1、摘 要 肺癌是最常见的内脏恶性肿瘤，也是已知的确诊后存活率最低的癌症之一。肺癌的发病率逐年上升，在城市已居肿瘤死亡率首位。研究基于肺部 CT 图像的肺癌计算机辅助检测与诊断系统将有利于提高诊断准确性和客观性、减轻诊断工作量并能有效提高早期诊断的质量，而研究表明早期检测对成功治疗肺癌非常重要。肺节结自动检测包括以下几个步骤：数据预处理、肺部分割、候选结节提取、获得三维感兴趣区域(Volume Of Interest，VOI) 、特征提取、根据特征值判别结节。数据预处理主要是保证三维空间中体素点的等方性，而在三维肺部 CT 图像中应用区域生长和形态学的办法可以找到肺部区域，并在肺部区域内部应用多尺
2、度点增强过滤器得到候选结节。接着需要框定 VOI 区域，在该区域内阈值分割后应用球体螺旋模型方法对候选结节边缘点进行采样，进而计算候选结节的特征值，并将特征数据组映射到二维空间。根据这些特征点的分布，可以找到一根能将真假结节尽量分开的直线，以此直线为标准，去除假结节，得到最终检测结果。实验应用了 618 副肺部 CT 图片，共 10 个病例，实验结果表明，系统的敏感度为 80%，假阳性个数为 35 个，结果相当令人满意。虽然这个结果很大程度上受病例太少而未能进行大规模数据测试的影响，但是在一定程度上体现了系统非常好的结节识别能力。关键词：三维肺部 CT 图像，结节，计算机辅助诊断，候选结节检测
3、IAbstractLung cancer is the most common malignancy of viscera，is known the least survivabletype in diagnosed cancers. The incidence of lung cancer is increasing yearly， in city it hasthe highest death rate in all tumour diseases.Computer-aided detection and diagnosis(CAD)techniques could help to imp
4、rove the diagnostic accuracy，objectivity and reduce theradiologists workload.The specific steps of nodule detection are as fo llows:data preprocessing， lungsegmentation，candidate detection，set VOI，feature extraction ，candidate classification.First the data need some preprocessing to make sure voxel
5、isotropic， then usingregional growth and morphology to find lung area.To get cand idate nodule，multiscaleselective enhancement filter is applied in lung. According to the candidates，VOI isset.After thresholding in VOI，the edge is got using 3D spiral model.Then features arecalculated.Putting feature
6、points into 2D space，we can find a line to separate real nodulesand false nodules.Removing the false nodules，we get final result.There are 618 lung CT images and 10 cases used to test.In our experiment result，thesensitivity is 80% and 35 false positive exist.The results are satisfactory. Although th
7、esystem is not tested by large number of cases，the result shows good performance innodule detection to same extent.Keywords: three-dimension computed tomography，nodule， computer-aided detectionand diagnosis，candidate detectionII独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他
8、个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。学位论文作者签名：日期： 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本论文属于保密?，在_ 年解密后适用本授权书。不保密?。（请在以上方框内打“v”）学位论文作者签名： 指导教师签名：日期：年月
9、日日期：年月日1绪论1.1课题背景肺癌是最常见的内脏恶性肿瘤，也是已知的确诊后存活率最低的癌症之一。肺癌的发病率逐年上升，在城市已居肿瘤死亡率首位。在 28个发达国家中，肺癌已成为恶性肿瘤中最常见的死亡原因。例如：美国 1990年肺癌的发病为 15.4万人，死亡为 14.6万人1。1988年在瑞士召开的第五届肺癌国际会议指出“21世纪初，最常见的疾病很可能是肺癌和艾滋病”。中国预防医学科学院信息中心公布，在今后30年中，肺癌将成为中国人民的主要死因2。随着经济的发展，我国已成为肿瘤大国，其中肺癌将占全部肿瘤的 1/3，并将主导我国癌症流行的趋势。肺癌的 5年存活率仅为 13.9%3，主要原因是
10、肺癌早期发现困难，以及晚期病例又难以治愈等综合原因所致。因此，为了提高肺癌病人的生存率，在肿瘤的早期生长阶段就进行检测与治疗是主要也是关键的方法。临床上，当病人因咳嗽、咯血及胸痛等临床症状就诊时，通常首先采用 X线胸片检查，一般来说，此时胸片上发现的肿瘤多数已属中晚期，经手术、放疗、化疗或生物治疗后，5年存活率仍较低。国外研究表明，采用普通胸片普查肺癌存在一定局限性4-10。近几年，随着影像检查技术的改进，临床结果初步证明低剂量 CT扫描是检测早期无症状肺癌最有效的影像学方法。计算机辅助诊断系统 (Computer-Aided Diagnosis System：CAD)为肺癌的早期检测和诊断提
11、供了有力的支持。随着计算机软硬件基础提升、人工智能技术发展以及人类对病灶更完整的认识，利用 CT图像进行早期病灶辅助诊测已趋成熟，并开始为全世界临床诊断专家提供方便可靠的协助。2002年北美放射学会(RadiologicalSociety of NorthAmerica：RSNA)最新学术报告显示，一个好的 CAD系统检测结果相当或略高于一般有经验的专家水平。CAD利用先进的计算机软硬件分析数字放射图像，以发现并检测出病变特征，实现鉴别诊测。在影像诊断中，CAD帮助医生将可疑对象勾出，提醒医生注意观察。研究表明早期检测对成功治疗非常重要。资料显1示 90%肺癌病灶在早期是有可能被发现的，但事实
12、上临床诊断率往往远不如预期。研究及实验结果表明：医生单独诊断胸片时有高达 30%的机率可能疏漏有诊断意义的肺部结节。肺癌在中国乃至全世界都是危害人类健康的头号杀手，中国更是全球肺癌病人最多的国家，因此 CAD对中国临床医生与病患的帮助可能更重于欧美等肺癌发生率较低国家区域，对它的研究具有十分重要的意义。1.2国内外概况 目前国内外进行得最多的肺部 CT图像研究包括如下方面：肺部分割，气管分割，血管分割，肺叶的分割。从这些方面不难看出肺部 CT的最常见图像处理技术就是图像分割。这些分割技术往往应用在各种各样的肺部病症的检测中，包括：肺气肿，肺栓塞，肺癌，气管疾病以及其他一些肺部扩散疾病。由于本系
13、统主要针对肺癌中肺结节的检测，主要涉及肺部分割和结节自动识别这两块内容，我们主要从这两个方面说明国内外的研究概况。所有针对肺部图像的计算机自动诊断系统都必须对肺部进行分析。肺部实际上简单的讲就是胸廓内的一块空气区域，它在肺部 CT图像中呈黑色区域。正是由于肺部和周边组织的这种灰度上的巨大差异才使得肺部分割成为可能。大部分肺部分割的方法都是固定步骤，这几乎成为一种规则11-16。肺部区域可以通过两种不同的方法得到：阈值分割或组成成分分析，其中在进行组成成分分析时，在肺部以内的组成成分将通过对其大小和位置的限定来鉴别。在进行肺部分割前，我们往往需要先得到胸廓区域，这可以通过区域增长的办法得到，然后
14、将该区域去除就可以得到肺部区域了。接下来还需要运用形态学的方法得到没有空洞的肺部区域和光滑的区域边界。然而 Li和 Reinhardt17并没有运用上面的固定方法，他们通过统计的办法得到肺部区域。先在三维肺部图像中应用活动轮廓线模型得到大致的肺部边界，进而在二维切片图像中再次运用活动轮廓线模型得到更好的细节和形状变化，之所以这么做是因为这些都没有在统计过程中的训练数据中体现出来。从目前的分割方法来看，如何将在肺部区域内肺门区域中的主支气管和血管排2除尚不清楚。如果用手动标识的办法得到这些区域，虽然可以非常准确，但是由于没有一个确切的定义以及人为的主观差异，将使得门腺区域呈现各种各样不同的形状。
15、Ukil和 Reinhardt18运用对支气管分支的分割改善了肺部分割在这块区域的分割效果。在肺部分割中其他值得特别注意的地方是左右肺粘连的情况。这些粘连的地方非常窄而且对比度较低。针对这个问题，通常的解决办法是在每一层存在粘连情况的切片上定义一块搜索区域并在该区域中定义一根将粘连分开的线。这条线可以有两种定义方式：粘连区域前后的最短距离直线或者软组织边缘线14-16，这里的边缘线可以通过计算基于灰度值的最小代价路径实现11-13。目前在肺部分割中还存在一大难题：如何将靠近肺部边缘的高密度病理组织（如结节）包含在肺部区域内。由于这些区域与胸廓区域的对比度较小，在这种情况下如果想通过固定步骤中的
16、阈值方法得到肺部区域并把高密度病理区域包含进去，基本上都会失败。前面提到的基于统计的方法由于引入了形状模型17，从理论上说它更加适合处理这种问题，但是该方法并未对这种情况进行实验。Sluimer19等人提出了一种基于预分割的边缘提取方法，这种方法需要线识别肺部周边组织，例如胸腔和横隔膜，并把这些算法结合应用在整个肺部分割算法中，由此得到肺部轮廓。除了有致密病理组织的肺部分割外，另一个值得关注的研究方向是 :如何将自动检测系统与用户交互信息结合起来，以此得到用户的反馈信息，例如自动检测系统检测错误时用户告知系统这个情况，则系统必须根据不同的用户反馈信息进行一些适当调整以得到正确检测结果。在实际的
17、医疗应用中，当系统得知检测出错时，需要快速做出反应，这些反应往往是对已得检测结果的一些关键地方的修改，不需要全部重新检测。大部分发表的 CAD系统都是针对肺癌的自动检测。特别是由于几款针对肺部CT图像的系统的问世，肺癌诊断 CAD系统开始在医学相关文章中频频出现，显得越来越重要。最近几年来肺癌诊断 CAD系统在结节检测中为放射学医师提供了有效帮助。两个相关研究领域包括结节大小测定何结节外形，这两个特征都用来判别结节的良恶性。3一般说来，能在医疗实际应用中使用的 CAD系统都是需要经过大量数据训练和测试的。要获得具有特性非常好的病例需要大量努力，而且不能从一个地方获得这些数据，要使数据各种各异，
18、这样才能体现系统适用面广。建立一个公用图像数据库能够有效的促进 CAD系统的开发20。同时公正评价系统性能和系统实用性也是相当重要的，这关系到系统做为放射科医师的辅助工具是否合格。结节检测系统常规上包括以下几个步骤：预处理，候选结节检测，降低假阳性，分类。通常预处理用来限定搜索结节的肺部区域并减少噪音点和一些图像中不感兴的区域。产生候选选结节的方法很多，但得到的候选结节都包含很多假阳性点。因此，在进行计算量巨大的分类步骤前，需要降低结节的假阳性率。就算在进行完最后一个步骤分类之后仍然有许多假阳性点存在，实际上现在很多结节检测系统都不太关心结节的检测过程，它们主要关心的是假阳性率如何降低。候选结
19、节的检测：目前发表的主要方法包括：多阈值分割21-23，形态学24-27，结合遗传算法的高斯模板匹配28-30，聚类30-33 ，阈值图像相连成分分析34-35，阈值图像中的圆检测36，灰度距离变换33以及增强结构过滤器37-39。多阈值分割技术试着找出具有相似灰度值的连通区域并去除相连接的血管组织。形态学技术包括很多过滤器：可变化的 N-Quoit过滤器24264041，选择性标记和固定深度的花费对应图25，top-hat 过滤器27。常见的聚类方法区别于聚类技术和用来聚类的特征：Kanazawa30，Kubo32，Yamada33等人对针对灰度值应用模糊聚类，而 Gurcan31等人在原图
20、和中值滤波后的图上应用 k-means聚类方法。降低假阳性率：从 Armato等人发表的论文中可以观察到降低假阳性率甚至比候选结节检测本身更重要。在他的文章中21结节检测分为以下步骤：预处理，候选结节检测，分类。首先将肺部分割出来，接着候选结节应用多阈值方法得到，然后应用多个几何及灰度特征和线性分类器（LDA），通过 leave-one-out分类器可以将专家标记结节中的 70检测出来，并使得每张切片只有 3个假阳性点。在后来的论文中，Armato等人将注意力集中在降低假阳性率上：按某种尺度分类4243，LDA分类器4344，ANN人工神经网络进行大量训练4345。这些技术中最好的结节检测结果
21、是，灵敏度 80.3%，每张切片 4.8个假阳性点，而在没有进行降低假阳性处理时每张切片4的假阳性点数达到 27.4。Saita35等人将 Oda等人34降低假阳性率的方法加入在它们的结节检测系统中。为了降低假阳性率，肺部里面和周围的结构组织需要提取出来：骨头，纵隔和血管。利用结节与这些组织的相对位置可以达到 100%灵敏度，同时每层切片只有 2.6个假阳性点。先前 Oda等人发表的论文灵敏度只有 59%并伴有每层切片 19.2个假阳性点。Gurcan等人31提出的降低假阳性的模型后来被 Ge等人46进一步延伸：加入一个三维梯度场作为 LDC的额外特征。由此 ROC曲线下方的面积由 0.91增
22、加到 0.93。Lee等人 47在最近的研究中，加入了五个关于灰度的特征并调节原模型的阈值参数，得到了 72.4%的灵敏度，同时假阳性点从每层切片 30.8个下降到 5.5个。分类：这里有很多分类技术应用在结节检测系统的最后一步中：按某种固定尺度分类或线性分类器2228303738 ，LDA 2131，模板匹配 48，最邻近聚类2426，Markov随机场41，神经网络2749 ，Bayesian分类器2950。应用在分类器中的大部分特征都是基于灰度特征，形状描述和空间及大小信息。虽然目前应用在肺部结节中的算法较多，但它们的基本流程都几乎一致，概括来讲，目前的肺癌自动诊断系统 CAD的主要处理
23、步骤如图 1.1所示。图 1.1肺部 CT图像中结节检测的一般步骤51.3课题主要研究工作 本课题来源于国家高技术研究发展计划（863计划）项目”基于网格的数字化医疗决策支持系统” ，主要任务是针对当前结节的计算机辅助检测和诊断存在的问题，寻求性能优良的解决方法，实现结节的自动检测。研究工作包括以下几个方面：1.肺部分割结节都生于肺内部，肺部分割在结节检测中是必不可少的，一方面可以缩小结节检测的范围，另一方面有效避免了肺部以外区域带入的干扰。根据 Armato和Sensakovic的研究表明，肺部分割的不准确将会为肺结节的检测带来 5%-17%的不利影响，其中包括靠肺壁结节的丢失以及肺部以外区
24、域带入的假结节。2.候选结节提取结节多呈团状特征，由此引入点增强滤波器，它可以有效加强团状区域，同时抑制线状和面状区域，这样呈线状的血管和气管将被过滤掉，得到结节加强图像。3.特征提取并根据特征值判别结节要提取候选结节的特征，需要先找到它的边缘，为了简化计算，只需要在边缘表面进行点采样即可，实际上将所有边缘表面的点都找到是没有必要的，根据这些采样得到的点，可以求取多个特征，比如：平均半径，球形度，对比度等。然后根据这些特征值的大小对真假结节进行分类。本文组织如下：第一章简要介绍肺癌的计算机辅助诊断系统的课题背景以及国内外对此课题的研究概况。第二章描述了肺结节自动识别系统的基本框架。第三章介绍数
25、据预处理和肺部的分割。第四章介绍了候选结节的获得方法。第五章介绍了用于分别真假结节所选取的一些有效的特征。第六章是系统的实验结果及性能评估。第七章为总结与展望。62肺结节自动检测系统框架 肺部结节自动检测的主要任务是自动判断图像是否包含有结节区域并标记出结节的位置，其本质属于模式识别的范畴，因而遵循一般模式识别系统的基本框架。本章结合肺部 CT图像的特点，设计了肺部结节的自动检测系统框架，介绍了系统性能评价方法，以及实验数据来源。2.1模式识别基本理论模式识别是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别
26、的过程。模式识别包括相互关联的两个过程，即学习过程和实现过程，前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。模式识别认为图像可能包含一个或者多个物体，并且每个物体属于若干事先定义的类型、范畴或模式之一。在给定一幅含有多个物体的数字图像的条件下，模式识别主要由三个阶段组成：第一阶段为图像分割或物体分离阶段。在该阶段检测出各个物体，并把它们的图像和其余景物分离。由于背景的复杂性，图像分割往往不是易事。第二个阶段为特征抽取阶段，在该阶段中对物体进行度量。一个度量是指一个物体某个可度量的量度值，而特征是一个或多个度量的函数。通过计算可以对物体的一些重要特性进行
27、定量化表示。特征抽取产生了一组特征，把它们组合在一起，就形成了特征向量。这种被大大减少了的信息(与原始图像相比)代表了后续分类决策所必须依靠的全部知识。可以用 n维空间表征所有可能的 n维特征向量，那么任意一个特定物体都对应于特征空间中的一点。模式识别的第三阶段是分类。它的输出仅仅是一种决策，确定每个物体应该归7属的类别。每个物体被指定属于若干预先定义的组(类)中的某一个组。这些组代表了预期图像中物体的所有可能类别。分类只以特征向量为依据。2.2肺部图像的特点2.2.1肺部图像的获取 CT机包括计算机控制系统和扫描装置，后者主要由 X线球管、探测器及扫描床构成。X线球管和探测器跨过被扫描物体。
28、每一次扫描都可获得一系列读数。 X线球管发出 X线到被扫描物体并被吸收，透过的光子由被扫描物体后的探测器吸收同时用一参考探测器记录 X线球管的射线强度。透过的射线和参考射线都被分别转变成电流信号，即所谓的光电转换。这些电流作为扫描信息输入计算机。然后这些输出的电流由模数转换器转换成数字，这一系列数字被排列成行与列，即数字矩阵，储存于磁盘中。不同的扫描机有不同的数字矩阵，从 160160到 512512不等。短阵中每个数字表示单位容积的吸收系数(或称衰减系数)，即像素。然后这些吸收系数经数模转换器于阴极射乡管(CRT)显示器上显出该层面的 CT图像，也就是通过计算机应用适当的程序重建了该层面的图
29、像，也可用快速打印机将各个吸收系数印出，成为数字矩阵51。图 2.1典型的肺部 CT切片图像82.2.2图像较普通线胸片的优点 随着 CT扫描技术的进一步发展，目前越来越多的研究开始从普通 X光胸片转向 CT图像上，它较后者主要有如下三点优势：1.发现肺结节的敏感性较高。在胸膜下 CT能发现直径为 2mm的小结节，在肺门区用薄层扫描可确定直径 34mm大小的结节。而普通胸片通常只能显示直径 1cm以上的单发结节。除大小外，结节所在部位也是影响影像显示的因素之一。CT 对于显示诸如膈肌后、纵隔旁、脊柱旁、胸膜下及肺尖区等隐蔽部位的结节病变，其敏感性明显高于普通 X线。2. CT能够较准确地显示结
30、节内的细小钙化和脂肪组织，对结节密度进行定量分忻，有助于确定肺结节的良、恶性。3. Bolus静脉注射造影剂增强扫描通过显示肺结节的强化程度或强化特点，亦有助于鉴别良恶性。此外，高分辨率扫描对于显示结节的边缘形态，如分叶、毛刺、放射冠、胸膜凹陷征等改变亦明显优于普通 X线。2.3结节自动检测的系统结构 由于肺部结节具有形态各异，位置不定，易与其它组织粘连等特点，在 CT图像上特征不明显，有时即使是最好的医生也难以做出判断，目前仍需通过穿刺等医学手段来最终确诊，因此对其的计算机辅助检测一直是国际上研究的难点和热点。对肺部结节的自动检测涉及到图像分析和模式识别的多个领域，如图像分割、可视化、特征提
31、取和判决分类等。当前的研究偏重于理论方法研究，还没有应用于实际辅助诊断的系统。比较典型的检测系统包括三个部分：肺部区域的识别、肺结节的特征提取和分类，有人也将前两部分称为图像分析过程，后一部分称为图像诊断过程。有的系统也使用模板匹配或滤波器的方法来直接检测肺结节。在我们的系统中，基于 CT图像的肺结节的辅助诊断主要分为以下几个步骤：数据预处理、肺部分割、候选结节提取、获得三维感兴趣区域(Volume Of Interest，9VOI)、特征提取、根据特征值判别结节。1.数据预处理由于初始数据是简单的将单张 CT图片按序列叠加在一起得到，并没有考虑切片的扫描间距，一般体素点不具有等方性，这会极大
32、的影响整个系统的处理效果，所以需要进行三维插值处理还原真实的肺部是体素具有等方性。2.肺部分割结节都生于肺内部，肺部分割在结节检测中是必不可少的，一方面可以缩小结节检测的范围，另一方面有效避免了肺部以外区域带入的干扰。根据 Armato和Sensakovic的研究表明，肺部分割的不准确将会为肺结节的检测带来 5%-17%的不利影响，其中包括靠肺壁结节的丢失以及肺部以外区域带入的假结节。3.候选结节提取结节多呈团状特征，由此引入点增强滤波器，它可以有效加强团状区域，同时抑制线状和面状区域，这样呈线状的血管和气管将被过滤掉，得到结节加强图像。4.获得三维感兴趣区域(Volume Of Intere
33、st，VOI)对上一步得到的候选结节图像做阈值处理，并求得各个候选结节点的中心点位置，根据该中心点构造一个大小为 353535的立方体作为 VOI。5.特征提取要提取候选结节的特征，需要先找到它的边缘，为了简化计算，只需要在边缘表面进行点采样即可，实际上将所有边缘表面的点都找到是没有必要的，根据这些采样得到的点，可以求取多个特征，比如：平均半径，球形度，对比度等。6.根据特征值判别结节本来考虑用分类器进行结节判别，但是由于得到的病例较少，无法保证训练样本的数量，故经验性的选取一组固定特征值作为结节的判别依据。2.4肺结节系统的评价 主要评价标准有如下三个：10灵敏度：系统检测出来的真结节数量与
34、实际结节数量的比值。假阳性点个数：如果在二维图像中可以用平均每张 CT切片上的假阳性（假阳性是指将非结节区域误判为结节的情况）个数来表示，三维图像中可以用整个图像中假阳性个数来表示。假阳性率：假阳性率即为假阳性个数与系统检测出来的真结节数量的比值。2.5小结 本章主要介绍了肺部结节的特征表现以及自动检测的系统框架。整个系统分为以下几个方面：数据预处理、肺部分割、候选结节提取、获得三维感兴趣区域(VolumeOf Interest，VOI)、特征提取、根据特征值判别结节。最后简单介绍了肺节结 CAD系统的评价方法。11 数据预处理及肺部分割 对整幅图像进行分析，不仅存在大量冗余信息，还容易引入错
35、误。由于结节只存在于肺部区域以内，在进行结节检测前先分割得到肺部区域不但可以提高结节检测的准确性还可以节省系统的运算时间。本章介绍了数据预处理以及肺部分割的基本方法，主要应用图像处理的区域生长和形态学算法实现。3.1数据预处理 将同一病人的所有 CT图片放在一个文件夹下，并根据 CT的扫描顺序为图片从小到大编号，按编号依次读入，在读入的同时将原图（512512像素）缩小为 1/4大小（256256 ），这是为了降低系统的资源消耗着想，因为三维图像数据量非常大，不但会长时间占用 CPU，还大量占用内存空间。由于在 CT图像中切片间的扫描距离较像素在平面方向代表的实际距离大，为了使三维图像具有各向
36、等同性，我们需要对其进行插值处理，通俗的讲，不具有等方性的三维图像要么是对原三维图像的拉长，要么就是对原三维图像的压扁。体素沿 z轴代表的长度大于 x，y轴时，三维图像表现为被压扁体素沿 z轴代表的长度小于 x，y轴时，三维图像表现为被拉长图 3.1不具有等方性的三维图像示意图12插值是常用的数学运算，通常是利用曲线拟合的方法，通过离散的采样点建立一个连续函数来逼近真实的曲线，用这个重建的函数便可以求出任意位置的函数值。在图像处理中用得比较多的插值方法主要有三种：1.最临近插值：这是最间便的插值算法，每一个插值输出像素的值就是在输入图像中预其最临近的采样点的值。这种插值方法运算量非常小，但是容
37、易在图像中产生锯齿状边缘，显得很不连贯。2.线性插值：输出像素值是它在输入三维图像的 222立方体内端点的平均值，在三维图像中需要进行三次线性插值，分别是 X方向，Y 方向，Z方向。该算法插值效果较好，计算量适中，是图像处理中设计图像几何变换的常用算法。3.双三次插值：其插值核为三次函数，插值领域为 444。它的插值效果最好，但是计算量相对偏大。通过对上面三种插值算法的比较，我们选取线性插值方法，它在插值效果和计算效率上找到了最佳平衡点，特别是在三维图像中运算时间的加快显得非常重要，双三次插值方法在这个方面难以令人满意。线性插值过程：一维空间的线性插值：x xu x1图 3.2 最简单的一维线
38、性插值设 x点的值为 f x， x 1点的值为 f x 1，则 x u点的值为：f x u f x *(1 u) f x 1 *u (3.1)三维空间的线性插值是通过多次一维线性插值得到的结果,它需要沿 X,Y,Z轴三个方向分别插值,其插值过程如图 3.3所示。13ACEPFBD图 3.3 三维插值示意图先经过一维线性插值得到 A，B，C，D四个点，由 A，B点再次一维插值得到E，同样由 C，D点再次一维插值得到 F，再有 E，F点一维插值得到 P，通过以上对X，Y，Z 三个方向的顺序插值最终得到待求点 P的灰度值。3.2肺部分割 在进行其它自动处理之前，首先将肺部分割出来已成为一个必要步骤，
39、因为结节都存在肺部区域以内，我们的后续结节检测算法就只在肺部区域内应用，这既避免了肺部以外区域带入的一些不必要干扰，同时还可以大大减少运算量，缩短运算时间。由于肺实质内部充满空气，密度较小，与周围的肋骨组织密度差别明显，在 CT图像上反映为 CT（Hu）值的不同，而且对于同一台机器来讲，不同病人 CT图像的肺实质 Hu值几乎是相同的。如美国 Picker公司的 CT机，其图像中肺实质的CT值一般为-200-250Hu。目前通常的方法是采用阈值分割和区域增长结合的办法得到肺部区域。本系统在采用常规方法时还加入了形态学闭运算以实现肺部分割。具体步骤如下：1.根据图像直方图不难发现，胸廓区域的灰度值
40、与其他区域灰度值差距非常大,如图 3.4所示，背景区域以及肺部区域的灰度值主要集中在 50以下，而胸廓和血管区域主要集中在 250以上。14图 3.4 肺部 CT图像的直方图胸廓区域的灰度值主要集中在 250以上，其他背景区域则灰度值较低。由此特点，选取一个固定阈值，如 128，就可以将胸廓和其他区域分隔开来，但是灰度值250以上的区域不都是胸廓区域，还包括诸如 CT机床或其他外界因素形成的其他小区域。2.经过上面处理后，可以从图中明显发现，所有白色连通区域中体积最大的那个即是胸廓区域，为了自动找出这个最大白色连通区域我们对图像中所有白色连通区域做区域增长，同时将该白色区域灰度值标识为其他值，
41、这样就可以保证每个白色连通区域只执行一次区域增长算法，而不会出现重复计算的情况。在对每个白色连通区域做区域增长的同时我们记下该区域的体素点个数，并以此为该区域的体积，通过排序得到体积最大的区域，这就是胸廓区域，保留该区域（将该区域灰度值赋为 255），并将其他区域全部赋 0。3.此时得到三个区域：胸廓以外区域，胸廓区域，胸廓以内区域。其中胸腔以内区域的两个较大的黑色连通区域（或者只有一个，因为存在左右肺粘结的情况）就是我们需要分割出来的肺部区域，故只需要把胸廓以外区域和胸廓区域排除便可以得到肺部初始区域了。这里仍然可以通过区域增长的办法实现，在胸廓以外区域任意选取一点作为种子点，区域增长的同时
42、将该连通区域的灰度值赋为 255，那么由15上可知胸廓以外区域和胸廓区域都变成白色，图像中留下的黑色区域就是我们要找的肺部区域。4.由于在获得初始肺部区域的过程中多处运用了区域增长算法而且肺部血管和气管与胸廓连接，这将造成一个问题：肺部的血管和气管都将作为胸廓区域被排除掉，从而使得肺部边缘产生很多裂痕，边缘不具有平滑性，同时由于结节点可能贴近肺部边缘，得到的肺部初始区域也将其排除在外，这些情况都不是希望发生的，所以需要对肺部边缘进行平滑处理，我们知道形态学里面的闭运算可以有效消除物体表面的凹陷区域，使物体表面更为平滑，经过我们实验发现球形算子平滑效果更好，更自然，优于立方体算子，为了进行比较我
43、们在三维空间中考虑定义两种闭运算算子，并比较给出它们实验的比较结果。(a)立方体算子处理结果 (b)球形算子处理结果图3.5 立方体算子与球形算子结果比较图 3.5(a)定义一个固定大小的立方体，就本系统而言设为 999，沿边缘进行滚动后得到的结果；图 3.5(b)定义一个直径为 9的球体沿边缘滚动后的结果。容易观察到，图 3.5(a)中肺部边缘周围附着有白色线条区域，这说明立方体滚动后的边缘较球体滚动后的边缘粗，显得不够准确，而且平滑度略差；同时还观察到左图两肺区域存在粘连，这是我们希望尽量避免的情况，当然实验中球体滚动算法也会产生这种不太理想的情况，但是程度较立方体滚动方法轻，属于可接受范
44、围。由于球体算子相比立方体算子具有上述优越性，我们在系统中选取直径为 9的球体进行肺部边缘平滑滚动。16图 3.6是运用该算法前后的效果比较图。(a)球体滚动前的图像 (b)球体滚动后的图像图 3.6 使用球体滚动算法前后的边界效果比较图 3.6(a)丢失了较多血管和气管信息，且边缘裂痕较多，图 3.6(b)是采用闭运算后的结果，边缘较为平滑，且保留了血管和气管信息。(a)原始图像 (b)球体滚动前的图像 (c)球体滚动后的图像图 3.7 结节在肺部边缘时，使用球体滚动算法前后的结果比较图 3.7(a)为原 CT图像，图 3.7(b)是未经过闭运算的效果，靠肺边缘的结节被排除在肺部外，图 3.
45、7(c)是闭运算后的效果图，结节被包含在肺部区域中。图 3.8三维肺部分割的结果图17令 R 表示整幅图像区域。可以将分割看做将 R 划分为 N 个子区域 1 2 , , NR R 的 1 .iia R R注：由于使用了三维重建软件，在进行三维重建时着了色，由本来的灰度图像变成了彩色图像。3.3基本算法简介 3.3.1区域生长 区域生长是一种根据事前定义的准则将像素或子区域聚合成更大区域的过程。基本的方法是以一组” 种子 ”点开始将与种子性质相似（诸如灰度级或颜色的特定范围）的相邻像素附加到生长区域的每个种子上52。其基本公式如下：, R过程：b Ri是一个连通区域， i 1,2, , N.c
46、 Ri R j,对所有的 i和 j， i j. d P Ri TRUE,对于 i 1,2, , N.e P Ri R j FALSE,对于 i j.这里， P Ri是定义在集合 Ri的点上的逻辑谓词， 是空集。条件（a）说明分割必须是完全的；即每个像素必须属于一个区域。条件（b）要求区域中的点必须与某个预定义的准则相联系。条件（c）说明不同区域必须是不相交的。条件（d）涉及在分割区域内的像素必须满足的性质例如如果所有 Ri内的像素有相同的灰度级，则 P Ri TRUE。最后，条件（ e）说明区域 Ri和 R j对于谓词 P是不同的。在具体实现的时候，通常根据所解决问题的性质而选择一个或多个起点
47、。当一个先验信息无效时，这一过程将对每个像素计算相同的特性集，最终，这个特性集18在生长过程中用于将像素归属某个区域。如果这些计算的结果呈现了不同簇的值，则那些由于自身的特质而处在这些簇中心附近的像素可以作为种子。相似性准则的选择不仅取决于面对的问题，还取决于有效图像数据的类型。例如，对地观测卫星成像非常依赖颜色的使用。如果没有彩色图象本身固有的可用信息，这个问题会变得非常棘手，甚至无法解决。如果图像是单色的，必须用一组基于灰度级和空间性质的描绘值（如矩或纹理）对区域进行分析。如果有关连通性和相邻性的信息没有用于区域生长过程，则单个的描绘子会产生错误的结果。例如，仅用 3个不同的灰度级值将任意
48、一个范围内的像素可视化。具有相同灰度级的像素组成一个“区域” ，而不用考虑他们的连通性。此时生成的只是一个毫无意义的结果。区域生长的另一个问题是用公式描述一个中止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。像灰度级、纹理和颜色准则都是局部性质，都没有考虑到区域生长的”历史” 。其他增强了区域生长算法处理能力的准则利用了待选像素和已加入生长区的像素间的大小、相似性等概念（比如待选像素的灰度级和生长区域的平均灰度级之间的比较），以及生长区域的形状。3.3.2形态学闭运算 用子图（结构元素）b对图像 f进行闭运算表示为：fAb f bA b (3.2)闭运算是先用 b对 f进
49、行简单的膨胀操作，而后用 b对得到的结果进行腐蚀操作。闭运算经常用于去除图像中的暗细节部分，而相对地保持明亮部分不受影响。先通过膨胀去除图像中的暗细节，同时增加图像的亮度，接下来对暗图像进行腐蚀，而不会将膨胀操作去除的部分重新引入图像之中。灰度级闭运算满足下列性质：19i f fAbii如果 f1f 2 ,则 f1Ab f 2Abiii fA bAb fAb符号 er表示 e的域是 r的域的子集，且对 e的域内的任何 x, y有 e x, y rx , y。3.4小结 本节主要说明了数据预处理过程以及肺部分割的方法，其中主要用得比较多的是三维区域生长算法以及形态学的闭运算，需要说明的是该算法只针对
