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CT图像,一致性法,OTSU,纹理特征,支持向量机
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)[1,2,3,4], 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[5,6,7]。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。
现有的血管提取方法包括阈值法和增强血管象素平衡法及跟踪算法。阈值方法简单易行, 但是鉴于肺部CT 图像中血管与背景的低对比度, 因此提取效果不理想。象素平衡法将力学平衡的观点引入象素灰度中, 给出了象素平衡计算公式, 当图像中所有象素均平衡时, 整幅图像平衡, 此时图像中目标与背景对比度最大。象素平衡法大量采用公式迭代运算, 计算量较大, 因此不适用于数据量较大的CT 图像。跟踪算法是在阈值细化方法处理后, 以检测出的血管为基础, 利用血管与背景梯度信息跟踪检测出在阈值细化方法中漏检的血管。采用OTSU 算法二值化肺部CT 图像, 形态学细化算法提取血管骨架, 依据血管光滑性确定跟踪方向并根据灰度梯度信息跟踪出更多的细小血管，跟踪算法是从单一方向进行跟踪, 而血管有很多分支, 并不是单一方向的, 因此还可以考虑从多个方向进行跟踪，所以该算法还有待进一步改善和提高。
本文的研究目的是快速提取肺部CT图像的大血管，然后针对细小血管与肺结节及肿瘤的纹理特征进行诊断与提取。根据研究动机，本文提出了一个新的特征提取系统即一致性法用于检测肺部大血管及细小血管。运用于肺部子区域的纹理特征信息精确诊断提取肺部的血管，大大提高肺部细小血管的提取的精确性，提高了肺部疾病的早期诊断的准确性。
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[10,11]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(xc, yc)是中心点位置，gc是中心点像素值，gp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
图1显示了一个LBP代码产生的过程。
图1. LBP代码生成过程
Figure.1 The generation process of LBP code
为了突出旋转不变特性，将LBP扩展为一个圆形“统一”模型[10]，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2是一个圆环“统一”模型。
图2. 一个统一模型中不同U值的情况
Figure.2 A uniformity model of different U-values
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。与LBP相比，本文定义的NLBP在估计亮度均匀性具有更好的效果，同时具有旋转不变性。
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。具体方法如图 3 所示。
图3 肺部区域提取示意图
Figure.3 The steps of lung region location phase
2.1.1 快速分割算法
最大类间方差法由日本学者Nobuyuki Otsu[8]首先提出，是一种自适应的阈值确定方法，又叫大津法，简称 OTSU 法。该方法应用类判别法寻找最佳阈值，以获得最好的分离特性。利用 OTSU 法依据类间距离极大准则来确定区域分割阈值就意味着错分概率最小。
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。图4(a)为原始图像，(b) 为利用 OTSU 法预分割得到的结果。
 
(a) 肺部CT图像 (b) OTSU法分割结果
（a）Lung CT image (b) enhanced image
图4 肺部CT图像OTSU法分割结果
Figure.4 Lung CT image after OTSU enhancement
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。可以用图 5表示。
1/2 1 2 下一页 尾页 |
