病变边界检测的制作方法

专利名称：病变边界检测的制作方法
技术领域：
本发明涉及一种检测预先从人体或动物体扫描得到的图像中，尤其但并非专门是计算机层析(CT)图像中的病变(lesion)与内壁接合处，如附着于胸膜上的肺结节或附着于结肠壁上的息肉的方法。本发明包括用于实施该方法的软件和设备。
背景技术：
癌早期阶段的可疑病变检测可被认为是提高存活率的最有效方式。肺结节检测和息肉检测是医学成像中更具挑战性任务中的一些。
已提出了计算机辅助技术来识别CT扫描图像内包含结节的感兴趣区域，将结节与周围目标如血管或肺壁分割开，计算结节的物理特征，以及/或者提供自动结节诊断。全自动技术在没有放射科医师的介入下执行所有这些步骤，但是这些步骤中的一个或多个步骤可能需要放射科医师的输入，在那种情况下该方法可被描述为半自动的。
病变尺寸或范围的检测对于准确诊断是重要的，但是难以检测附着于胸膜上的肺结节的范围，或者难以将结节与胸膜分割开，这是因为在CT扫描中它们具有相似的密度。同样，难以检测息肉与结肠壁之间的边界。
专利公开US-A-2003/0099384和US-A-2003/0099389披露了检测胸膜结节的方法，这些方法对于小结节使用形态学闭合(morphologicalclosing)，并且对于大于用于形态学闭合的结构元素的结节，使用可变形表面模型。
专利公开WO03/010102以及“Lung Nodule Detection on ThoracicComputed Tomography ImagesPreliminary Evaluation of aComputer-aided Diagnostic System”，Gurcan M et.al，Med.Phys.29(11)，November 2002，pp.2552-2558一文，披露了一种通过寻找沿肺边界闭合轮廓上的一对点，利用紧接于肺胸膜之后的局部凹口搜索来检测胸膜结节的方法，其中沿肺边界的点之间的距离之比比这两点之间的直线距离大预定阈值以上。

发明内容
根据本发明，提供一种检测扫描图像中的病变与内壁之间接合处的方法，包括确定内壁与内部空间的边界；识别沿边界的临界点；以及选择病变任一侧的一个临界点作为内壁与病变之间的接合点。临界点可以是边界的极大局部曲率点，以及/或者边界的直线段与曲线段之间的过渡点。可以通过以下方式来选择临界点接收病变任一侧的第一和第二种子点；如果这些种子点不是位于边界上，就将它们移到边界上；以及寻找与这些种子点最接近的临界点。可以通过把所选择的接合点从图像的相邻片移位到当前片中，来确定种子点。
该方法的优点是，可以三维地精确确定病变与胸膜之间的接触点，由此能够更精确地确定病变范围。
可以利用各种技术来精细调节接合点位置，并且在某些情况下，接合点位置可能与所确定的临界点不精确重合。
优选地利用计算机来实施本发明，并且本发明扩大到用于实施该方法的软件。


图1是示出CT扫描仪以及用于处理扫描仪图像数据的远程计算机的示意图；图2是本发明实施例中的算法的流程图；图3a至3c分别示出了肺CT扫描图像的单片，如通过分割所获得的肺区，以及肺区的边界；图4a至4c示出了利用三种不同阈值在肺边界上检测到的临界点；图5示出了结节任一侧的种子点；图6示出了一种将种子点从胸膜移到边界上的方法；
图7示出了一种将种子点从肺空间移到边界上的方法；图8示出了一种将种子点移到最近临界点处的方法；图9示出了一种当临界点近似等距时确定最佳临界点的方法；图10示出了将肺分成多个边界的例子；图11示出了确定边界之间的连接；图12是两个边界中间的线上的宽度对距离的曲线图，其示出了怎样确定连接；图13a至13d示出了一种校正结节过冲边缘的方法；图14a至14d示出了一种校正结节过冲边缘的方法，其中所检测的边缘位于结节以外；图15示出了所检测的结节范围；图16示出了检测结节范围的一种可选方法；图17示出了将接合点映射为下一片中的种子点；以及图18示出了一系列连续片中所检测的结节范围。
具体实施例方式
CT图像对从病人或生病的动物的CT扫描所获得的CT图像片序列，执行每个实施例。每一片都是被扫描区的X射线吸收的二维数字灰阶图像。片的特性取决于所使用的CT扫描仪；例如，高分辨率多片CT扫描仪可以产生在x和y方向(即在片的平面内)分辨率为0.5-0.6mm/像素的图像。每个像素可以有32位灰阶分辨率。每个像素的强度值通常以Hounsfield单位(HU)表示。可以通过沿z方向(即扫描分隔轴)的恒定距离，例如通过0.75-2.5mm之间的距离，来使顺序的片分隔。因此，扫描图像是三维灰阶图像，其总体尺寸取决于所扫描的片的面积和数量。
本发明不限于任何特定扫描技术，并且可适用于电子束CT(EBCT)、多探测器或螺旋扫描，或者产生代表X射线吸收的二维或三维图像来作为输出的任何技术。
如图1所示，计算机4从扫描仪2接收扫描数据，并构造扫描图像，由此生成扫描图像。扫描图像被保存为电子文件或一系列文件，这些文件被存储在存储介质6如固定或可移动盘上。可以通过计算机4来处理扫描图像，以识别肺结节范围，或者可以将扫描图像传送到运行如下所述图像处理软件的另一台计算机8上。该图像处理软件可以存储在载体如可移动盘上，或者可以通过网络下载。
附着于肺壁上的结节为检测结节与肺壁之间的边界而设计了特定实施例。外围肺结节常常展示出在某种程度上附着于胸膜表面上(在肺外围，相对于胸腔外边界而被压缩)。结节和胸膜共享它们的大量表面。为此，描绘胸膜与结节之间的边界是困难的任务。通过取结节相对端的肺壁外围上的两个种子点作为输入，来减小该复杂性。可以由用户如放射科医师来选择种子点，或者可以自动确定种子点。以下描述边界描绘方法的理论和实现。
在第一实施例中，该方法包括参考图2概括描述的以下步骤，以下详细每一步骤1)输入种子点(步骤12)；2)应用粗分割，以便将肺与周围组织分割开，并确定边界(步骤14)；3)确定轮廓上的临界点(步骤16)；4)对于每一片(从起始片开始)a.如果不是起始片，并且当前任一点处于组织中，则将当前点移到边界(步骤18)。如果该过程失败，则结束处理；b.如果任一点处于肺空间中，则将该点移向另一点，直到该点击中边界为止(步骤20)——如果失败则结束处理；c.沿轮廓寻找与当前两点最接近的临界点(步骤22)；d.对点进行精细调节(步骤24)；e.得到当前片中的结节轮廓(步骤26)；f.检查与前一片中结节的重叠(步骤28)——如果没有重叠则结束处理；
g.将两点映射到下一片中(步骤30)。
5)对于从起始片开始的两个方向上的连续片，重复以上过程。
输入种子点(步骤12)用户检查CT扫描的一片或多片，并在视觉上识别潜在的胸膜结节。借助于用户输入设备，用户选择其中一片上的潜在胸膜结节任一侧的两个种子点。种子点只需位于胸膜结节的任一侧，而不必精确位于边界上。
作为选择，用户可以利用输入设备在潜在胸膜结节的周围画方框或其它形状。可以取该形状与胸膜之间的交点，作为两个种子点。
作为另一可选方案，可以预处理扫描图像以识别潜在的胸膜结节，并且可以从该预处理阶段输入种子点。
分割(步骤14)选择包含种子点的片之下和之上的多个(例如30个)片的子图像，并执行粗分割，以便将图像分割成肺空间和胸膜(包括附着于胸膜上的任何结节)。可以通过对图像应用预定阈值来执行分割，因为肺空间的密度大大低于胸膜和结节的密度。通过该算法，在阈值以上但没有连接到胸膜上的目标就不予考虑。
作为选择，为了使实施更加可以再现，可以寻找最佳中心片，并且可以使子图像以该最佳中心片为中心。选择以两个种子点之间的中点为中心的窗口，例如60像素×60像素×10片。寻找该窗口内具有最大强度的点，并选择包含该最大密度点的对应片，作为子图像的中心片。
可以通过在初始粗分割后执行自适应分割，来进一步改善分割。在自适应分割中，利用距离变换来放大通过粗分割所获得的肺空间，以便获得包含肺空间和肺空间周围包络的模板。放大倍数可以是50％。利用仅仅从该模板内的强度值得到的阈值，来执行自适应分割。
分割结果是片的二值映射，其中一些像素代表具有某一二进制值的肺空间，其它像素代表具有另一二进制值的周围组织。肺空间与周围组织之间边界上的像素被标记为边界像素。
例如，图3a示出了肺片的扫描图像，而图3b示出了分割结果。图3b是二值图像，其中肺空间是白的(二进制1)，且周围组织是黑的(二进制0)。图3c用白色示出了由分割得到的边界像素。
确定临界点(步骤16)作为检测结节与胸膜之间接合处的预备步骤，确定边界上的临界点。边界的每一段被识别为凹入、凸起或直线的。临界点是具有最大凸度或凹度的点，或凹入、凸起或直线状态之间的过渡点；换句话说，是直线与凸起或凹入之间的过渡点，或者直接是凸起与凹入之间的过渡点。临界点是我们所关心的，因为它们能够指示胸膜与结节之间的边界。
现在将描述确定临界点的具体方法。输入是边界轮廓的映射；例如这可以是二进制阵列，其中阵列内的位置代表每个像素的x和y坐标，且边界像素被标记为二进制1；换句话说，是边界的位图。
接下来，选择边界像素作为起始点。这可以是任何边界像素；例如，可以是位图的光栅扫描(从左到右，从顶到底)中所发现的第一个边界像素。
然后，算法沿边界移动，记录连续相邻边界像素之间的角度。因为每一片的像素都按二维笛卡儿坐标排列，所以只有8种可能的角度。对于每个像素，可以用网格来表示其邻域

可以对每个像素与其相邻像素之间的角度进行如下编码

其中码对应于以下角度

因此，将位图转换为包括一维码向量的链码，该一维码向量代表边界周围的环中的连续相邻边界像素之间的角度，例如(1，1，1，2，1，3，3...)。注意，这些是相对于向下方向的绝对角度。
接着，将链码转换为每个边界像素处的边界的曲率角(asngle ofcurvature of the boundary)。这可以通过以下方式来实现取每个边界像素周围的链码，并应用加权滤波器，使得更接近于当前边界像素的边界像素的链码被更重要地加权。注意，曲率角是相对于边界的，而不是绝对角度，因此从环周围的当前像素之后的链码减去环周围的当前像素之前的链码。
在一个例子中，如下计算边界像素i的曲率角αi=Σj=-nnmjcci+jΣj=-nn|mj|]]>其中mj是加权系数，可以服从Gaussian(高斯)分布；cci+j是像素(i+j)的链码，并且对于负j是负的；n代表在边界周围每个方向上所考虑的像素数；例如n＝5。
考虑边界周围任一方向的邻近像素，结果是代表每个边界像素处的边界的曲率角的一维向量。加权滤波器的作用是平滑来自链码离散粒状值的角度。
接着，识别曲率角的局部极大和极小值。例如，可以使用邻域比较方法，其中将每个角度与向量中预定数量(例如3个)的前面和后面角度进行比较。
为识别直线与凹入或凸起之间的过渡点，定义对应于‘直线’的角度范围。例如，可以将180°±f的所有角度都分类为直线。
图4a至4c分别示出了对于f＝5°、15°和30°的临界点。用方形来标记直线与凹入之间的极大凹度点和过渡点，而用圆形来标记直线与凸起之间的极大凸度点或过渡点。图4a示出了，将f设得太低导致了大量只代表边界曲率缓慢转变的临界点。可以在软件中预定义f值，并且/或者可以由用户调节。
寻找结节方向在检测结节以前，首先确定结节在相对于两个种子点p1和p2的哪个方向上延伸到肺中。在一个实施例中，如图5所示，在两点p1和p2之间形成向量v，并且在两个方向上从向量v的中点构造正交向量o。落入肺空间L内的o的方向指示肺的方向，因此指示胸膜结节N从胸膜P延伸到肺中的方向。
在初始片后，从前一片中所检测的结节相对于种子点p1和p2的方向，来确定结节方向。
移到空气中(步骤18)对于每一片，首先必须检查种子点p1和p2，以确定它们是否在边界B上，并且如果不在，就将它们移到边界上的合适点上。在初始片中，不要求用户将种子点p1和p2精确定位在边界上。在将种子点移到边界上，并通过改变种子点的z坐标将种子点移到下一片中以后，在新片中种子点可能不再在边界上。
如果种子点p1和p2的任一点在胸膜P内，则将该点移到边界B上。可以限制移动的方向和距离，以避免远离可能代表结节与胸膜之间界面的临界点。尤其是，从一个片到下一个片，界面的角度不大可能大大变化。现在将描述一种将种子点从组织移到边界上的技术。
首先，确定在以待移动种子点为中心的窗口(例如20mm×20mm)中是否有任何肺空间。如果没有，则可以指出错误条件。如果有，则执行以下步骤，如图6所示●在结节的方向o上，分别与向量v成45°和135°，从处于组织内的点p1和p2的每一点画两条线l1和l2，每条线的长度为10个单位；●得到从待移动种子点到两条线l1和l2的端点的最小尺寸矩形R(注意，如果点p1和p2之一不在组织内，则可能只有一对这样的线)；
●寻找矩形R内与边界B上的种子点最接近的点；●只要移动的距离小于10mm，就将点移到那个边界点上。
该技术对向量v可以旋转的角度以及种子点可以移动的距离施加了合适的限制。
将两个点聚集起来(步骤20)如果两个种子点p1和p2的任一点处于肺空间L中，则将该点移向另一点，直到该点击中边界B为止，如图7所示。如果被移动的点相互之间的距离在预定距离(例如2mm)以内，则结束该过程，因为这指示在这些点之间只有空气。
寻找最近临界点(步骤22)现在，种子点p1和p2应该都在边界B上。接着，如以下更详细说明的，在被设计用来避免不当选择临界点的某些条件下，将它们移到沿边界B的最近临界点。
对于每个种子点，在任一方向上沿边界B确定最近临界点。如果沿边界的某一方向上的临界点比另一方向上的临界点近得多，则将种子点移到更近的种子点。例如，如果种子点与某一方向的最近种子点之间的距离大于阈值，则将种子点移到另一方向上的最近临界点。阈值可以是种子点与任一方向上的两个最近临界点中更近点之间的距离的函数，例如是距离的两倍。
如果任一方向上的最近临界点近似等距离，则基于种子点与每个临界点之间的直线中的肺空间量，来选择临界点。例如，如图9所示，如果种子点p1与沿边界B的两个最近临界点c1、c2之间的距离之差小于阈值，则构造从种子点到这两个最近临界点c1和c2的每一个的线l3，并确定通过肺空间L的线长度比例。如果该比例大于预定阈值(例如20％)，则认为临界点是不利选择，并且如果临界点的比例小于或等于阈值，则将那个种子点移到另一方向上的最近临界点c2。如果两个临界点的比例都大于阈值，则不将种子点移到任一临界点。
如果太近就移动点在某些情况下，种子点之一可能离最佳临界点较远，因此当寻找最近临界点时，两个种子点都将移到同一临界点，或移到彼此非常接近的临界点。如以下将要描述的，当种子点是从前一片映射而来的时候，并且尤其当应用细分割移动的时候，这可能会发生。如果两个种子点沿边界的距离小于阈值距离如5mm，则将更接近于临界点的种子点移到那个临界点，而将另一种子点沿边界移到远离该另一种子点的最近临界点，只要这两个种子点之间的距离不增大到超过预定阈值，如种子点之间的原始距离。换句话说，移走一个种子点之后的种子点间距离应该不大于移走之前的距离的两倍。
附近没有临界点在某些情况下，在种子点之一附近没有临界点，这可能造成那个种子点移到与另一种子点最接近的临界点处。这可以通过以下方式来避免防止种子点沿边界移动的距离超过移动前种子点间距离的预定比例，如50％；在那种情况下，远离任何临界点的种子点都不移动。
细分割(步骤24)在利用粗分割的边界找到最近临界点后，可以利用取决于局部对比度的细分割来重新计算种子点附近的边界B，由此来精细调节种子点的移动。例如，可以通过每个点周围预定范围的局部点的模板内的点的强度，来确定用于判定那个点是前景还是背景的阈值。可以这样选择阈值，使得阈值以上和以下的强度质心的均值等于阈值，或者相对于阈值偏移一预定程度。
接着，在细分割的边界上确定临界点。可以在如以下举例阐述的某些条件下，将种子点移到细分割边界上的最近临界点处-种子点到细分割边界的移动总是远离结节的方向。
-移动距离必须小于预定阈值。根据利用粗分割而使种子点从其片内初始点向其最终点移动了多少，来设置该阈值。
-移动到细分割边界临界点时的种子点之间线的旋转角必须小于预定角度，如40度。
粗分割边界可能不在有强部分容量效应的细分割结节边界附近。在这种情况下，最近临界点可能远离结节；只允许远离结节的移动，因此可能找不到正确临界点。这可以通过以下方式来解决如果种子点在相对于细分割边界的肺内，则将种子点相对彼此移动，直到它们击中边界为止，然后寻找细分割边界上的最近临界点。
细分割的作用是，消除结节周围物质如被感染组织的影响，被感染组织会使结节与胸膜的接合处变模糊。粗分割正常将把该物质包括进来作为边界一部分，而细分割将把该物质重新分类为背景。
多个边界在某些情况下，通过粗分割将肺L分成两个或多个部分，且种子点位于不同部分中，例如如图10所示。当在当前片中血管贯穿肺时，这可能会发生，并且由于将血管包括进来作为结节N的一部分，而可能造成难以确定结节N的范围。
为克服该问题，判定当种子点移到边界B上时是否形成不同的不连通边界的一部分。如果是这样的话，则如图11所示，从结节方向o的两个种子点开始，计算两个边界之间的距离变化。图12示出了距离变化的样本曲线图。取该曲线图中的最大梯度变化点g，并在那一点将边界B连接起来。这允许将结节N与血管分离开。
轮廓校正在某些情况下，所检测的接合点之间的边界具有过冲边缘，例如如图13a所示；例如因为接合处的缓慢角度变化，而使临界点可能不处在附着于肺壁上的结节的准确位置。
为避免该问题，可以利用轮廓校正功能来重新调节接合点，以允许正确的区域提取，如图13b至13d所示。首先，在接合点之间构造线。如果该线与边界相交，则使一个接合点沿边界向另一接合点移动，直到在那一侧不与边界相交为止。然后，使另一接合点向第一接合点移动，直到该线不再与边界相交为止。
在某些情况下，尤其是当结节小时，边缘过冲时的接合点之间的线不与边界相交，如图14a所示。在这种情况下，将接合点交替地以小增量沿边界移到一起，如图14b所示，直到该线与边界相交为止，如图14c所示。然后，如上所述继续进行轮廓校正，直到该线不再与边界相交为止，如图14d所示。
获得结节边界在该阶段，确定两个接合点，这两个接合点代表结节N与胸膜P沿边界B而接合的点。这些接合点可用于估计片内的结节N边界。作为第一近似，利用连接这些接合点的直线来定义结节N与胸膜P之间的接合处。作为选择，可以使用曲线，其曲率是从结节N周围的胸膜的曲率估计而来的。
接着，确定结节N的范围。在一个实施例中，假定结节N没有附着于或贴近于除胸膜P以外的任何特征。利用步骤14中的分割结果，来把连接接合点的线以外的所有前景区，都识别为形成结节N的一部分，如图15所示。
在可选实施例中，利用模糊对比度区域生长方案来识别结节N的范围。首先，借助于基于局部阈值的分割过程，来估计结节N的范围。利用局部模板来得到每个点的强度阈值。因此，阈值对局部对比度敏感，并且能够将低对比度结节与其背景区分开。通过细分割所获取的结节面积N可能包括‘孔’，即被前景像素所包围的背景像素。这些孔可能是由细分割对小局部对比度差的敏感性而产生的。利用合适的孔填充算法来填充这种孔，换句话说，将它们转换为前景像素。
接着，取结节面积N内具有最高强度的像素作为种子点，并从那个种子点开始执行二进制区域生长，以识别连通前景区F。利用具有某一放大倍数的距离变换方法来放大该区域，以获得包含前景和背景两者的模板M。放大倍数可以是50％。然而，如图16所示，模板M不包括连接接合点的线的另一侧的任何像素，包括接合点以外的那条线的突出部分。接着，从模板M中去除被细分割过程分割为不是连通前景区F一部分的前景像素。将模板M的背景像素标记为背景区B。
确定前景和背景区F和B的强度和梯度分布的均值和标准差。计算背景强度均值μB、前景强度均值μF、背景强度标准差σB和前景强度标准差σF。通过对种子点远离背景强度均值μB的前景标准差σF的数目计数，来估计参数ε，并取该参数ε作为对比度度量，该对比度随后用于构造如下所述的模糊映射。
利用模糊目标提取技术来定义模板M内的每个像素相对于种子点的模糊连通性的二维映射。定义相邻像素之间的模糊仿射性函数，并通过寻找沿像素与种子点之间的路径的仿射性，来得到每个像素与种子点之间的模糊连通性。
通过考虑两点(不必相邻)间具有最强仿射性的路径，来获得这两点之间的模糊连通性。选择具有最强仿射性的路径作为最佳路径，并且每条路径的强度等于沿该路径的相邻点的最弱仿射性的强度。两个相邻点之间的强度是这两点之间的仿射性。
两个像素之间的仿射性是它们属于同一目标的概率的度量。该概率是这两个像素之间的接近度(即欧几里德距离)和图像特征(强度)相似性的函数。
模糊仿射性的一般模型由下式给出μk＝(c，d)＝h(μa(c，d)，f(c)，f(d)，c，d)其中h是值域为
的标量值，c和d是两个像素的图像位置，f(i)是空间元素(spel)i的强度。μa是两个像素之间基于距离的相邻性函数，由下式给出 如果c≠d，并且μk(c，c)＝1，则定义简化的移位不变型式为μk(c，d)＝μa(c，d)ωihi(f(c)，f(d))+ωg(1.0-hgk(f(c)，f(d)))其中下标‘i’代表与强度相关的计算，并且下标‘gk’代表与相关方向(可能是x、y、z方向)梯度值相关的计算。ωi和ωg是自由参数权值，它们之和为1。为ωi选择了值0.9，并为ωg选择了值0.1，以允许强度相似性起更大作用。用于当前函数的模糊仿射性为
hi(f(c),f(d))=e-[(1/2)(f(c)+f(d))-mi]2(Sd)2]]>hgx(f(c),f(d))=e-[(|f(c)-f(d)|/dx)-mgx]2(Sgx)2]]>hgy=(f(c),f(d))=e-[(|f(c)-f(d)|/dy)-mgy]2(Sgy)2]]>其中mi、si、mg、和sg是强度和梯度的高斯参数。可以预先定义这些参数，或者如下所述从种子点周围的小区域来估计这些参数。
对模板M内的所有点，计算强度和梯度的均值和标准差σ。分别在三个方向(x、y和z方向)计算与梯度相关的参数。基于最大和最小梯度之差，来计算对应的σ。
现在来更详细地描述统计特性的计算。取参数mi作为种子强度，而取mgx、mgy分别作为x、y方向的梯度均值。参数Sgx、Sgy是各方向的梯度标准差。
出现在仿射性表达式中的标准差(Sd)影响模糊映射的形成，因此影响结节边界的确定。如果标准差(Sd)太大，则仿射性曲线将较平。结果，背景区将具有较高的仿射性，并且区域生长将导致过分割。另一方面，如果标准差(Sd)太小，则仿射性曲线的形状将窄，并且前景与种子的仿射性将较小，结果将是欠分割。理想地，仿射性曲线应该扩展到这样一种程度，以致背景与种子的仿射性最小，但却有限。因此，通过修改标准差来限制或延展仿射性高斯曲线，以便实现理想扩展。
然后，通过寻找每个像素相对于种子点的模糊连通性值，来构造模糊映射。可以把模糊映射看作增强的图像，其像素代表它们以怎样的强度附着于种子点上。
接着，从种子点开始，对模糊映射应用基于对比度的区域生长。当在区域生长期间将每个像素加到区域上时，计算区域内边界与外边界之间的外围对比度。可以将区域的外围对比度定义为内边界平均灰阶与当前边界平均灰阶之差。
在基于对比度的区域生长的每一次迭代中，从当前边界选择一个像素，并将其加到当前区域上。根据像素强度以及到当前区域中心的距离，来确定当前边界中的像素的选择优先级。当在区域生长期间将每个像素加到区域上时，计算区域内边界与外边界之间的外围对比度。可以将区域的外围对比度定义为内边界平均灰阶与当前边界平均灰阶之差。记录每一阶段的外围对比度，并且继续区域生长，直到区域充满模板M为止。选择区域生长期间所获得的最高外围对比度值，作为指示最佳区域，其边界最可能对应于结节N的边界。
映射到下一片(步骤28)在确定当前片中的结节N范围后，确定当前片中的结节N是否与前一相邻片中所确定的结节N范围重叠。这可以用多种方式来实现，例如通过以下方式来实现确定每一片中的结节N中心周围的预定半径的圆形‘核心’，并确定相邻片中的核心是否重叠；即在两个核心之间是否有任何像素具有相同的x和y坐标。如果没有重叠，或者在当前片中根本没有检测到结节，则这可能指示从起始片起的当前方向上的结节N界限。如果算法只在从起始片起的一个方向上进行了，则随后在另一方向上进行。如果在两个方向上都执行了结节边界检测，则算法结束，并输出其中检测到了结节N的那些片的每一片中所检测到的结节范围。
如果与前一片有重叠，则算法通过把来自当前片的两个接合点j1、j2用作下一片的两个输入种子点p1、p2，而继续进行到下一片，如图17所示。例如，新片的种子点的x和y坐标与前一片的接合点的x和y坐标相同。
结果图18示出了样本扫描图像中所检测到的结节N范围。
对结肠的适用性上述实施例也可应用于结肠CT扫描图像中的息肉检测。息肉总是附着于结肠壁，它在CT扫描图像中具有相似的强度。虽然息肉的形状与肺结节有点不同，但是结肠壁与息肉之间的接合处具有相似的几何特性，并且上述实施例可用于检测该接合处。
本发明可应用于附着于人体和/或动物体内部空间的内壁上的其它异常肿瘤的检测。
可选实施例举例描述了以上实施例，以上实施例并非预定限制本发明范围。可以设想落入权利要求范围内的各种可选实施例。如从以上讨论明显看出，可以对由单个CT片组成的二维图像或由连续CT片组成的三维图像，执行该方法。
权利要求
1.一种识别计算机层析扫描图像中内部空间附近的病变与内壁之间接合处的方法，包括a.确定所述内壁与内部空间之间的边界；b.确定沿所述边界的一个或多个临界点；以及c.基于所述病变任一侧的至少一个临界点的位置，来选择所述病变任一侧的所述边界上的第一和第二接合点，由此这些接合点识别所述病变与所述内壁之间的接合处。
2.根据权利要求1所述的方法，其中所述临界点包括沿所述边界的至少一个极大曲率点。
3.根据权利要求1或2所述的方法，其中所述临界点包括直线与曲线之间的至少一个过渡点。
4.根据以上任一权利要求所述的方法，其包括接收所述病变任一侧的第一和第二种子点作为输入，其中基于第一和第二种子点的位置来选择第一和第二接合点。
5.根据权利要求4所述的方法，其中选择临界点中分别与第一和第二种子点最接近的第一和第二临界点，分别作为第一和第二接合点。
6.根据权利要求5所述的方法，其中沿所述边界来测量所述种子点到临界点的距离，以便确定所述最近接合点。
7.根据权利要求6所述的方法，其中将所述种子点移到所述边界上，以便确定它们沿所述边界到临界点的距离。
8.根据权利要求7所述的方法，其中如果所述种子点之一位于内部空间中，则在朝向所述种子点的另一种子点的方向上将该种子点移到所述边界上。
9.根据权利要求7所述的方法，其中如果所述种子点之一位于内壁中，则这样将该种子点移到所述边界上，以致所述种子点之间的线的旋转角受限制。
10.根据权利要求8或9所述的方法，其中如果所述种子点之一位于内壁中，则如果到所述边界的距离小于预定阈值，就将该种子点移到所述边界上。
11.根据权利要求5至10任一权利要求所述的方法，其中对于每个种子点，识别任一方向上沿所述边界的最近临界点，并且如果任一方向上沿所述边界到所述最近临界点的距离满足预定准则，则选择所述最近临界点中的更近临界点作为对应接合点。
12.根据以上任一权利要求所述的方法，其中如果第一和第二接合点之间的线与所述边界相交，则使第一和/或第二接合点沿所述边界相对彼此移动，直到所述线不再与所述边界相交为止。
13.根据权利要求1至11任一权利要求所述的方法，其中如果第一和第二接合点之间的线位于所述病变以外，则使第一和第二接合点沿所述边界相对彼此移动，直到所述线与所述病变相交，但不与所述边界相交为止。
14.根据权利要求4至11任一权利要求所述的方法，其中对扫描图像的一系列连续片的每一片执行步骤a至c，其中所述片之一中确定的第一和第二接合点用于产生所述片的相邻片的第一和第二种子点。
15.根据权利要求14所述的方法，其中从预定起始片开始，在从所述起始片起的任一方向上，对扫描图像的一系列连续片的每一片执行步骤a至c，直到检测到所述病变的末端为止。
16.根据权利要求15所述的方法，其中如果在当前片的所述种子点之间没有检测到病变，则检测到所述病变末端。
17.根据权利要求15或16所述的方法，其中对于所述一系列连续片的每一片，检测所述病变的范围，并且如果当前片中检测到的所述病变范围与相邻片中检测到的所述病变范围不重叠，则检测到所述病变末端。
18.根据以上任一权利要求所述的方法，其中用延伸于第一和第二接合点之间的接合线，来定义所述病变与所述内壁之间的接合处，所述方法进一步包括确定所述病变范围，以致所述病变范围受所述接合线限制。
19.根据权利要求18所述的方法，其中通过分割扫描图像并执行区域生长，来确定受所述接合线限制的所述病变范围。
20.根据权利要求19所述的方法，其中如果第一和第二接合点没有通过所述边界而连接，则所述病变范围进一步受边界连接线限制，所述边界连接线把所述接合点所处的分开边界段连接起来。
21.根据权利要求20所述的方法，其中通过确定分开边界段之间的距离变化，并识别距离变化的变化率达到最大的线，来定义所述边界连接线。
22.根据权利要求18至21任一权利要求所述的方法，其中通过以下方式来确定所述病变范围利用基于局部对比度的阈值执行细分割，以便将所述病变周围的图像分为前景和背景；识别代表受所述接合线限制的所述病变的连通前景区；将所述前景区扩展为包括背景点，并把未被包括在所述前景区内的前景点排除在外，以生成模板；得出模糊连通性映射，所述模糊连通性映射定义所述模板内的点关于所述病变内的种子点的连通性；以及由所述模糊连通性映射来确定所述病变范围。
23.根据权利要求22所述的方法，其中通过从所述模糊连通性映射内的种子点开始生长连通区，并输出具有最高边界对比度的区域作为所述病变范围，来从所述模糊连通性映射确定所述病变范围。
24.一种识别肺的计算机层析扫描图像中附着于内壁上的病变范围的方法，包括a.识别所述病变与内壁之间的接合处；b.利用基于局部对比度的阈值执行细分割，以便将所述病变周围的图像分为前景和背景；c.生长出代表受所述接合处限制的所述病变的前景区；d.将所述前景区扩展为包括背景点，同时把未被包括在所述前景区内的前景点排除在外，以生成模板；e.得出模糊连通性映射，所述模糊连通性映射定义所述模板内的点关于所述病变内的种子点的连通性；以及f.由所述模糊连通性映射来确定所述病变范围。
25.根据权利要求24所述的方法，其中步骤f包括从所述模糊连通性映射内的种子点开始生长连通区，以及输出具有最高边界对比度的区域作为所述病变范围。
26.根据以上任一权利要求所述的方法，其中所述病变是结节，并且所述内部空间是肺。
27.根据权利要求1至25任一权利要求所述的方法，其中所述病变是息肉，并且所述内部空间是结肠。
28.一种计算机程序，被设置成执行以上任一权利要求所述的方法。
29.一种计算机程序产品，包括记录权利要求28所述计算机程序的介质。
全文摘要
一种检测CT扫描图像中的病变与内壁之间接合处的方法，包括确定内壁与内部空间(L)的边界(B)；识别沿边界的临界点(c
文档编号G06T5/00GK101014977SQ200580021312
公开日2007年8月8日 申请日期2005年5月13日 优先权日2004年6月23日
发明者贾姆希德·德默思凯 申请人:医学视像上市公司