羅薇，徐巖，張婷婷，陳卉

1.首都醫(yī)科大學(xué) 生物醫(yī)學(xué)工程學(xué)院，北京 100069；2.首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院 放射科，北京 100053

低劑量數(shù)字胸片紋理特征與低密度結(jié)節(jié)檢出相關(guān)性的研究

羅薇1，徐巖2，張婷婷2，陳卉1

1.首都醫(yī)科大學(xué) 生物醫(yī)學(xué)工程學(xué)院，北京 100069；2.首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院 放射科，北京 100053

目的探討利用圖像紋理特征對低劑量數(shù)字胸片不同拍攝條件進(jìn)行定量分析的方法。方法分別對同一體模用12種不同拍攝條件拍攝3次數(shù)字X線攝影，并對圖像進(jìn)行基于灰度統(tǒng)計(jì)、基于灰度共生矩陣、基于小波的熵紋理特征提取，分別用歐幾里得距離、余弦相似度和相關(guān)系數(shù)描述結(jié)節(jié)紋理特征與背景紋理特征的相似程度，并根據(jù)這些相似度指標(biāo)確定最佳拍攝條件，最后與臨床醫(yī)生對拍攝條件的主觀判斷進(jìn)行比較。結(jié)果分別提取了所有結(jié)節(jié)區(qū)域和背景區(qū)域的16個(gè)紋理特征，歐氏里得距離、余弦相似度和皮爾遜相關(guān)系數(shù)一致判定81 kV/1.0 mAs和81 kV/1.6 mAs的拍攝條件最佳，并與醫(yī)生評價(jià)結(jié)果基本一致。結(jié)論通過特征相似度計(jì)算的方法，能夠選中最佳拍攝條件下的圖像質(zhì)量，從而協(xié)助醫(yī)生進(jìn)行結(jié)節(jié)的分析，對疾病進(jìn)行診斷。

肺結(jié)節(jié)；紋理特征；灰度共生矩陣；小波熵；相似度

肺癌是一種常見的肺部惡性腫瘤，也是世界上惡性腫瘤中最常見的死亡原因。特別近半個(gè)世紀(jì)以來，各國肺癌的發(fā)病率和病死率都急劇上升。據(jù)報(bào)道，在所有X線檢查診斷中，大約30%～40%為胸片檢查，胸片輻射劑量在集體劑量中大約占18%[1]。因此，優(yōu)化胸片圖像質(zhì)量和降低輻射劑量已經(jīng)成為影像學(xué)的研究熱點(diǎn)和重點(diǎn)。

由于數(shù)字胸片具有較寬的動(dòng)態(tài)范圍和窗函數(shù)（窗寬和窗位），因此不大可能發(fā)生過度曝光[2]。降低千伏電壓或管電流可以降低數(shù)字胸片的輻射劑量，已有文獻(xiàn)報(bào)道降低千伏電壓并不會(huì)影響肺內(nèi)病變的檢出[3-5]。因此，可以通過提高醫(yī)師視覺敏感性和低密度結(jié)節(jié)的顯示來提高數(shù)字胸片的診斷準(zhǔn)確率，提高早期肺癌的檢出率。

紋理一般指人們所觀察到的圖像中像元（或子區(qū)域）的灰度變化規(guī)律，習(xí)慣上把圖像中這種宏觀有規(guī)律而局部不規(guī)則的特性稱之為紋理[6]。圖像的紋理特征分析即對圖像像素灰度值局部特征、像素灰度值變化規(guī)律進(jìn)行研究[7]。在醫(yī)學(xué)圖像中，紋理特征的定性或者定量變化一般能反映機(jī)體的病理變化。

本研究對12種拍攝條件下獲得的36張數(shù)字胸片進(jìn)行分析，首先提取胸片中結(jié)節(jié)和背景的紋理特征，然后計(jì)算每張圖像結(jié)節(jié)和背景的紋理特征的相似度，并據(jù)此確定最佳拍攝條件，最后對本研究所確定的最佳拍攝條件與醫(yī)生的主觀感受進(jìn)行一致性評價(jià)，以檢驗(yàn)本研究結(jié)果的臨床應(yīng)用價(jià)值。

1 方法和材料

1.1 研究對象

所有X光片的拍攝對象均為同一肺部標(biāo)準(zhǔn)體模，原始數(shù)字胸片的大小為2994×2947像素。拍攝X光片時(shí)共設(shè)有12種拍攝條件，每個(gè)拍攝條件下共拍攝3次，因此一共得到36幅數(shù)字胸片。低密度結(jié)節(jié)的安放位置，見圖1。編號(hào)1～6的6個(gè)低密度結(jié)節(jié)（CT值為-680～-800 HU）的直徑分別為10、12、8、12、10、5 mm。圖1中每個(gè)結(jié)節(jié)位置上的內(nèi)圓代表結(jié)節(jié)，兩個(gè)圓圈包圍的環(huán)形區(qū)域（寬度為4 mm）代表結(jié)節(jié)周圍的背景。

圖1 拍攝X光片低密度結(jié)節(jié)位置標(biāo)記圖

胸片入選標(biāo)準(zhǔn)：① 胸片無偽影、漏光及體外物影像；② 上中肺野光密度應(yīng)在1.45～1.75之間，肺野外帶光密度1.0，膈下光密度＜0.28；③ 胸椎位于中心且垂直于圖像下緣。

1.2 紋理特征分析

1.2.1 基于灰度統(tǒng)計(jì)特征的紋理特征提取

灰度統(tǒng)計(jì)特征是最直接的紋理特征[8-9]，它表示圖像灰度的平均分布情況。本文使用灰度均值和標(biāo)準(zhǔn)差作為灰度統(tǒng)計(jì)特征。

1.2.2 基于灰度共生矩陣的紋理特征提取

基于灰度共生矩陣的紋理特征由Haralick等人[10]提出?；叶裙采仃囀顷P(guān)于圖像灰度變化的二階統(tǒng)計(jì)特征，它表現(xiàn)了圖像亮度在方向、位置、變化幅度上的綜合信息，常常用來分析和理解圖像的局部模式特征[11]。令二維圖像為f(x,y)，圖像尺寸為M×N，灰度等級(jí)為g，灰度共生矩陣P可以定義為：

其中，求和符號(hào)表示計(jì)算集合中的元素個(gè)數(shù)，P為g×g的矩陣。假設(shè)像素點(diǎn)(x1,y1)與(x2,y2)的空間距離為d，兩點(diǎn)連線和坐標(biāo)橫軸的夾角為θ，那么就可以得到不同空間距離和不同夾角的灰度共生矩陣P(i,j,d,θ)。

基于灰度共生矩陣的紋理特征有很多，本研究采用以下幾個(gè)特征參數(shù)：

（1）能量。能量是灰度共生矩陣所有元素的平方和，直接表達(dá)了圖像亮度分布的均勻程度和紋理粗細(xì)度情況。能量定義如下：

（2）相關(guān)性。相關(guān)性度量灰度共生矩陣元素在垂直或水平方向的相似程度，從某種程度上來說，相關(guān)性的大小體現(xiàn)了局部亮度的相關(guān)性。假設(shè)X和Y分別是兩個(gè)不同的區(qū)域，相關(guān)性計(jì)算公式如下：

（3）熵。紋理是一種信息，熵能度量紋理分布信息分布的豐富性，其定義如下：

（4）慣性矩。也叫對比度，反映了圖像的清晰度和紋理溝紋深淺的程度，其定義如下：

（5）逆差距。反映了紋理的清晰程度和規(guī)則程度，紋理清晰、規(guī)律性較強(qiáng)、易于描述的，逆差距值較大；雜亂無章、難于描述的，逆差距值較小，其定義如下：

本文構(gòu)造0°、45°、90°、135°四個(gè)方向的共生矩陣[12]。分別計(jì)算結(jié)節(jié)和背景的四個(gè)共生矩陣的能量、熵值、慣性矩、相關(guān)性、逆差距等紋理特征，四個(gè)方向的結(jié)果取平均值，最后以各參數(shù)的均值和標(biāo)準(zhǔn)差即Eμ（熵均值）、Eσ（熵標(biāo)準(zhǔn)差）、Aμ（能量均值）、Aσ（能量標(biāo)準(zhǔn)差）、Iμ（逆差距均值）、Iσ（逆差距標(biāo)準(zhǔn)差）、Pμ（相關(guān)性均值）、Pσ（相關(guān)性標(biāo)準(zhǔn)差）、Dμ（慣性矩均值）、Dσ（慣性矩標(biāo)準(zhǔn)差）作為紋理特征向量中的各個(gè)分量。

1.2.3 基于小波的熵紋理特征提取

小波變換基于傳統(tǒng)的傅里葉變換進(jìn)行改進(jìn)，能夠同時(shí)有效利用信號(hào)或者圖像的時(shí)域和頻率特征，因而得到了廣泛應(yīng)用，能夠較好的表達(dá)和提取圖像的局部特征[13]。

本文使用db7小波基進(jìn)行小波分解，然后計(jì)算小波系數(shù)的熵作為紋理特征。小波熵的定義和計(jì)算過程如下[14-16]：

假設(shè)對圖像進(jìn)行L層小波分解，把第i（i=1，2，…，L）層分解信號(hào)的第k個(gè)小波系數(shù)序列記為{Si,k}（一般有低頻和高頻信號(hào)，這里K=2）。假設(shè)Ei是第k個(gè)系數(shù)，第i層的能量值，則能量可以定義為：

利用所有能量之和對能量進(jìn)行歸一化處理，得到歸一化的相對能量，Pi=Ei/E。

根據(jù)Shannon信息熵理論，第i層的小波熵Hi定義為：

本文對圖像進(jìn)行4層小波分解，可以得到由4個(gè)小波熵值組成的特征向量H。

1.3 基于特征相似度的最佳拍攝條件確定

結(jié)節(jié)和背景的紋理特征越不相似，說明兩者之間的邊界越清楚，特征對比度越大，拍攝條件越佳。因此本研究用結(jié)節(jié)和背景的特征相似度來確定最佳拍攝條件。

特征的相似度指標(biāo)包括歐幾里得距離、余弦相似度和皮爾遜相關(guān)系數(shù)。歐幾里得距離的計(jì)算公式如下[17]：

余弦相似度計(jì)算公式如下[18]：

皮爾遜相關(guān)系數(shù)計(jì)算公式如下[19]：

其中X和Y分別是結(jié)節(jié)和背景的特征向量，n是特征向量的大小，也就是特征的個(gè)數(shù)。對于歐幾里得距離，值越大，說明結(jié)節(jié)和背景相似度越低，拍攝條件越好；對于余弦相似度和皮爾遜相關(guān)系數(shù)，值越小，說明拍攝條件越好。

在計(jì)算結(jié)節(jié)和背景的特征相似度之前，對所有特征利用如下公式進(jìn)行歸一化，歸一化到0到1之間。

其中x是原始的每一個(gè)維度的特征值，Xmin和Xmax分別是原始每一個(gè)維度特征的最小值和最大值，x'是歸一化之后的特征。

1.4 臨床評價(jià)

對12種拍攝條件的胸片分成3個(gè)指標(biāo)進(jìn)行評價(jià)，分別為圖像噪聲、圖像質(zhì)量對診斷可靠性的評估、結(jié)節(jié)邊緣銳利度。圖像噪聲分為3個(gè)等級(jí)：① 過度噪聲（1分）；② 可接受（2分）；③ 極?。?分）。圖像質(zhì)量對診斷可靠性的評估分為4個(gè)等級(jí)：① 不能接受（1分）；② 僅限于明顯異常情況下接受（2分）；③ 可以接受（3分）；④ 完全能夠診斷（4分）。結(jié)節(jié)邊緣銳利度分為5個(gè)等級(jí)：① 不能接受（1分）；② 很差（2分）；③ 可接受（3分）；④ 良好（4分）；⑤ 優(yōu)秀（5分）。對每個(gè)指標(biāo)賦予分值，列出每個(gè)拍攝條件下數(shù)字胸片的分?jǐn)?shù)。

2 結(jié)果

2.1 紋理特征的提取

結(jié)節(jié)和背景的灰度統(tǒng)計(jì)特征、基于灰度共生矩陣的紋理特征和小波熵特征，見表1。

表1 結(jié)節(jié)和背景的紋理特征平均值

2.2 特征相似度分析和最佳拍攝條件確定

計(jì)算每張數(shù)字胸片的6個(gè)結(jié)節(jié)與其背景的特征相似度后，對每種拍攝條件下的3張胸片的18個(gè)結(jié)節(jié)與其背景的特征相似度取平均值，即得到12種拍攝條件下結(jié)節(jié)與其背景的特征相似度，見表2。綜合考慮歐幾里得距離、余弦相似度和皮爾遜相關(guān)系數(shù)，可知最佳拍攝條件為4和5。

表2 12種拍攝條件的相似度結(jié)果

2.3 臨床評價(jià)結(jié)果

放射科醫(yī)生對12種拍攝條件的主觀評價(jià)結(jié)果，見表3。分?jǐn)?shù)越高，表明拍攝條件越好。因此綜合3個(gè)指標(biāo)，拍攝條件最好的是5和7。

表3 放射科醫(yī)生對12種拍攝條件的主觀評價(jià)（分）

3 討論和總結(jié)

本文對胸片圖像中的結(jié)節(jié)和背景進(jìn)行分析，從而決定最佳拍攝條件。具體的研究方法是使用灰度統(tǒng)計(jì)特征（均值和標(biāo)準(zhǔn)差），灰度共生矩陣（能量、熵、相關(guān)性、慣性矩、逆差距），小波熵（一階高頻小波熵、二階高頻小波熵、一階低頻小波熵、二階低頻小波熵）三種類型，總共16個(gè)特征進(jìn)行特征提取。使用歐幾里得距離、余弦相似度和皮爾遜相關(guān)系數(shù)計(jì)算每個(gè)結(jié)節(jié)與背景的特征相似程度，確定了最佳拍攝條件是81 kV/1.0 mAs和81 kV/1.6 mAs，與醫(yī)生主觀判斷的最佳拍攝條件81 kV/1.6 mAs和81 kV/2.5 mAs基本一致。因此，綜合基于圖像紋理分析的判定結(jié)果和基于主觀評判的判定結(jié)果，81 kV/1.6 mAs的拍攝條件最有利于臨床醫(yī)生進(jìn)行肺結(jié)節(jié)檢測。

由于結(jié)節(jié)的組織結(jié)構(gòu)使得紋理特征和背景的紋理特征存在不同，比如紋理灰度不均勻性和背景不同、紋理有序，而背景紋理無序、灰度反差也存在差異，因此本文使用了幾種紋理特征，能夠進(jìn)行結(jié)節(jié)和背景的特征區(qū)分，從而協(xié)助判斷最佳拍攝條件。

結(jié)果證明，使用本文的特征進(jìn)行相似度分析的結(jié)論和真實(shí)觀察到的圖像清晰度一致。通過特征相似度計(jì)算的方法，能夠選中最佳拍攝條件下的圖像質(zhì)量，從而協(xié)助醫(yī)生進(jìn)行結(jié)節(jié)的分析、觀察以及疾病的診斷，具有較高的醫(yī)學(xué)診斷價(jià)值，可有效的幫助醫(yī)學(xué)疾病診斷和治療。

[1]Martin CJ.Management of patient dose in radiology in the UK[J].Radiat Prot Dosimetry,2011,147(3):355-372.

[2]Veldkamp WJ,Kroft LJ,van Delft JP,et al.A technique for simulating the effect of dose reduction on image quality in digital chest radiography[J].J Digit Imaging,2009,22(2):114-125.

[3]Guo H,Liu WY,He XY,et al.Optimizing imaging quality and radiation dose by the age-dependent setting of tube voltage in pediatric chest digital radiography[J].Korean J Radiol,2013,14(1):126-131.

[4]Tanaka R,Ichikawa K,Mori S,et al.Simulation approach for the evaluation of tracking accuracy in radiotherapy:a preliminary study[J].J Radiat Res,2013,54(1):146-151.

[5]Moore CS,Avery G,Balcam S,et al.Use of a digitally reconstructed radiograph-based computer simulation for the optimisation of chest radiographic techniques for computed radiography imaging systems[J].Br J Radiol,2012,85(1017):e630-e639.

[6]職業(yè)衛(wèi)生網(wǎng).2010年全國職業(yè)病報(bào)告情況和2011年重點(diǎn)工作[EB/OL].http://www.zywsw.com.

[7]Soliz P,Pattichis MS,Ramachandran J,et al.Computer-assisted diagnosis of chest radiographs for pneumoconiosis[J].Proc.SPIE,Medical Imaging,2001,4322:667-675.

[8]余松煜,周源華,吳時(shí)光.數(shù)字圖像處理[M].北京:電子工業(yè)出版社,1987.

[9]張恒博,歐宗瑛.一種基于色彩和灰度直方圖的圖像檢索方法[J].計(jì)算機(jī)工程,2004,30(10):20-22.

[10]Haralick RM,Shangmugam K.Texture feature for image classifcation[J].IEEE Trans Syst,1973,SMC-3(6):768-780.

[11]Zhu B,Chen H,Xu Yan,et al.Morphological reconstruction based segmentation of lung felds on digital radiographs[C].Proc.of International Conference on Electronic,Communication and Computer Science,2012 June 15-17,Guilin,China.

[12]劉鵬宇.基于內(nèi)容的圖像特征提取算法的研究[D].長春:吉林大學(xué),2004.

[13]Arivazhagan S,Ganesan L.Texture segmentation using wavelet transform[J].Pattern Recogn Lett,2003,24(16):3197-3203.

[14]U?uz H.Adaptive neuro-fuzzy inference system for diagnosis of the heart valve diseases using wavelet transform with entropy[J].Neural Comput Appl,2012,21(7):1617-1628.

[15]李建勛,柯熙政,郭華.小波標(biāo)準(zhǔn)差與小波熵在信號(hào)特征提取中的應(yīng)用[J].西安理工大學(xué)學(xué)報(bào),2008,23(4):365-369.

[16]朱碧云,陳卉,陳步東,等.基于數(shù)字胸片小波紋理特征的塵肺病早期診斷方法研究[J].北京生物醫(yī)學(xué)工程,2014,33(2):148-152.

[17]楊紅菊,張艷,李鳳霞,等.基于歐拉向量的彩色圖像檢索方法[J].北京理工大學(xué)學(xué)報(bào),2008,28(8):697-701.

[18]張振亞,王進(jìn),程紅梅,等.基于余弦相似度的文本空間索引方法研究[J].計(jì)算機(jī)科學(xué),2005,32(9):160-163.

[19]徐維超.相關(guān)系數(shù)研究綜述[J].廣東工業(yè)大學(xué)學(xué)報(bào),2012,29(3): 12-17.

A Research on the Correlation Between Texture Features of Low Dose Digital Radiography and Detection of Low Density Nodules

Objective To explore the quantitative method of analyzing low dose digital radiography by using the image texture features.Methods The texture analysis was performed on 12 different shooting conditions of the same model.For each condition,3 digital X-ray photography images were taken.The texture feature extractions of the images were based on the gray level statistics,the gray level co-occurrence matrix and the wavelet entropy.Euclidean distance,cosine similarity and correlation coefficient were used respectively to describe the texture feature similarity between the nodules and the backgrounds.According to the similarity indexes,the best shooting condition was determined and consistent with the subjective judgment on shooting conditions of clinical physicians.Results 16 texture features of all nodule regions and background regions were extracted respectively.Euclidean distance,cosine similarity,and Pearson correlation coeffcient consistently demonstrated that 81 kV/1.0 mAs and 81 kV/1.6 mAs were the best shooting conditions,and the evaluation results are basically identical with the doctors’ judgments.Conclusion By using the method of feature similarity calculation,we can select images with the best quality so as to help physicians to analyze the nodules as well as to observe and diagnose the disease.

lung nodule;texture feature;gray level co-occurrence matrix;wavelet entropy;similarity

LUO Wei1,XU Yan2,ZHANG Ting-ting2,CHEN Hui1
1.School of Biomedical Engineering,Capital Medical University,Beijing 100069,China;2.Department of Radiology,Beijing Friendship Hospital,Capital Medical University,Beijing 100053,China

R734.2；R814.42

A

10.3969/j.issn.1674-1633.2016.04.011

1674-1633(2016)04-0053-04

2016-01-15

2016-02-18

首都醫(yī)科大學(xué)基礎(chǔ)臨床合作研究基金（14JL34）。

陳卉，副教授。

通訊作者郵箱：chenhui@ccmu.edu.cn