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,图像,一致性法,纹理特征,支持向量机
0引言
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),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。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(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（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。
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。
2.1.1快速分割算法
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后得到的图像如图所示。除了大部分肺部组织外，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部分血管、结节、纤文化等则显示为高密度影区。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，同时选取合适的面积阈值，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，肺部模板已经基本成形，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
2.1.2初步定位并剔除粗血管
先通过直方图均衡化提高上面得到的肺部区域图像的对比度，然后将图片二值化，就得到了粗血管，如图4（a）。通过图4（a）找出的粗血管图，映射到原图，将粗血管区域剔除掉。图4（b）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，分成若干个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血管纹理特征的优个特征量ENT、GOUE、GODE、VAR、GLUH、GLUE。把样本的这优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)