湖北中醫(yī)藥高等專(zhuān)科學(xué)校附屬醫(yī)院(荊州市第二人民醫(yī)院)CT室(湖北 荊州 434000)

吳 俊

CT圖像智能識(shí)別的肺結(jié)核小點(diǎn)

湖北中醫(yī)藥高等專(zhuān)科學(xué)校附屬醫(yī)院(荊州市第二人民醫(yī)院)CT室(湖北 荊州 434000)

吳 俊

目的探討CT圖像智能識(shí)別的肺結(jié)核(TB)小點(diǎn)的可行性。方法收集100張CT圖像，通過(guò)圖像預(yù)處理、圖像分割、圖像分類(lèi)技術(shù)以識(shí)別TB小點(diǎn)。結(jié)果100張CT圖像中，54張有肺結(jié)核腔，46張沒(méi)有肺結(jié)核腔。數(shù)據(jù)顯示混合分類(lèi)法最佳，F(xiàn)PR為0.144/圖，且速率可達(dá)當(dāng)使用逆梯度的變異系數(shù)(GICOV)單獨(dú)或循環(huán)方法時(shí)的兩倍?；诓煌姆诸?lèi)兩個(gè)CT測(cè)試圖像的比較發(fā)現(xiàn)，混合方法性能更優(yōu)。結(jié)論利用CT圖像分割技術(shù)進(jìn)行TB小點(diǎn)的診斷，可獲得可靠、準(zhǔn)確的診斷結(jié)果。

CT圖像；智能識(shí)別；肺結(jié)核小點(diǎn)

肺結(jié)核(tuberculosis，TB)是臨床常見(jiàn)的呼吸系統(tǒng)疾病，多因結(jié)核桿菌感染所致，傳染性強(qiáng)且致死率較高，已成為全世界致亡率第三高的疾病，嚴(yán)重威脅著患者的身體健康和生命安全[1]。目前，對(duì)于肺結(jié)核的研究顯示，其致病機(jī)制主要與患者機(jī)體免疫力下降、變態(tài)反應(yīng)性、結(jié)核桿菌感染種類(lèi)和數(shù)量以及飲食習(xí)慣、生活方式的改變有關(guān)[2]。然而臨床尚缺乏有效的治療方案，因此肺結(jié)核的早期診斷對(duì)于明確病情發(fā)展?fàn)顩r、制定治療方案具有重要意義。一般地，對(duì)于肺結(jié)核的早期診斷多采用X線成像進(jìn)行，但對(duì)于肺結(jié)核小點(diǎn)而言，往往難以識(shí)別。出錯(cuò)率高[3,4]。本研究為了克服此問(wèn)題，通過(guò)使用CT圖像分割技術(shù)以識(shí)別肺結(jié)核小點(diǎn)，取得良好效果，現(xiàn)報(bào)道如下。

1 對(duì)象與方法

1.1 研究對(duì)象收集2010年2月到2014年5月我院呼吸科的100張CT圖像作為實(shí)驗(yàn)材料，圖像格式為16位DICOM標(biāo)準(zhǔn)格式，層厚0.5mm，像素512×512，像素大小0.74mm×0.74mm。

1.2 研究方法

1.2.1 圖像預(yù)處理：為了提高光學(xué)檢測(cè)的可靠程度，進(jìn)行分割前應(yīng)對(duì)CT圖像進(jìn)行預(yù)處理，包括改善圖像意外扭曲和(或)增強(qiáng)圖像特征。具體處理過(guò)程如下：圖像縮放即指將正常的512×512像素的CT圖像經(jīng)最小化圖像處理為300×200，以增加其大??；圖像屏蔽即去除肺部以外區(qū)域，以消除背景，通過(guò)對(duì)不同區(qū)域賦值而實(shí)現(xiàn)，其中，未使用區(qū)域或被覆蓋區(qū)域賦值為0s，其他可視區(qū)域賦值為1s；采用高斯濾波進(jìn)行線性平滑，以降低噪聲影響，提高對(duì)比度；采用直方圖均衡化突出目標(biāo)區(qū)域進(jìn)行圖像增強(qiáng)，即通過(guò)調(diào)整圖像對(duì)比度，獲得更好的強(qiáng)度分布直方圖，重新分配圖像像素值，使圖像各像素點(diǎn)均勻分布，確保一定灰度范圍內(nèi)的像素?cái)?shù)量相一致，同時(shí)，其允許局部對(duì)比度降低，從而獲得一個(gè)更高的對(duì)比度，從而更清晰顯示圖像。

1.2.2 圖像分割：通俗地講，圖像分割即指將圖像中有意義的特征區(qū)域提取出來(lái)的過(guò)程。對(duì)于醫(yī)學(xué)圖像分割，通過(guò)將圖像劃分成多個(gè)像素集(超像素)，從而明確具有特殊含義的不同區(qū)域的邊界，以定位不同區(qū)域，而這些含義相似的區(qū)域多具有類(lèi)似的特征。預(yù)處理后圖像通過(guò)初始輪廓和活動(dòng)輪廓分割，其中，初始輪廓的方法轉(zhuǎn)變分割模型，而活動(dòng)輪廓結(jié)合梯度向量流技術(shù)使用，有效抗拉伸和彎曲，跟蹤對(duì)象在時(shí)間和空間維度，從而實(shí)現(xiàn)圖像分割。具體操作如下：對(duì)于肺結(jié)核小點(diǎn)的描繪，采用方向梯度矢量流模型(gradient vector flow model，GVF)進(jìn)行，以便獲得良好的對(duì)比度變化和弱邊緣，從而能區(qū)分多個(gè)肺結(jié)核小點(diǎn)的存在；手動(dòng)選取一個(gè)初始輪廓，明確特征空間參數(shù)，自動(dòng)化初始輪廓位置并使用均值漂移分和應(yīng)用自適應(yīng)閾值來(lái)控制聚類(lèi)過(guò)程，使特征類(lèi)似的數(shù)據(jù)點(diǎn)集合轉(zhuǎn)變?yōu)樘卣骺臻g；對(duì)于自適應(yīng)閾值的設(shè)定根據(jù)圖像屬性進(jìn)行，從而有效反映小點(diǎn)附近特點(diǎn)，以便明確是否出現(xiàn)肺結(jié)核小點(diǎn)，包括對(duì)鎖骨附近部位的肺結(jié)核小點(diǎn)也可清晰呈現(xiàn)。此外，GVF模型對(duì)雙向外力標(biāo)識(shí)對(duì)象邊界和處理凹區(qū)域進(jìn)行定義，需要二進(jìn)制映射邊緣。

1.2.3 圖像分類(lèi)：對(duì)于經(jīng)圖像分割處理而呈現(xiàn)出來(lái)的肺結(jié)核小點(diǎn)，采用貝葉斯分類(lèi)器進(jìn)行分類(lèi)。觀察肺結(jié)核小點(diǎn)及其附近部位的特征，如邊界結(jié)核腔是否透亮、是否出現(xiàn)圓形的結(jié)核病腔，并采用逆梯度的變異系數(shù)(gradient inverse coefficient of variation,GICOV)算法計(jì)算內(nèi)部邊界特性和弧度形狀特性[3]。

2 結(jié) 果

2.1 一般情況所收集的100張CT圖像中，有肺結(jié)核腔54張，無(wú)肺結(jié)核腔46張。分割示例圖如圖1-3。

圖1-3 CT圖像分割示例圖。初始輪廓、活動(dòng)輪廓和肺結(jié)核小點(diǎn)分別表示為綠色，黃色和紅色。所有的初始輪廓(綠色圓圈)均為自動(dòng)生成。圖4-9 不同CT圖像比較。分類(lèi)方法：圖4、5為GICOV，圖6、7為循環(huán)，圖8、9為混合。

表1 CT圖像比較

2.2 圖像比較全部背景包含正常圖像、肺結(jié)核腔背景和無(wú)腔背景。對(duì)于每一張CT圖像而言，均處理其初始輪廓，后基于GICOV，循環(huán)和混合方法進(jìn)行分類(lèi)。由表1可見(jiàn)，混合分類(lèi)法的顯示效果最佳，F(xiàn)PR為0.144/圖；此外，就速率而言，混合方法可達(dá)使用GICOV單獨(dú)或循環(huán)時(shí)的兩倍。選取2張CT圖像在不同分類(lèi)方法下比較發(fā)現(xiàn)，左側(cè)圖像顯示，GICOV單獨(dú)生產(chǎn)2FPs，而單獨(dú)和混合方法只產(chǎn)生1FP；右邊圖像顯示，GICOV產(chǎn)生3FPs，循環(huán)方法產(chǎn)生2FPs，混合方法只產(chǎn)生1FP。如圖4-9。

3 討 論

對(duì)于肺結(jié)核的診斷，通常結(jié)合患者皮膚、血液和影像數(shù)據(jù)進(jìn)行，其中，影像學(xué)數(shù)據(jù)多采用X線胸片檢測(cè)為主。但是對(duì)于處于潛伏期的TB患者而言，其無(wú)顯著的癥狀，導(dǎo)致皮膚和血液檢測(cè)等常規(guī)診斷無(wú)效，而僅能根據(jù)影像學(xué)資料和臨床數(shù)據(jù)進(jìn)行分析，從而判斷是否感染TB[5]。一般地，肺結(jié)核腔或小點(diǎn)的存在可作為T(mén)B感染程度的指標(biāo)。然而，僅通過(guò)肉眼對(duì)X射線/CT圖像進(jìn)行觀察進(jìn)行肺結(jié)核小點(diǎn)檢測(cè)，難以獲得理想結(jié)果，導(dǎo)致臨床誤診漏診率高，進(jìn)而耽誤患者病情[6]。而無(wú)法對(duì)早期肺結(jié)核明確診斷也使得醫(yī)師在臨床用藥中難以控制抗結(jié)核藥物的用量，過(guò)高劑量的使用易誘發(fā)多種不良反應(yīng)，對(duì)患者的生存質(zhì)量帶來(lái)不利影響，而劑量過(guò)小往往難以起到治療作用，不利于患者康復(fù)。因此，如何準(zhǔn)確診斷肺結(jié)核，指導(dǎo)臨床合理用藥，對(duì)于TB患者的治療具有促進(jìn)作用。

傳統(tǒng)的X線胸片，僅能生成一個(gè)二維陰影圖，對(duì)于細(xì)節(jié)顯示較差，且X射線往往難以穿透各類(lèi)軟組織，使得X線圖像丟失部分信息，同時(shí)，X線較小的影子易被更大的陰影所掩蓋，如鎖骨附近肺組織，X線往往難以顯示。而CT掃描技術(shù)的誕生，使得醫(yī)師可通過(guò)對(duì)軸向CT掃描圖像進(jìn)行編譯，從而獲得肺部組織的三維圖像，再現(xiàn)體內(nèi)組織和器官，以提高肺結(jié)核診斷的準(zhǔn)確性[7]。多項(xiàng)研究對(duì)X線圖像和CT圖像的對(duì)比發(fā)現(xiàn)，CT圖像可獲得更為全面、清晰的圖像信息，包括對(duì)于肺結(jié)核小點(diǎn)的診斷。此外，隨著計(jì)算機(jī)技術(shù)的成熟和發(fā)展，計(jì)算機(jī)輔助檢測(cè)(凱德)和計(jì)算機(jī)輔助醫(yī)學(xué)診斷(CADx)逐漸在臨床開(kāi)展，其用于CT圖像的分析，有效減少因放射科醫(yī)生因知識(shí)和經(jīng)驗(yàn)缺少而導(dǎo)致的錯(cuò)誤解讀。本研究中在CAD系統(tǒng)輔助下，通過(guò)自動(dòng)分割和分類(lèi)CT圖像，可為醫(yī)師提供TB小點(diǎn)信息，從而準(zhǔn)確檢測(cè)肺結(jié)核小點(diǎn)。

圖像分割是一種像素分類(lèi)技術(shù)，將圖像分為特征相似性的不同區(qū)域，以便分析和分類(lèi)。目前，對(duì)于圖像分割方法，包括基于邊緣技術(shù)，基于區(qū)域技術(shù)和基于像素直接分類(lèi)方法。而在行圖像分割前預(yù)處理技術(shù)的應(yīng)用對(duì)于提高方法的可靠性具有重要作用[8]。活動(dòng)輪廓(AC)模型(或Snake)是醫(yī)學(xué)圖像分割的常用技術(shù)，通過(guò)自動(dòng)生成曲線標(biāo)識(shí)對(duì)象邊界，從而跟蹤對(duì)象在時(shí)間和空間維度，其可結(jié)合GVF，從而構(gòu)建出具體的物理模型。但AC模型捕獲范圍有限，對(duì)于出現(xiàn)多個(gè)結(jié)核感染的情況，就需要分割多個(gè)區(qū)域，同時(shí)通過(guò)預(yù)處理技術(shù)消除CT圖像正?；虿幌嚓P(guān)的結(jié)構(gòu)。對(duì)于初始輪廓，采用均值漂移分割算法并應(yīng)用自適應(yīng)閾值來(lái)控制聚類(lèi)過(guò)程以處理復(fù)雜的紋理和多樣的強(qiáng)度分布。

綜上所述，利用CT圖像分割技術(shù)進(jìn)行TB小點(diǎn)的診斷，可獲得可靠、準(zhǔn)確的診斷結(jié)果。同時(shí)，隨著CT技術(shù)的不斷發(fā)展，其在肺結(jié)核小點(diǎn)識(shí)別中將發(fā)揮更大的作用。

1. 李易霞,張國(guó)慶,張冠男等.CT檢查在活動(dòng)性肺結(jié)核治療中的應(yīng)用價(jià)值[J].中國(guó)醫(yī)藥導(dǎo)報(bào),2012,09(10):113-115.

2. 王紅,賈文霄,馬景旭等.多層螺旋CT在肺結(jié)核診斷和鑒別診斷中的應(yīng)用價(jià)值[J].中國(guó)CT和MRI雜志,2010,08(5):1-4.

3. 袁銘.X線與CT檢查在空洞型肺結(jié)核診斷中的對(duì)比分析[J].中外醫(yī)學(xué)研究,2013,(4):61.

4. 朱明,雷振.活動(dòng)性肺結(jié)核高分辨CT征象評(píng)分與痰涂AFB分級(jí)的相關(guān)性研究[J].實(shí)用放射學(xué)雜志,2014,(7):1115-1117.

5. 劉佳慶,張立,孫海柏等.γ干擾素釋放試驗(yàn)在肺結(jié)核早期診斷中的應(yīng)用[J].山東醫(yī)藥,2013,53(3):82-84.

6. 柏明軍,郭月飛,謝迭來(lái)等.誤診為肺癌的肺結(jié)核CT、病理表現(xiàn)及誤診分析[J].中國(guó)CT和MRI雜志,2012,10(2):52-54.

7. 王娜娜,陳樹(shù)越.基于CT圖像的肺實(shí)質(zhì)分割技術(shù)研究[J].電子測(cè)試,2012,(4):38-43.

8. 肖雪,龔恒,陳鐘等.多閾值和標(biāo)記分水嶺相融合的肺部CT圖像分割方法[J].激光雜志,2014,(9):74-78.

(本文編輯: 劉龍平)

CT Image Intelligent Recognition of Tuberculosis Small Point

WU Jun． The CT room of Hubei Jingzhou Second People's Hospital, Jingzhou, Hubei province, 434000

ObjectiveTo investigate the feasibility of CT image intelligent recognition of tuberculosis (TB) dot．Methods100 CT images were selected to identify TB point through image processing, image segmentation and image classification technology．ResultsAmong the 100 images, there were 54 pieces tuberculosis cavity and 46 no pulmonary tuberculosis cavity． Data showed that mix was the best way, FPR was 0．144 /figure, and its speed could reach to two times of that using inverse gradient variation coefficient (GICOV) alone or circulation method． Based on the classification of different two CT test image comparison, the mix method had a good performance．ConclusionCT technology to identify TB dot, in order to obtain precise and accurate diagnosis

CT Images; Intelligent Identification; Tuberculosis Dots

R521

A

10.3969/j.issn.1672-5131.2015.05.015

2015-04-07

吳 俊