一种肺部病灶病变种子点的自动选择算法的制作方法

本发明涉及医疗设备技术领域，尤其涉及一种肺部病灶病变种子点的自动选择算法。

背景技术：

肺肿瘤大多数起源于支气管粘膜上皮，因此也称支气管肺癌。近50年来，全世界肺癌的发病率明显增高，据统计，在欧美某些国家和我国大城市中，肺肿瘤的发病率已居男性各种肿瘤的首位。

根据世界卫生组织的报告，到2030年全球将有多达1000万患者死于肺癌。早期预防肺肿瘤对提高生存获益有重要作用。计算机断层扫描(ct)扫描对肺部病变的准确分割对肺癌研究具有重要意义，可为临床诊断和治疗提供有价值的信息。然而，由于肺部病变的异质性，以可接受的精度实现全自动的病变检测和分割具有挑战性。假设放射照相图像的深度分析可以为个体化医疗提供微环境和肿瘤内异质性程度的信息和量化，对高通量ct提取的大量图像特征分析可以以非侵入性方式捕获空间和时间遗传异质性，这比基于侵入性活检的分子检测更好。也可以用于对医学研究、计算机辅助诊断、放疗和评估手术效果上。为此，肺部病变的准确分割是必要前提。

肺部病灶分割通常是由放射科医生等有经验的专家手动勾画病灶。由于各种原因，获得可靠和有效的结果是一项艰巨的任务。首先，专家可能高估病灶体积以包围整个病灶，不同的手工描绘结果也各不相同。此外，大量的时间消耗限制了将ct图像转换为高信息量的可挖掘数据。因此迫切需要一种高度稳健，高效和自动的肺部病变分割方法。然而，由于病变的异质性，通过自动方法精确分割肺部病变也很困难。由于肺部病变的多样性，目前的分割精度不足。由于各种病变的空间遗传异质性的存在，肺部病变的形态、强度和部位变化较大。肺部病变的强度有时接近血管、裂隙或胸壁的强度)。但其他时间则接近肺野的强度，如磨玻璃影(ggo)，这是ct扫描的非特异性发现，表明渗出液或渗出液部分填充了空隙，以及肺泡间质增厚或部分塌陷。而且，ct图像中固有噪声的影响也可能很大。所有这些事实使得自动实现肺部病变的精确勾画非常具有挑战性。并且，国内外很多肺肿瘤图像的分析方法中其分割的准确性和可靠性都不是很高，并不能真正给临床应用带来质的改变。

为此，针对上述背景技术中存在的问题，本发明提出了一种肺部病灶病变种子点的自动选择算法，实现ct图像中稳健、高效和准确的肺部病变分割。

技术实现要素：

为了解决上述技术问题，本发明提供一种肺部病灶病变种子点的自动选择算法，具体包括如下步骤：

s1，通过ct扫描获取肺实质的ct图像，并计算肺实质的ct图像梯度；

s2，扫描步骤s1中图像中每个像素的邻域，检测该区域中图像梯度的最小值，将其定义为局部最小梯度像素，预先定义一个空堆栈来存储局部最小梯度像素；

s3，将每个新的局部最小梯度像素大小将与堆栈中的所有现有元素梯度像素大小进行比较，新的最小值将被推入堆栈并用于标记源像素，堆栈中与新局部最小值具有最大相似性的值将返回以标记原始源梯度像素；

s4，对所有梯度像素重复s1～s3过程，如果一个梯度像素没有被标记，它的邻域将被搜索以找到局部最小值，重复该过程，直到图像中的所有梯度像素都被分割。

根据本发明所述的一种肺部病灶病变种子点的自动选择算法，其中步骤s2中所述的图像梯度变化用多尺度高斯卷积来反映，步骤s1中的图像梯度值的计算用多尺度高斯卷积的一阶导数来实现：

其中(x，y)分别代表二维图像的坐标点，x为横坐标，y为纵坐标，σ代表标准偏差值。

其中，g(x,y)代表点(x,y)的中心梯度像素矩阵。

(a,b)代表梯度像素的坐标值，i(a,b)代表卷积核心窗口中的像素强度，在多尺度高斯卷积之后，所有像素的梯度变化幅度为0～100。

根据本发明所述的一种肺部病灶病变种子点的自动选择算法，其中所述的邻域数量为4个。

根据本发明所述的一种肺部病灶病变种子点的自动选择算法，其中所述的邻域数量为8个。

根据本发明所述的一种肺部病灶病变种子点的自动选择算法，其中所述的邻域数量为26个。

本发明的上述技术方案具有以下有益效果：

本发明的技术方案使用后，一次病灶分割的平均时间消耗不到8秒。综上所述，利用本发明中的算法可以自动实现ct图像中稳健、高效和准确的肺部病变分割。

附图说明

图1为本发明实施例肺实质的ct图像；

图2为本发明实施例扫描梯度图像中每个像素的四个邻域的示意图；

图3a给出了本发明实施例高斯卷积后肺实质的梯度图；

图3b所示为本发明实施例扫描四邻域分割后的肺分割结果示例；

图3c所示为本发明另外一个实施例扫描8邻域分割后的肺分割结果示例；

图4为用本发明所述的算法实现的新标签图像；

图5为本发明算法的实施示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“顶”、“底”、“前”、“后”、“头”、“尾”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以视具体情况理解上述术语在本发明中的具体含义。

另外，需要说明的是，由于本发明不涉及具体的机械结构组成，所以为更清楚示意算法的成效，本发明的部分附图采用了图片的形式。

一种肺部病灶病变种子点的自动选择算法，具体包括如下步骤：

第一步，s1：通过ct扫描获取肺实质ct图像，从肺实质(包含病变)的梯度图像中获得病变种子点m，并计算肺实质的ct图像梯度，如图1所示。

第二步，s2：如图2所示，扫描梯度图像中每个像素的四个邻域，检梯度幅度的最小值，将其定义为局部最小梯度像素，预先定义一个空堆栈来存储局部最小梯度像素。

第三步，s3：每个新的局部最小梯度大小将与堆栈中的所有现有元素进行比较。堆栈中与新局部最小值具有最大相似性的值将返回以标记原始源像素。否则，新的最小值将被推入堆栈并用于标记源像素。

第四步s4，：对所有像素重复s1～s3过程，如果一个像素没有被标记，它的四个邻域将被搜索以找到局部最小值，重复该过程，直到图像中的所有像素都被分割。

该过程将重复进行，直到滑动到具有局部最小值的像素，如果目标像素未标记，则将为其分配新标签。与细长的肺血管不同，病变的形态特征更接近于规则的圆形，因此，根据形状特征，四个邻域搜索可以降低病灶像素滑入肺野的概率。由于一个切片足以选择病变种子点，本发明中的方法被设计为在2d视图中将图像分割成小区域。该像素将以最小梯度值滑动到其邻域(如果有多个像素，则获得最左上方)，如图2所示，在分割区域中的梯度值滑动用“等腰三角形▲”的最小角指向表示箭头流指向，箭头指向为从大到小。

在本发明的另外实施例中，扫描梯度图像中每个像素的8个邻域或26个邻域。

在本发明方法的第二步中，所述图像梯度值的一种计算方法为：

把ct图像看成二维离散函数，图像梯度其实就是用这个二维离散函数的求导：

图像梯度:

g(x,y)＝dx(i,j)+dy(i,j)；

dx(i,j)＝i(i+1,j)-i(i,j)；

dy(i,j)＝i(i,j+1)-i(i,j)；

其中，i是图像像素的值(如：rgb值)，(i,j)为像素的坐标。

在本发明方法的第二步中，所述的图像梯度变化还可以用更准确地描述肺部ct图像的多尺度高斯卷积来反映，以消除ct图像中突出的噪声。

具体而言：

所述梯度值的计算用多尺度高斯卷积的一阶导数来实现。

其中(x，y)分别代表二维图像的坐标点，x为横坐标，y为纵坐标，σ代表标准偏差值。

其中，g(x,y)代表点(x,y)的中心像素梯度矩阵。

(a,b)代表像素的坐标值，i(a,b)代表卷积核心窗口中的像素强度，在多尺度高斯卷积之后，所有像素的梯度幅度为0～100。

图3a给出了高斯卷积后肺实质的梯度图，图中显示了病变与血管、裂隙、支气管、噪声等组织有相似的梯度幅度。如图3b所示为扫描四邻域分割后的肺分割结果示例，我们可以发现它在一定程度上可以很好地能将病变与肺部影像区分开来，同时它可以排除与梯度图像上的病灶具有相似值的其他组织。如图3c所示为扫描8个邻域分割后的肺分割结果示例，即使没有形态连接，具有相同最小梯度值的小区域也会被标记为相同的标签，而不是用原始方法标记每个小区域的唯一标签，图3c显示结果表示这样可以有效地最小化过度分割。

通过本发明所述的方法，梯度图像中突出的血管、气管壁等噪声将被移入肺野，同时病灶保持较高值。因此，其他组织会变暗，并且可以在标签图像中增强病灶，以便随后进行自动种子点选择。

图4给出了用本发明所述的算法实现的新标签图像，a至l呈实性结节，m～r表示磨玻璃影。每个图像集中的第一行显示这些肺的原始梯度图，病灶用黄色圆圈标记以便更清晰的解释，可以清晰地发现病变在标记值或几何外观上明显不同于其他组织，如面积和形态。

通过大量实验，我们证明了新方法不仅避免了人工参与和数百个用于病灶检测的训练数据集，而且为不同类型的肺部病变(孤立性、近胸膜和近血管病变)提供了准确和稳健的结果。新方法不需要任何人机交互或训练数据集进行病灶检测，但它可以提供较高的病灶检测灵敏度(96.35％)和与手动分割相当的分割准确性(p>0.05)，这通过使用lidc-idri数据集(850个病灶)和内部临床数据集(121个病灶)的一系列评估得到证实。实验结果表明分割准确性显着提高(p<0.05)。此外，使用我们的新方法，一次病灶分割的平均时间消耗不到8秒。综上所述，利用本发明中的算法可以自动实现ct图像中稳健、高效和准确的肺部病变分割。

本发明的实施例是为了示例和描述而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。