范立南，胡向麗，孫申申

（沈陽大學(xué) 信息工程學(xué)院，遼寧 沈陽 110044）

肺結(jié)節(jié)是肺部最常見的病變之一，可以是良性病變、轉(zhuǎn)移瘤或肺癌.如果早期發(fā)現(xiàn)和治療肺癌，患者的5年存活率可由14%提高到49%［1］.肺結(jié)節(jié)是肺癌的早期表現(xiàn)形式，它通常是指直徑大于3mm而小于3cm的肺內(nèi)類球形病灶［2］.根據(jù)不同的CT（Computed Tomography）影像表象，肺結(jié)節(jié)分為實(shí)心型結(jié)節(jié)和毛玻璃型結(jié)節(jié)［3］.毛玻璃型GGO（Ground Glass Opacity）肺結(jié)節(jié)呈淡淡的模糊影，而實(shí)心結(jié)節(jié)是高亮的類球形結(jié)構(gòu).醫(yī)生在篩查結(jié)節(jié)時，很容易漏檢毛玻璃型肺結(jié)節(jié)，但是毛玻璃型肺結(jié)節(jié)成為惡性結(jié)節(jié)的可能性更大，因此很有必要提取它的“候選點(diǎn)”.目前大部分國內(nèi)外的研究機(jī)構(gòu)對于肺結(jié)節(jié)的檢測都只局限于實(shí)心型結(jié)節(jié)，對于GGO型結(jié)節(jié)檢測的研究甚少.文獻(xiàn)［4］提出了一種基于4個統(tǒng)計特征的候選結(jié)節(jié)提取方法.該方法用32套CT影像識別毛玻璃型肺結(jié)節(jié)，識別率僅為77%，但是該方法提出的4個毛玻璃型肺結(jié)節(jié)的特征，即均值、標(biāo)準(zhǔn)差、傾斜度和峰態(tài)，為毛玻璃型肺結(jié)節(jié)的特征提取提供了新的數(shù)據(jù)支持.文獻(xiàn)［5］在文獻(xiàn)［4］基礎(chǔ)上提出Min-DD（最小方法差異）算法，它是一種基于形狀的濾波器.該方法提取出了肺結(jié)節(jié)的形狀特征，并且用31套CT影像作為實(shí)驗數(shù)據(jù)對毛玻璃型肺結(jié)節(jié)進(jìn)行識別，識別率為79.4%，平均每層1.07個假陽.文獻(xiàn)［6］提出基于人工神經(jīng)網(wǎng)絡(luò)的有監(jiān)督的結(jié)節(jié)加強(qiáng)方法.該方法首先用迭代閾值算法將圖像二值化，用滾球方法將貼在胸膜上的結(jié)節(jié)提取出來；然后用大量的神經(jīng)網(wǎng)絡(luò)濾波器對結(jié)節(jié)進(jìn)行加強(qiáng).該方法的敏感性為97%，平均每層影像6.7個假陽.圖1為一幅含有GGO型肺結(jié)節(jié)的肺影像，小方框內(nèi)包含的模糊影即為毛玻璃型肺結(jié)節(jié).

圖1 小方框內(nèi)即為毛玻璃型肺結(jié)節(jié)Fig.1 Ground glass opacity nodule is in the block

1 OTSU算法和帶通濾波器的基本原理

1.1 最大類間方差法（大津法，OTSU）

最大類間方差法是一種自適應(yīng)的閾值確定的方法，又叫大津法，簡稱OTSU.它是按圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分.背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)錯分為背景或部分背景錯分為目標(biāo)都會導(dǎo)致兩部分差別變小.因此，使類間方差最大的分割意味著錯分概率最小.

對于圖像I（x，y），前景（即目標(biāo)）和背景的分割閾值記作T，前景的像素點(diǎn)數(shù)占整幅圖像的比例記為ω1，其平均灰度μ1；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω2，其平均灰度為μ2.圖像的總平均灰度記為μ，類間方差記為g.

假設(shè)圖像的背景較暗，并且圖像的大小為M×N，圖像中像素的灰度值小于閾值T的像素個數(shù)記作N1，像素灰度大于閾值T的像素個數(shù)記作N2，則有：

采用遍歷的方法得到使類間方差最大的閾值T，即為所求.

1.2 帶通濾波器的基本原理

帶通濾波器是一種允許一定頻率范圍內(nèi)的信號通過，而阻止其他頻率范圍內(nèi)的信號通過的濾波器.理想帶阻濾波器的表達(dá)式為

理想帶通濾波器的傳遞函數(shù)為

毛玻璃型肺結(jié)節(jié)的CT值小于血管和實(shí)心結(jié)節(jié)的CT值，并且大于肺實(shí)質(zhì)區(qū)域的CT值.而帶通濾波器的頻率特性與毛玻璃型肺結(jié)節(jié)特性一致，為此可以將其應(yīng)用到毛玻璃型肺結(jié)節(jié)檢測中，將CT值位于一定范圍內(nèi)的毛玻璃型肺結(jié)節(jié)檢測出來.

2 毛玻璃型肺結(jié)節(jié)的檢測算法

2.1 OTSU算法分割肺實(shí)質(zhì)

由于肺結(jié)節(jié)一定位于肺實(shí)質(zhì)上［7］，所以肺結(jié)節(jié)檢測的第一步就是肺實(shí)質(zhì)的分割，這樣可以提高肺結(jié)節(jié)檢測的效率.本文用OTSU算法分割肺實(shí)質(zhì).分割肺實(shí)質(zhì)流程圖如圖2所示.

圖2 分割肺實(shí)質(zhì)流程圖Fig.2 Flow chart of lung parenchyma’s segmentation

2.2 帶通濾波器檢測毛玻璃型肺結(jié)節(jié)

圓點(diǎn)濾波器是一種增強(qiáng)局部具有球形結(jié)構(gòu)像素的方法，提取實(shí)心候選結(jié)節(jié)效果明顯，它不僅要考慮以該“候選點(diǎn)”為中心的包圍核的形狀特征，同時還考慮該像素的灰度特征［8-9］.因此本文考慮使用帶通濾波器來檢測灰度值介于血管和肺實(shí)質(zhì)之間的毛玻璃型肺結(jié)節(jié)，圖3即為用帶通濾波器檢測毛玻璃型肺結(jié)節(jié)的流程圖.

圖3 帶通濾波器檢測毛玻璃型肺結(jié)節(jié)的流程圖Fig.3 Flow chart of the detection of ground glass opacity nodule with band-pass filter

3 實(shí)驗結(jié)果與分析

3.1 實(shí)驗數(shù)據(jù)

表1描述了本文使用的影像數(shù)據(jù)來源和數(shù)據(jù)的屬性.數(shù)據(jù)來源于LIDC數(shù)據(jù)庫和中國醫(yī)科大學(xué)附屬第一醫(yī)院，每套數(shù)據(jù)的結(jié)節(jié)都有醫(yī)生手工標(biāo)識的金標(biāo)準(zhǔn)，即結(jié)節(jié)的位置.LIDC數(shù)據(jù)庫中的數(shù)據(jù)是掃描部分的肺影像，而中國醫(yī)科大學(xué)附屬第一醫(yī)院的數(shù)據(jù)是掃描全肺影像.后者的數(shù)據(jù)庫中的影像是通過東芝16排CT產(chǎn)生的，球管的電壓為120kV，電流為130mA.數(shù)據(jù)被重建成像素為512×512的影像.

表1 本文測試算法性能的數(shù)據(jù)Table 1 Data used to test performance of algorithm

3.2 實(shí)驗結(jié)果

3.2.1 分割肺實(shí)質(zhì)的實(shí)驗結(jié)果

用OTSU算法分割肺實(shí)質(zhì)，首先選取閾值，然后用選取的閾值對圖像進(jìn)行二值化，填充空洞，最后將空洞填充后的圖像與原圖像相乘.OTSU算法分割肺實(shí)質(zhì)的結(jié)果如圖4所示.

圖4 OTSU算法分割肺實(shí)質(zhì)的結(jié)果Fig.4 Results of the segmentation of lung parenchyma by OTSU algorithm

3.2.2 毛玻璃型肺結(jié)節(jié)檢測結(jié)果

對于中國醫(yī)科大學(xué)附屬第一醫(yī)院的19個GGO型結(jié)節(jié)，漏檢了3個；而對于LIDC數(shù)據(jù)庫中的GGO型結(jié)節(jié)，漏檢了1個.表2分別列出了三種方法的漏檢率，平均每套影像檢測GGO結(jié)節(jié)所需要的時間.

表2 本文方法與現(xiàn)有兩種方法的性能對比Table 2 Comparison between the performance of this method and the existing two methods

帶通濾波器檢測毛玻璃型肺結(jié)節(jié)的實(shí)驗結(jié)果如圖5所示.

圖5 帶通濾波器檢測到的結(jié)果Fig.5 The result of detection with band-pass filter

4 結(jié) 語

本文首先用OTSU算法分割肺實(shí)質(zhì).然后用帶通濾波器檢測CT值位于一定范圍內(nèi)的毛玻璃型肺結(jié)節(jié)，檢測效果良好.該方法在所需運(yùn)行時間和檢測率上都優(yōu)于現(xiàn)有的檢測毛玻璃型肺結(jié)節(jié)的方法.

［1］ Lin D T，Yan C R，Chen W T.Autonomous Detection of Pulmonary Nudules on CT Images with a Neural Networkbased Fuzzy System［J］.Computerized Medical Imaging and Graphics，2005，29：447-458.

［2］ 薛以鋒，鮑旭東，馬漢林，等.基于CT圖像的肺結(jié)節(jié)計算機(jī)輔助診斷系統(tǒng)［J］.中國醫(yī)學(xué)物理學(xué)雜志，2006，23（2）：93-96.（Xue Yifeng，Bao Xudong，Ma Hanlin，et al.Computeraided Diagnosis System for Pulmonary Nodules Based on CT Images［J］.Chinese Journal of Medical Physics，2006，23（2）：93-96.）

［3］ 孫申申，范立南，任會之.基于圓點(diǎn)濾波器的毛玻璃型肺結(jié)節(jié)檢測［J］.計算機(jī)工程，2010，36（23）：7-9.（Sun Shenshen，F(xiàn)an Linan，Ren Huizhi.Ground Glass Opacity Nodule Detection Based on Dot-Filter［J］.Computer Engineering，2010，36（23）：7-9.）

［4］ Katsumata Y，Itai Y，Maeda S，et al.Automatic Detection of GGO Candidate Regions Employing Four Statistical Features on Thoracic MDCT Image［C］.COEX，Seoul，Korea：International Conference on Control，2007，17-20.

［5］ Katsumata Y，Itai Y，Kim H，et al.Automatic Detection of GGO Candidate Regions by Using Artificial Neural Networks from Thoracic MDCT Images［C］.COEX，Seoul，Korea： The 3rd Intetnational Conference on Innovative Computing Information and Control，2008，1983-1985.

［6］ Suzuki K，SHI Zheng Hao，et al.Supervised Enhancement of Lung Nodules by Use of a Massive-Training Artificial Neural Network（MTANN）in Computer-Aided Diagnosis（CAD）［C］.Chicago：IEEE TRANSACTIONS ON BIOMEDICAL，2008，123-134.

［7］ 陳卉，徐巖，馬斌榮.針對肺結(jié)節(jié)檢測的肺實(shí)質(zhì)CT圖像分割［J］.中國醫(yī)學(xué)物理學(xué)雜志，2008，25（6）：883-886.（Chen Hui， Xu Yan， Ma Binrong. Automated Segmentation of Lung Parenchyma Designed for Detection of Lung Nodules in CT Scans［J］.Chinese Journal of Medical Physics，2008，25（6）：883-886.

［8］ 張娟.基于Hessian矩陣的肺結(jié)節(jié)計算機(jī)輔助檢測算法研究［D］.泰安：泰山醫(yī)學(xué)院，2009，19-20.（Zhang Juan.Computer-aided Detection Algorithm for Lung Nodules based on Hessian Matrix［D］.Tai’an：Taishan Medical University，2009，19-20.

［9］ 楊金柱，趙大哲，徐心和.一種多尺度圓形濾波器在肺結(jié)節(jié)增強(qiáng)中的應(yīng)用［J］.系統(tǒng)仿真學(xué)報，2008，20（14）：3726-3729.（Yang Jinzhu，Zhao Dazhe，Xu Xinhe.Algorithm for Circle Filter Based Anisotropy Smoothing Equations Application for Enhancement of Pulmonary Nodules［J］.Journal of System Simulation，2008，20（14）：3726-3729.）