专利名称：胸部x光拍片中的肺部结节的检测的制作方法
技术领域：
本发明主要涉及计算机辅助检测，尤其涉及在胸部射线照相中的肺部结节的检测。
背景技术：
肺癌在男性和女性身上都会发生。至少一组统计表明在2001年美国有90,363位男性和65,606位女性死于肺癌。人们相信肺癌的早期发现能够将五年的生存率从12％提高到70％。肺癌的检查有助于早期检测。
胸部的投影X光拍片可以用于肺癌的检查。在胸部X光拍片中，肺癌在肺部中呈现为不透明、结块状的结节。当在胸部X光拍片中检测到结节时，可以采取下一步骤以诊断肺部结节是良性还是恶性，并据此对病人进行治疗。然而，由于多种原因，包括观察者的疲劳和结节被肋骨所掩蔽，使得在胸部X光拍片中可能检测不到结节。一些统计表明，在胸部X光拍片中大约有30％的结节未被内科医生发现。在这种情况下，癌症不能得到治疗并且病人从癌症幸免生存的机会就会减小。
计算机辅助检测或者计算机协助检测(CAD)一直用于减小在肺癌检测中的假阴性。CAD有助于内科医生发现肺部结节并因此而提高病人的从肺癌幸免生存的机会。
美国专利No.5,987,094(Clarke)提出一种适用于肺部结节检测的计算机辅助方法和装置。
美国专利No.6,240,201(Xu)提出一种适用于检测胸部X光拍片中结节的方法。该方法除了标准的X光拍片之外还采用了软组织成像，但软组织成像并非总是可以得到的。
在美国专利No.6,141,437(Xu)所披露的CAD方法中，将一些阈值应用于X光拍片，以识别可能的结节区域。然而，已经观察到将一个或者多个阈值应用于图像可能不足以作为分离结节的手段。
在美国专利No.6,549,646(Yeh)所披露的方法中，将一个清晰的肺部区域分成为多个区域，并且对各个区域单独地优化结节的检测。该技术包括放弃在清晰肺部区域之外的象素，这会降低在清晰肺部区域边界附近的结节检测能力。
在美国专利No.6,683,973(Li)中，将在胸部X光拍片中的区域与具有正常和异常解剖特性的模板进行比较。这种解决方法的效力已经被认为是有限的，因为在创建模板时异常解剖特性是不能事先预期的。
已知涉及胸部X光拍片中的肺部结节检测的其它披露，包括美国专利No.6,088,473(Xu)、美国专利No.6,760,486(Yeh)、美国专利No.6,058,322(Nishikawa)、美国专利No.6,654,728(Li)、美国专利No.6,078,680(Yoshida)、美国专利No.6,754,380(Suzuki)、美国专利No.5,289,374(Doi)、以及美国专利No.6,125,194(Yeh)。
尽管胸部X光拍片肺部结节的自动检测一直是许多年的研究主题，但由于一些原因，其仍是一个具有挑战性的问题。在投影胸部X光拍片中，正常解剖体和肺部结节是重叠在一起的，使得分清它们很困难。同样，诸如肋骨交叉处和肺部血管之类的正常解剖体也会有肺部结节的显像。此外，肺部结节在大小、形状、密度和其它特性方面都会有很大的变化。
因此，自动检测胸部X光拍片中的肺部结节的需求仍然存在，并希望它具有鲁棒性且能克服现有系统/方法中至少一项缺点/问题。
发明内容
本发明的目的是提供一种检测胸部X光拍片中的肺部结节的方法，该方法提供了在图像中与肋骨和其它骨头重叠的结节的检测。
本发明的另一目的是提供一种检测胸部X光拍片中的肺部结节的方法，该方法提供了在清晰肺部区域的边缘所发生的结节的检测。
这些目的仅以说明性例子的方式给出，并且这些目的可以是本发明一个或者多个示范性实施例。所披露的发明能够固有地获得的其它期望的目的和优点可以出现，并且对于本领域技术人士是显而易见的。本发明由所附权利要求所定义。
本发明提出了在胸部X光拍片中的肺部结节的自动检测方法。
根据本发明的一个方面，提出了从胸部X光拍片中产生肺部结节图像的方法。该方法包括步骤产生清晰肺部区域的图像；从清晰肺部区域中去除低频变量，从而产生等级(level)图像；以及对等级图像进行至少一次灰度(grayscale)形态(morphological)操作，从而产生结节-骨头图像。
根据本发明的另一方面，提出了从胸部X光拍片中检测肺部结节的方法。该方法包括如下步骤产生清晰肺部区域的图像；从清晰肺部区域中去除低频变量，从而产生等级图像；将在等级图像中的清晰肺部区域之外的区域的编码数值设置成低于在清晰肺部区域中的编码数值；对等级图像进行至少一次灰度形态操作，从而产生结节-骨头图像；识别在结节-骨头图像中的潜在结节的位置；对在结节-骨头图像中各个潜在结节位置周围的区域进行分离；以及使用在分离区域中的特征来确定潜在结节是否是结节。
通过以下结合附图所图示说明的对本发明实施例更为具体的描述，本发明的上述和其它目的、特征和优点将变得显而易见。附图中的单元并不一定依照比例绘制。
图1是图示说明根据本发明在胸部X光拍片中的肺部结节检测的方法的示意图。
图2是图示说明产生等级图像的方法的示意图。
图3是图示说明产生结节-骨头图像的方法的示意图。
图4是图示说明潜在结节定位方法的示意图。
图5是图示说明计算基于点特征的方法的示意图。
图6是图示说明对潜在结节周围区域进行分层的示意图。
图7是图示说明对包含基于点和区域两种特征的潜在结节产生特征矢量的示意图。
图8是图示说明对特征矢量分类和选择潜在结节的方法的示意图。
具体实施方法 以下是本发明参考附图的较佳实施例的详细讨论，附图中的相同标记表示在所有附图中的相同结构单元。
图1显示了概括说明根据本发明的肺部结节检测方法的流程图。
胸部X光拍片(即，胸片)是结节检测系统的输入，正如步骤110所示。X光拍片的编码数值度量可以是图像检测器上的对数曝光；如在DICOM标准14部分中所描述的P数值；或者任何其它图像的表示。如果需要，可以调整图像，使得在象素之间的距离对应于在图像平面中的距离为0.171mm。
在步骤112，从胸部X光拍片中计算肺部遮掩(mask)，其示出了图像中的清晰肺部区域(CLF)。一般来说，清晰肺部区域分成为左和右清晰肺部区域，这是由胸腔纵隔所分开的。可以采用确定肺部遮掩的已知方法，例如，在2004年11月22日(Kodak标签89072)所提交的USSN 10/994,714题为“医学图像中闭塞解剖结构的分离(SEGMENTING OCCLUDEDANATOMICAL STRUCTURES IN MEDICAL IMAGES)”和2002年12月10日提交的(Kodak标签号85325)USSN 10/315,884题为“数字胸部X光拍片的自动分析方法(METHOD FOR AUTOMATED ANALYSIS OF DIGITALCHEST RADIOGRAPHS)”中共同描述的方法，两者都通过引用包含于此。
在步骤113，将图像设置成标准格式，使得输入图像的变化不会影响后续步骤。对图像进行调整，以获得目标编码的数值统计。此外，去除在清晰肺部区域中的低频变量。由这一步骤输出的图像称之为“等级图像”。
步骤114用于产生强调结节和淡化骨头的图像。该图像称之为“结节-骨头图像”。步骤114在几个不同的等级来进行，以便于强调不同尺寸的结节。在本发明的一个实施例中，对直径从大约0.5cm到1.5cm范围内的小尺寸结节和直径从大约1.5cm到3.0cm范围内的中尺寸结节进行该步骤。对小的结节的处理一般称之为等级0处理，而对中的结节的处理则一般称之为等级1处理。
在步骤116，以步骤114所考虑的等级来检测潜在结节。以各个等级所检测到的潜在结节合并成一张潜在结节的表格。在该表格中，保留了检测到潜在结节的等级信息。
步骤118用于将各个在潜在结节是与实际结节相一致的情况下定义了图像中的结节边界的潜在结节周围的区域分离，。
在步骤120中，基于分离区域来计算特征。这些特征都是基于尺寸、形状、纹理、梯度以及其它分离区域的特性。
在步骤122中，步骤120所计算的潜在结节特征(以及在步骤116中所计算的其它特征，正如以下所具体讨论的那样)用于将所检测到的各个潜在结节分类为“结节”或“非结节”。
在步骤124中，可采用显示检测到结节的位置的标记(或者其它标志)来注释胸片。该注释可以包括以潜在结节位置为中心的圆圈；以分离区域的中心为中心的圆圈；分离区域的边界；或者任何其它表示检测结果的标记的类型。
随后，可以对带有注释的X光拍片进行打印、存储、传输、观察等(步骤126)。
现在，更加具体地讨论步骤113。使用胸部X光拍片和肺部遮掩208来参考图2更加具体地描述产生等级图像的方法(参见图1所示步骤113) 在步骤210中，如果需要，就将图像颠倒过来，使得高的X射线衰减(即，密度)对应于图像中的高的编码数值。这时，相对于主要包含空气或软组织的图像区域，在图像中的骨头区域具有高的编码数值。
在步骤212中，对图像进行调整，使得整个图像的平均编码数值和标准差大致等于目标数值。示例的的目标平均编码数值和标准差分别是2000和500。在本发明的一个实施例中，对整个图像进行调整，在本发明的另一实施例中，为了清晰肺部区域中的编码数值使用目标。在该实施例中，在左和右清晰肺部区域中的编码数值是独立调整的。
本发明的一些步骤出于这样的考虑，即认为图像是立体图像，其中图像中的象素的高度直接与象素的编码数值成比例。因此，在步骤214中，左和右清晰肺部区域分别单独与慢变函数相拟合。例如，可以使用二阶双变量多项式。因此，在步骤216中，从图像中减去适用于左和右清晰肺部区域的拟合函数。在该图像中，去除在清晰肺部区域中的非常低频的趋势。在步骤218中，将在清晰肺部区域之外的编码数值设置为在清晰肺部区域中的图像的最小数值。这就便于检测在清晰肺部区域边界上的结节。等级图像形成了(步骤220)。
现在将使用等级图像316参考图3来具体地描述图1所示的步骤114，创建结节-骨头图像的方法。
步骤318用于修改等级图像，从而强调结节而减小其它图像的内容。步骤320用于修改等级图像，从而强调骨头而减少其它图像内容。步骤318和320采用灰度形态操作。这类操作都是已知的，例如，J.Serra所提出的“图像分析和数学形态方法(Image Analysis and Mathematical Morphology)”(参见Vol.1，Academic Press，1982，pp.424-478). 在步骤318中，对等级图像进行灰度形态操作，使用结节模板324来产生“结节图像”。正如本领域技术人士所熟知的那样，结节模板是小图像，在该图像中，象素编码数值都是以图像中部为中心的二元正态分布。正态分布的标准差确定了进行预处理的等级。
步骤320采用模板进行灰度形态操作，其中模板具有胸部X光拍片中所出现的骨头特性。模板较佳地是由具有长的薄的类似骨头目标的图像形成。然而，在模板中，类似骨头目标的所需取向取决于在等级图像中的位置。在本发明中，灰度形态操作较佳的是采用若干类似骨头的模板(图3所示的元素326)来进行。在申请人建议的一个实施例中，所使用的几个模板分别具有等于-68°、-45°、-22°、0°、+22°、+45°和+68°的类似骨头结构的取向。在所产生的“骨头图像”中的象素编码数值是具有对象素实施的骨头模板的灰阶形态开始的最大结果。
在步骤322中，从结节图像(来自于步骤320)中减去骨头图像(来自于步骤318)从而产生结节-骨头图像328。在所产生的结节-骨头图像中，具有肺部结节特性的图像内容具有正的编码数值，而具有骨头特性的图像内容则具有相对负的编码数值，并且其它图像内容具有接近于零的编码数值。
现在将使用结节-骨头图像406和肺部遮掩408参考图4来具体描述图1所示的步骤116，识别潜在结节位置的方法。值得注意的是，识别潜在结节位置的方法是对在步骤114中所产生的各个结节-骨头图像进行的(正如图3所表述的)。
仍参考图4，在步骤410中计算结节-骨头图像的梯度。这是通过首先对具有编码数值Cij的图像进行模糊(blurred)以去除噪声来实现的，接着，计算Sobel梯度。所产生的梯度图像具有梯度幅值Mij和梯度方向Cij。
在步骤412中，在清晰肺部区域中的各个象素上计算基于点的特征。现在将参考附图5来具体描述这些特征的计算。正如图5所示，从概念上看，在图像中，内部圆圈512和外部圆圈510都围绕着所感兴趣的象素(POI)524。这些圆圈的尺寸取决于所检测到的结节的尺寸范围。(这较佳的是与图3所示的步骤318中产生结节-骨头图像所使用的结节模板的尺寸相一致。) 图5所示的圆圈512和510可以分成为S扇区。在该图中，8个扇区标记为号码0至7。各个扇区都包括在内部圆圈中的内部扇区和在外部和内部圆圈之间的外部扇区。例如，516表示扇区7的内部扇区，而514表示外部扇区。
如下般计算在POI 524的梯度特征，并且认为在扇区0中的象素522是在内部半径中。图5显示了在该象素518上的梯度方向。也显示了向POI 520的方向。在方向518和520之间的角度是θ。在有结节并且以POI 524为中心且象素522在结节中的情况下，cosθ的数值应该接近于1.0。然而，如果梯度幅值M小，则方向就不可靠并且不应该用作为提供以POI为中心的结节的依据。此外，如果幅值大，则象素522可能定位在骨头边缘并且也不应该用作为凭证。基于这种考虑，具有索引ij的POI的特征可以根据在内部半径中的扇区K中且也是在清晰肺部区域中的象素mn使用下列等式来计算 t1≤Mmn≤t2 式中t1和t2分别是低和高的梯度幅值阈值，而变量Nk等于在内部扇区K中的清晰肺部区域象素的数量。
上述等式提供了仅仅基于在扇区k的内部圆圈中的象素的在POI的结节的凭证。如果结节是以POI为中心的，则希望ψkij在所有的K扇区中都是大的并且均匀的。基于这些考虑，梯度的特征可以由下式定义 式中具有大小近似于图5所示内部圆圈512的以POI为中心的结节存在的进一步的凭证是在内部圆圈中的编码数值一般高于在内部圆圈512和外部圆圈510之间的周围区域中的数值。在图5中，514是在内部圆圈和外部圆圈之间区域7中的区域。这是使用下列公式在扇区K中所测量到的 式中Cmn是象素mn的编码数值，Nkinner是在内部扇区K中的清晰肺部区域象素的数量，以及Nkouter是在外部扇区K中的清晰肺部区域象素的数量。
如果结节是以POI为中心并且包含在内部圆圈中，则希望δkij在所有的S扇区中都是大的并且均匀的。基于这些考虑，密度的特征可以由下式定义 式中 值得注意的是在步骤412中所计算的特征(PtGrad和PtDensity)都在它们的名称前面具有前缀Pt，以辨别将它们作为基于点的特征。以下将讨论基于区域的特征。
仍旧参考图4，在步骤414中，基于在结节-骨头图像中的编码数值以及上述梯度和密度特征来产生评分图。在结节-骨头图像中，结节区域普遍具有正的编码数值。因此如果在结节-肋骨图像中对应的象素小于或者等于零，则在评分图中评分Sij为零。如果Ψij或者Δij都是小于或者等于零，则将评分也设置为零。否则Sij等于Ψij。
在步骤416中，在评分图中发现局部峰值。这些峰值都是潜在结节的位置。较佳的是，如果在两个峰值之间的距离小于最小距离，则只从具有最高评分的峰值来创建潜在结节的位置。
随后，将可能的位置添加到以评分降低(步骤418)的顺序分类的列表中。对发生处理的每个等级产生潜在结节的列表。一般来说，在好的等级上的处理过程会产生比在courser等级上的处理产生更多的潜在结节。在申请人所采用的本发明的一个实施例中，用于进一步处理过程所选择出的潜在结节包括具有识别为级0的最高评分的40个潜在结节和具有识别为级1的最高评分的30个潜在结节。
结果(步骤420)是所检测到的潜在结节和特征数值。
在潜在结节周围区域进行分离的方法，如图1所示步骤118，将参考图6具体讨论。在潜在结节位于节结中的情况下，该分离方法的目的是识别在图像中的结节的边界。该方法的输入是潜在结节606以及适用于识别结节尺寸的结节-骨头图像608。
在步骤610中，从结节-骨头图像608中切取所感兴趣的区域(ROI)，其中，在结节-骨头图像608中，潜在结节位于中心且具有所期望的图像尺寸(例如，512×512的图像尺寸)。可以使用各种不同的ROI尺寸，但是较佳的是，ROI大于所要检测的最大结节。
在下一步骤(步骤612)中，将阈值施加于ROI，以便于创建初始区域图。在结节-骨头图像中，具有正的编码数值的区域具有类似结节的特性。将低的正的阈值施加于图像，从而产生在ROI中的类似结节区域的图。该区域图是大致相同于ROI大小的二进制图像。如果在ROI中的对应象素大于或者等于阈值并且是在清晰肺部区域内，则设置在区域图中的象素为255。否则将图的象素设置为零。
如果ROI包含了结节，则在步骤612之后的区域图将一般包括结节以及呈现出类似结节的其它图像区域。在步骤614中，使用二进制形态操作来减弱(erode)区域图，如J.Serra在“图像分析和数学形态(Image Analysis andMathematical Morphology)”(Vol.1，Academic Press，1982，pp34-62)中所描述的那样。这种减弱会消除在区域图中的结节区域和其它区域之间的连接。
接着，在步骤616中，保留在包括潜在结节区域图中的连接区域，同时通过将其它区域的象素设置为零来去除所有的其它区域。随后，在步骤618中，使用与步骤614中的相同实质来扩大区域图，以翻转在选择的区域中的减弱。
在步骤618之后，区域图包括单个连接区域，它被解释成作为支撑结节的区域。随后的步骤提炼(refine)区域图。
在步骤620中，发现峰值在支撑区域中的结节-骨头图像中。
在步骤622中，步骤620所发现的峰值用于边界(watershed)分离算法的初始化。Vincent和Soille在“数字空间中的边界一种基于沉浸(immersion)仿真的有效算法(Waterhed in Digital SpacesAn Efficient Algorithm Based onImmersion Simulations)”(参见IEEE Trans.Patt.Anal.Machine Intell.，Vol.13，no.6，pp.583-598，1991)中描述了适用的边界分离。为了边界分离的目的，将ROI翻转，使得峰值变得最小。在ROI中的支撑区域被分成为捕捉重点(catchment basin)，各个最小值都具有与其有关的捕捉重点。
在步骤624中，使用没有翻转的ROI，使得支撑的区域包括一个或者多个峰值，且各个峰值都具有一簇(cluster)对应于在步骤622中所确定的捕捉重点的连接象素。在X光拍片中，肺部结节时常呈现出一些明显不同的块，特别是在中等或者大尺寸的结节情况下。步骤624的意图是确定在结节区域中应该包括哪一束结节。采用初始束结节初始化结节区域，初始束是包含潜在结节位置的结节束。接着，添加连接束。通过画出在初始束中的峰值和所有其它峰值之间的线条来识别连接束。如果在该线条上的最小编码数值大于阈值，且该阈值是基于两个峰值的编码数值，则称该束是连接着的并且将其添加至结节区域。在本发明的一个实施例中，阈值是两个峰值上的平均编码数值的一半。将束添加到结节区域的处理过程是递归的。当添加束时，也添加与其相连接着的其它束。
在步骤626中，图6所图示的方法的最终输出是标记潜在结节周围区域的区域图。在潜在结节是在肺部结节中的情况下，该区域是与在图像中的结节范围相一致的。如果潜在结节不在结节中，则区域包括其它图像内容。在一些情况下，区域分离方法失败。例如，在步骤612或者614中，区域中可能没有象素。当分离失败时，区域图是空白的(例如，所有的编码数值都为零)，并且与潜在结节有关的区域为零。
现在，将参考图7更加具体地讨论图1的步骤120中所示的计算基于区域特征的方法。基于区域特征计算的输入是等级图像710、结节-骨头图像712和区域图714。
在图7所示的步骤716中，计算基于区域形状的特征。形状特征是由下列一组等式所定义的 Shape1＝Aregion 形状特征Shape1是区域的归一化面积。必须对测量长度或者面积的上述和其它特征进行归一化，使得它们与成像系统的放大倍率和分辨率无关。形状特征Shape2是与区域相适应的椭圆的高宽比。Shape3是区域的面积与它外凸实体面积的比率。最后，Shape4是区域中心和潜在结节位置之间的距离，正如图4所示方法所确定的那样，这是通过区域的有效半径来划分的。
现在，参考步骤718，基于在区域和其周围的编码数值统计的差异来计算特征。周围的区域图通过扩大区域图并随后减去在区域图中或者在清晰肺部区域之外的象素来产生。这些特征为 Stat1＝μregion-μsurrond Stat2＝σregion-σsurrond Stat3＝minregion-minsurrond Stat4＝maxregion-maxsurrond 式中μ、σ、min和max分别是平均编码数值、编码数值标准差、最小编码数值和最大编码数值。计算等级和结节-骨头图像的统计特征。
在步骤720中，基于在区域中的纹理来计算特征。计算对应于等级图像中的编码数值、梯度幅值和梯度方向的特征。这些特征都是基于同现(cooccurence)函数的，正如Bevk和Kononenko在“医学图像的纹理描述的统计方法一种初步研究(A Statistical Approach to Texture Description ofMedical ImagesA preliminary Study)”(参见15th IEEE Symposium onComputer-Based Medical Systems，June04-07，2002)中所描述的。这些纹理特征是由下列等式给出 式中C(i，j)是在相邻象素且从最小到最大编码数值的累计范围内所计算出的同向函数。特征Texture1称之为能量，而Texture2称之为差异。其它纹理特征也能使用，正如Haralick等人在“适用于图像分类的纹理特征(TextureFeatures for Image Classification)”(参见IEEE Transactions on Systems，Man，Cybernatics，pp.610-621，1973)中所描述的。
在步骤724中，结节-骨头图像被解释为立体图，其中，编码数值是高度的测量。在较佳实施例中，结节-骨头图像在分离区域中与四阶双变量多项式相拟合。计算在区域中最高点上的主要曲率，正如Abmayr等人在“基于检测施加于成像器5003具有子象素精度的相似点和轮廓的密度数据的局部多项式重构(Local Polynomial Reconstruction of Intensity data as Basis ofDetecting Homologous Points and Contours with Subpixel Accuracy Appled onIMAGER 5003)”(参见Proceedings of the ISPRS working group V/1，PanoramicPhotogrammetry Workshop，Vol.XXXIV，Part5/W16，Dresden，2004)所描述的。根据Hessian阵列的元素来计算拟合多项式的二阶偏差。Hessian阵列的最大和最小特征值λmax和λmin都是主要曲率，表面特征是由下列公式给出 Surface1＝λmin Surface2＝λmax Surface3＝λminλmax 在图7所示的步骤726中，结节-骨头图像中的分离区域中的梯度用于计算梯度特征。梯度特征类似于作为步骤116的潜在结节检测方法中的一部分像在步骤410和412(图4和5所示)中所进行计算的特征。然而，对这这些特征而言，在分离区域中的象素替代在固定大小的圆圈区域中的象素对梯度的计算起作用。梯度计算的起源是在该区域中具有最大编码数值的象素。
对在该区域中的各个象素，计算在x轴和象素指向起源的线条之间的角度ф。此外，也计算在指向起源的矢量和梯度方向之间的角度θ。如果梯度幅值是在较低的阈值t1和较高阈值t2之间，则cosθ在S组(bins)中累计，其横跨从0°到360°的ф数值范围。这引出了下列公式 t1≤Mmn≤t2
式中K是从0到S-1的整数，Mmn是在象素mn上的梯度幅值，以及Nk等于在满足ф上述条件的区域中的象素数量。适用于该区域的梯度特征是由下列公式给出 式中 在步骤728中所计算的最后特征旨在减小/消除骨头交叉产生的虚假的阳性。Canny边缘检测器，正如Canny在“适用于边缘检测的计算方法(AComputational Approach to Edge Detection)”(参见IEEE Transactions onPattern Analysis and Machine Intelligence，Vol.8，No.6，1986)所描述的，可以用于发现在清晰肺部区域中的等级图像中显著的边缘。随后，连接着的边缘象素形成链(chain)。创建索影图，该索影图仅仅只包括满足最小长度和挺直度标准的索影。在该图中的索影对应于在图像中的骨头边缘。重叠的特征是由下列公式定义 式中Lregion是区域边界的长度，而Loverlap是与在索影图中索影相一致的区域边界的长度。
图中所示的方法的输出是特征矢量732，该矢量包括图7所示方法中所计算的基于区域特征中的一项或多项特征(都是较佳的)。此外，在特征矢量中较佳地包括在步骤412(见图4)中所计算的基于点的特征730。
图1所示的步骤122和124将参考图8来更具体地描述。在图8所图示说明的方法中，针对潜在结节的特征矢量810输入到分类步骤812。在本发明的实施例中，采用高斯最大似然(GML)分类器。然而，也可以使用其它分类器，包括神经网络、学习矢量量化器(LVQ)、支持矢量机以及Anil等人在“统计图形识别概述(Statistical Patten RecognitionA Reciew)”(IEEETransactions on Pattern Analysis and Machine Intelligence，Vol.22，No.1，pp.4-37，2000))所考虑的分类器。步骤812可以包括几个分类器，在本发明的一个实施例中，将一种分类器用于具有基于点和区域两者特征的潜在结节，同时将另一种分类器用于区域分离失败而因此仅仅只有基于点特征有效的潜在结节。
在步骤812中的分类器可以通过对在X拍片中的肺部结节的确认实例的计算特征和创建特征矢量来训练。
在图像中的相同结节或者其它结构中时常会出现两个或者多个潜在结节。在对潜在结节周围区域进行分离时，两个或者多个潜在结节的区域几乎是相同的。由于不需要注释具有完全相同的检测结果的X拍片，在图8所示步骤814中，将具有充分重叠的潜在结节分组在一起，并且在组中保留一个。在本发明的一个实施例中，保留在步骤812中所确定的具有较高几率的潜在结节。
图8所示方法的输出是检测结果818。检测结果818包括针对所有潜在结节的特征数值、区域边界以及分类结果。该检测结果在图1所示的步骤124中用于图像注释。
本发明中的肺部结节检测方法应用于一组来自计算机X光拍片(CR)系统的47幅图像和来自胶片X光拍片的154幅图像。该图像组包含着在清晰肺部区域中的216个结节。在平均每一个图像中有4个错误的阳性的定位操作中，可以检测出67％的结节。
在本项申请中所引用的所有文档、专利、期刊文章以及其它材料都通过参考合并于此。
计算机程序产品可以包括一个或者多个存储媒介，例如，诸如磁盘(例如，软盘)或者磁带的磁存储媒介；诸如光盘、光带(optical tape)、或者可机读的条形码的光存储媒介；诸如随机存储器(RAM)或者只读存储器(ROM)的固态电子存储器件；或者任何其它用于存储计算机程序的物理器件或者媒介，所述计算机程序具有用于控制一台或多台计算机实现根据本发明方法的指令。
权利要求
1.一种适用于从胸部X光拍片中产生肺部结节图像的方法，该方法包括步骤
产生清晰肺部区域的从所述清晰肺部区域中去除低频变量，从而产生等级图像；以及，
对所述等级图像进行至少一次灰度形态操作，从而产生结节-骨头图像。
2.如权利要求1所述的方法，其特征在于，所述方法还包括步骤在进行所述至少一次灰度形态操作之前，将所述等级图像中清晰肺部区域以外的区域的编码数值设置成相对于在所述清晰肺部区域中的编码数值较低。
3.如权利要求1所述的方法，其特征在于，所述方法还包括步骤在进行所述至少一次灰度形态操作之前，将所述等级图像中清晰肺部区域以外的区域设置成不同于在所述清晰肺部区域中的编码数值。
4.如权利要求1所述的方法，其特征在于，所述方法还包括显示、存储、传输或者打印结节-骨头图像的步骤。
5.一种适用于从胸部X光拍片中检测肺部结节的方法，该方法包括步骤
产生清晰肺部区域的从所述清晰肺部区域中去除低频变量，从而产生等级图像；
将所述等级图像中清晰肺部区域之外的区域的编码数值设置成相对于在所述清晰肺部区域中的编码数值较低；
对所述等级图像进行至少一次灰度形态操作，从而产生结节-骨头图像；
识别在所述结节-骨头图像中的潜在结节位置；
将在所述结节-骨头图像中的各个潜在结节位置周围区域进行分离；以及，
使用所述分离区域的特征来确定潜在结节是否是结节。
6.如权利要求5所述的方法，其特征在于，对所述等级图像进行多次灰度形态操作。
7.如权利要求5所述的方法，其特征在于，所述对等级图像进行至少一次灰度形态操作从而产生结节-骨头图像的步骤还包括步骤
使用结节模版对所述等级图像进行第一次灰度形态操作，从而产生结节图像；
使用骨头模版对所述等级图像进行第二次灰度形态操作，从而产生骨头图像；以及，
从所述结节图像中减去所述骨头图像，从而产生所述结节-骨头图像。
8.如权利要求5所述的方法，其特征在于，所述特征包括下列中的至少两项形状特征、统计特征、纹理特征。表面拟合特征、梯度特征和边缘重叠特征。
9.一种计算机存储产品具有至少一个计算机存储媒介，该存储媒介具有存储于其中使得一台或者多台计算机执行权利要求1所述方法的指令。
全文摘要
一种适用于从胸部X光拍片中产生肺部结节图像的方法。该方法包括如下步骤产生清晰肺部区域的图；从清晰肺部区域中去除低频变量，从而产生等级图像；以及对等级图像进行至少一次灰度形态操作，从而产生结节-骨头图像。肺部结节可以通过使用结节-骨头图像，以如下的进一步步骤来检测来自胸部X光拍片的肺部结节。该方法包括如下步骤识别在结节-骨头图像中的潜在结节位置；对在结节-骨头图像中的各个潜在结节位置周围区域进行分离；以及使用分离区域的特征来确定潜在结节是否是结节。
文档编号G06T7/00GK101341510SQ200680026301
公开日2009年1月7日 申请日期2006年7月11日 优先权日2005年7月22日
发明者J·S·施尔德克劳特, M·D·赫思, R·A·森, J·F·小雷维利, B·拉克 申请人:卡尔斯特里姆保健公司