基于形状模板匹配结合分类器的肺结节检测装置及方法

基于形状模板匹配结合分类器的肺结节检测装置及方法【
技术领域：
】[0001]本发明属于医学图像处理领域，涉及一种基于形状模板匹配结合分类器的肺结节检测装置。对肺结节进行准确检测是基于CT影像肺癌早期计算机辅助诊断（ComputerAidedDiagnosis，CAD)的核心内容。【
背景技术：
】[0002]据2014年全球癌症报告显示，早在2012年肺癌全球发病总人数大约为182.5万，占恶性肿瘤的13%，是发病率最高的高发恶性肿瘤。其中，中国是肺癌全球死亡人数最多的国家。肺癌发病率的不断增加与人口老龄化、城市工业化、农村城市化、环境污染化以及生活方式不良化等因素有关。肺癌早期诊断对于病患的治疗和预后有着重要的作用，肺癌早期手术治疗后十年的生存率约为90%。肺癌早期主要表现为肺结节，螺旋CT检测是肺癌诊断的常规手段之一，通常使用CT和低剂量CT(LDCT)可以诊断肺结节的解剖结构及其变化，而通过增强扫描CT(CE-CT)则可以观察胸部结构变化和结节的特征。随着多层多排探测器技术的不断发展，CT扫描图像分辨率和层厚更低，可以更加准确、有效地检测结节。在临床中，结节的检测一般是由医生根据经验进行肉眼判断，工作强度很大。因此，肺结节检测CAD技术被称为临床医生的"第二双眼睛"，用于辅助医生进行检测，提高检测的准确率和效率。，[0003]近年来，国内外研宄人员提出了多种肺结节检测方法，Ye等2009年在杂志〈〈BiomedicalEngineering,IEEETransactionson))上发表的论文〈〈Shape-basedcomputer-aideddetectionoflungnodulesinthoracicCTimages》中提出按照检测所依据的标准不同可以大致分为：模板匹配算法检测和分类器检测方法。其中，模板匹配检测方法主要是通过建立结节模型进行匹配检测，而分类器检测方法则是根据结节在图像中亮度特征的特异性建立分类器进行检测分类。[0004]通常模板匹配检测方法是利用定义模板对图像中感兴趣区域进行识别，从而检测出肺结节的目标检测与识别方法。基于模板匹配算法检测肺结节主要流程包括：图像预处理、肺实质分割、感兴趣区域提取、模板建立以及模板检测等步骤。Lee等2001年在((MedicalImaging,IEEETransactionson〉〉杂志上发表论文〈〈AutomateddetectionofpulmonarynodulesinhelicalCTimagesbasedonanimprovedtemplate-matchingtechnique》提出一种遗传算法模板匹配（GATM)技术，利用遗传算法有效定位目标位置，并筛选出适合的模板进行快速模板匹配，选用20组临床病例进行测试准确率为72%，假阳性为Llperimage;0smana等2007年在《ComputersinBiologyandMedicine》杂志上发表论文《Lungnodulediagnosisusing3Dtemplatematching》通过建立三维模板检测疑似结节区域，将模板与感兴趣区域进行卷积判断是否为结节，检测敏感性达到100%，假阳性为0.46perslice;Jo等2014年在杂志《ComputersinBiologyandMedicine》上发表论文〈〈PulmonarynoduleregistrationinserialCTscansusingglobalribmatchingandnoduletemplatematching》运用肺体积中心校正全局平移，利用肺部图像的冠状面和矢状面最大密度投影刚体配准再次提取偏移，根据结节密度和几何约束检测肺结节，准确率达到100%。现有模板匹配检测算法能够利用结节的模型特点建立不同的模板，具有较高的检测敏感性，但是检测假阳性也相对较高。因此，本发明借助模板匹配算法敏感性高的优势，利用模板匹配算法对肺结节进行粗筛选。[0005]同时，分类器检测方法是一种借助于分类器算法，利用肺结节区域特征集检测肺结节的方法。基于分类器算法的肺结节检测通过对结节特征进行提取，选择合适的分类器对感兴趣区域进行判别和检测。Murphy等2009年在杂志《MedicalImageAnalysis》上发表论文〈〈Alarge-scaleevaluationofautomaticpulmonarynoduledetectioninchestCTusinglocalimagefeaturesandk-nearest-neighbourclassification〉〉利用图像局部的形状指数和曲度值特征提取候选结节区域，结合最邻近法分类器（KNN)检测肺结节，敏感性为80%，假阳性为4.2/Scan;Messay等2010年在杂志《MedicalImageAnalysis》上发表论文《AnewcomputationallyefficientCADsystemforpulmonarynoduledetectioninCTimagery》运用灰度阈值和形态学方法检测提取感兴趣区域，并选用费希尔线性分类器和二次分类器两种分类器结合感兴趣区域的245种特征进行检测，敏感性为80.4%，假阳性为3/Scan;Sousa等2010年在杂志《ComputerMethodsandProgramsinBiomedicine〉〉上发表论文〈〈Methodologyforautomaticdetectionoflungnodulesincomputerizedtomographyimages〉〉选择支持向量机分类器（SVM)，根据提取特征进行检测分类，敏感性为84.84%，假阳性为0.42/Scan;Tan等2011年在杂志〈〈MedicalPhysics〉〉发表论文〈〈Anovelcomputer-aidedlungnoduledetectionsystemforCTimages》将遗传算法与神经网络结合，运用具有11个隐性节点的神经网络模型进行分类，敏感性为87.5%，假阳性为4/Scan;Cascio等2012年在杂志《ComputersinBiologyandMedicine》上发表论文《AutomaticdetectionoflungnodulesinCTdatasetsbasedonstable3Dmass-springmodels》，通过设定双阈值检测判定，并结合神经网络分类器进一步降低假阳性，敏感性为88%，假阳性为2.5/Scan;Choi等2012年在杂志〈〈InformationSciences〉〉上发表论文〈〈Geneticprogramming-basedfeaturetransformandclassificationfortheautomaticdetectionofpulmonarynodulesoncomputedtomographyimages》提取二维和三维特征，运用遗传编码分类器检测结节，敏感性为94.1%，假阳性为5.45/Scan;Wang等2013年在杂志《ClinicalImaging》上发表论文〈〈Computer-aideddetectionoflungnodulesbySVMbasedon3Dmatrixpatterns))选择结节三维特征建立参数矩阵，用最小二乘支持向量机分类器进行检测，敏感性98.2%，假阳性为9.1/Scans。对比现有分类器检测算法可以发现，基于分类器检测方法总体检测敏感性不高，但是相对模板匹配算法检测假阳性较低。因此，本发明发挥分类器算法对肺结节检测假阳性低的优势，利用分类器算法对肺结节进行二次筛选。对比两类肺结节分类算法，可以发现：模板匹配检测方法敏感性较高，总体敏感性在95%以上，通过优化设定匹配参数敏感性最高可以达到100%，但其假阳性也较高；而分类器检测方法对样本量、特征参数以及类器选取有较强的依赖性，虽然敏感性相对不高，但其在降低假阳性方面有较好的效果。【
发明内容】[0006]本发明的目的在于克服上述已有技术的不足，提出一种基于形状模板匹配结合分类器的肺结节检测装置，充分发挥模板匹配算法高敏感性的优势和分类器算法低假阳性的特点，以实现对肺结节的准确检测。[0007]为实现上述目的，本发明通过如下方式实现：[0008](1)输入DIC0M格式的肺部CT断层序列影像；[0009](2)对CT断层序列影像实施由Choi等2014年在杂志《Computermethodsandprogramsinbiomedicine〉〉上发表〈〈Automatedpulmonarynoduledetectionbasedonthree-dimensionalshape-basedfeaturedescriptor》中提出的结合0TSU算法的3D区域生长算法分割出肺实质区域；对分割出的肺实质区域采用边界链码修补算法进行修补；运用面绘制算法重建三维观察修补后的肺实质区域；[0010]⑶针对修补后的肺实质区域，设定灰度阈值提取感兴趣区域（R0I);[0011](4)根据肺结节形态学特征设计模板匹配算法对感兴趣区域进行粗筛选，获得候选结节区域；根据候选结节灰度和形态学特征，提取12当前第1页1 2