
93.5
|
89.0
|
90.5
|
根据识别的结果,剔除细小血管的图像,效果如图7。

图7.提取的血管图像
4结论
在医学图像处理中,纹理特征是最流行的一种特征分析方法。文章的目的是更精确地提取肺部CT图片的血管。本文提出一种新的纹理提取方法,采用一致性法根据肺部CT影像血管具有局部亮度和结构光滑的特征检测血管的纹理变化。通过计算得到肺部CT血管纹理特征的六个特征量ENT、GOUE、GODE、VAR、GLUH、GLUE。把样本的这六个纹理特征量载入向量机进行训练,得到细小血管的识别模型,利用这个本文提出的模型对着对肺部CT细小血管进行识别,筛选出含细小血管肺部CT图像。利用本文的血管提取算法,实验数据显示识别的平均正确率在90%以上。
由于肺部血管结构复杂,我们没有对所有病例的肺部CT图片进行血管提取,只选用了正常肺部、肺结节、肺气肿CT图做实验,今后要对更多的病例图片进行识别处理,完善识别算法,不断提高识别精度及减少计算复杂度。
参考文献
1 H. Zhang, J. E. Fritts, and S. A. Goldman, A Fast Texture Feature Extraction Method forRegion-based Image Segmentation, Image and video communications and processing,volume 5685 (2), pages 957-968, (2005)
2 A. M. R. Schilham, B. V. Ginneken, and M. Loog, A Computer-Aided Diagnosis System forDetection of Lung Nodules in Chest Radiographs with an Evaluation on a PublicDatabase, Medical Image Analysis, volume 10, pages 247-258, (2006)
3 K. Takei, N. Homma, T. Ishibashi, M. Sakai, and M. Yoshizawa, Computer Aided Diagnosis forPulmonary Nodules by Shape Feature Extraction, In: SICE Annual Conference 2007,Kagawa University, Takamatsu City, Japan, September 17-20, pages 1964-1967,(2007)
4 M. Park, B. Kang, S.J. Jin, and S. Luo, Computer Aided Diagnosis System of Medical Imagesusing Incremental Learning Method, Expert Systems with Applications, volume 36,pages 7242-7251, (2009) 2/2 首页 上一页 1 2 |