| 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 |
