基于一致性法的肺部CT图像血管提取-1

1、基于一致性法的肺部CT图像血管提取论文摘要：在肺部CT图像中，血管与背景的比照度较低，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

2、持向量机0引言随着CT扫描技术的开展，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到达早期治疗的目的是最好的解决方法。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，血管与背景的比照度较低，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

3、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3x3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，否那么，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

4、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35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

5、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。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

6、后得到的图像如下图。除了大局部肺部组织外，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局部血管、结节、纤维化等那么显示为高密度影区。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，同时选取适宜的面积阈值，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，肺部模板已经根本成形，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

7、像，如图3(b)所示。(a)模板细化结果(b)肺部区域像图3.分割最终结果先通过直方图均衡化提高上面得到的肺部区域图像的比照度，然后将图片二值化，就得到了粗血管，如图4a。通过图4a找出的粗血管图，映射到原图，将粗血管区域剔除掉。图4b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，分成假设干个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

8、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。2.2肺部纹理特征提取本文对GLCM方法进行改良，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如公式可知点P其中g是点P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2梯度方向均匀性3梯度方向非均匀性4方差5灰度均质性6灰度均匀程度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 94.0 89.5 93.5 2 正确率 91.5 90.5 92.5 3 正确率 90.5 90.5 9

9、1.5 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

10、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 communication

11、s 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. Pa