医学CT图像肺结节多特征识别研究.docx

?

?

医学CT图像肺结节多特征识别研究

?

?

魏叶

【摘要】本文首先总结了肺结节识别方面己有的研究成果，分析了肺结节识别系统中常选取的特征以及智能识别算法。在有监督半三维肺组织分割的基础上研究了疑似结节连通域提取、结节特征选择和识别问题，提出了基于三维多特征（形态和灰度特征）融合的结节识别方法。

【关键词】肺结节；多特征识别；CT图像

R445A1672-3783（2018）07-03--01

肺癌是致死率最高的一种癌症。肺结节是肺癌的一种早期形式，肺结节的“早发现、早诊断和早治疗”是提高肺癌患者五年存活率的重要手段。医学CT图像是肺结节识别的主要依据之一。传统依靠影像医师肉眼阅读几百张CT图像耗时，且产生的疲劳容易引起误检或漏检。基于CT图像的肺结节识别和三维重建可为影像医师提供直观可量化的诊断依据，提高肺结节识别效率和降低误识别率。

一、肺结节识别总体框架

本文提出了一种多特征融合的结节识别方法，肺结节检测策略可分为六个步骤：

1.采用有监督半三维方法（Semi-3D）分割完整肺组织；

2.提取肺组织内部高密度连通域（代表结节和血管），并视为疑似肺结节。

3.重采样各连通域，把数据转化为各向同性数据；

4.分析各疑似结节的三维特征，其中形态特征采用各向同性后的数据计算，而灰度特征采用原始数据计算；

5.基于先验知识初步剔除大量的假阳性结节；

6.利用支持向量机算法进一步识别肺结节，降低假阳性率。

二、基于三维形态和灰度特征融合的肺结节识别

如果提取的连通域中仍然有大量微小连通域（疑似结节），这些微小连通域绝大部分为血管组织和噪声，大量的假阳性结节会增加后续的特征分析和识别的难度。Ye等人利用四个二维形态特征，采用基于规则的初筛方法减少疑似肺结节的数量。Casdo等人1681利用双阈值法排除直径小于3mm或者大于50mm的疑似肺结节，并将84个病例中的33462个疑似肺结节减少至2335个，且真正的肺结节得到100%的保留，然后利用神经网络进一步降低假阳性率。

为初步降低假阳性结节的数量，提高后续特征分析和识别的效率，同时尽可能少或者不丢失真正肺结节，本文采用基于先验知识初筛的方法剔除大量假阳性结节。

肺结节尺寸小于3mm时特征不明显，识别此类疑似肺结节的意义不大。因此，可分析每一个连通域的有效直径（），并将有效直径小于3mm的连通域视为假阳性结节而直接排除，本文采用有效半径特征，1.5mm即为假阳性结节。通常情况下肺结节的体素聚集在一起呈块状，而血管呈细长管状。因此，采用了三维连通域的致密性（Compactness）和伸长率（Elongation）特征的先验信息筛选假阳性结节。

Compactness0.2（2.1）

Elongation0.3

上述三个特征的先验知识通过大量的实验获得。如果疑似肺结节满足式（2.1）的三个条件之一，则该疑似肺结节将被视为假阳性结节，并直接排除。

三、肺结节识别结果与分析

（一）实验训练样本和测试样本

本文采用了6个形态学特征和4个灰度特征，包括三维组织骨架化过程中体素的删除率（removeRate）、归一化一阶轮廓矩（）、归一化三阶轮廓中心矩（）、有效半径（）、三维致密性（Compactness）和伸长率（Elongation）；灰度均值（MeanValue）、灰度标准差（）、直方图偏斜度（Skewness）和灰度直方图峰值（Kurtosis）。10个特征构成了维度为10的特征向量。

疑似肺结节将被分为两类：肺结节和假阳性结节。用TP（TruePositive）代表正确识别的肺结节，FP（FalsePositive）代表肺血管被误识别为结节，TN（TrueNegative）表示肺血管正确识别，FN（FalseNegative）代表肺结节被误识别为血管。临床通常用敏感性（Sensitivity）、假阳性率（FPs/scan）和准确率（Accuracy）来评价肺结节识别方法的有效性。敏感性表示正确识别的结节占结节总量的比例；假阳性率表示每一个数据集中含有的被误识别为结节的数量；准确率表示正确识别的结节和假阳性结节数量之和占所有疑似结节总量的比例。敏感性、假阳性率和准确率分别用如下式表示。

结论

本文实现了清晰无遮挡肺组织的面绘制和体绘制三维重建。首先，利用有监督半三维的分割方所得肺组织分割结果，采用等值面法实现了肺和肺血管的表面三维重建，采用最大密度投影算法实现了肺组织的体绘制三维重建。其次，利用肺结节识别结果，采用等值面法实现了肺血管和肺结节的面绘制，并渲染为不同颜色。三维模型较好的展示了不同组织的大小、形态和空间毗邻关系，对临床医学辅助诊断和治疗具有一定的价值。

参考文献

韓芳芳.基于CT图像多维特征的肺结节检测和诊断方法研究[D].东北大学，2015.

周生