基于随机森林和单调下降函数的肺肿瘤的自动分割方法
【技术领域】
[0001] 本发明涉及一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法，尤其涉 及一种利用随机森林和单调下降函数方法对肺部肿瘤进行全自动分割的方法，属于生物医 学影像处理技术领域。
【背景技术】
[0002] 肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物。根据 新生物的细胞特性及对机体的危害性程度，又将肿瘤分为良性肿瘤和恶性肿瘤两大类，而 癌症即为恶性肿瘤的总称。
[0003] 肺肿瘤是常见的恶性肿瘤之一，近几十年肺癌的发病率和死亡率都有明显增高的 趋势。肺癌的早期诊断是提高治疗效果的有效途径，在医学影像学当中，图像精确的分割和 定位的发展，为肺癌的早期诊断和精确治疗提供了有利条件。
[0004] PET和CT作为定量的分子和结构成像技术，已经被广泛应用在肺肿瘤的治疗方案 中。目前，国内外的许多专家和学者已经提出并使用了很多种方法来对肺肿瘤进行分割，例 如阈值分割，区域生长和基于图割的算法。但是这些算法不是采用了单一模态，无法提供跟 精确的分割结果，就是需要人机交互，无法实现全自动的分割方法，例如基于图割的算法需 要人为的标定图割的种子点。
[0005] 本发明使用单调下降函数（Downhill)确定肺肿瘤的初步位置，然后使用随机森 林（RandomForest)算法完成精确的分割。通过提取不同的特征值，充分利用了肺肿瘤在 PET图像上的新陈代谢信息和在CT图像上的纹理信息，无需人为介入即可达到更快速和更 精确的全自动分割。
【发明内容】
[0006] 本发明所要解决的技术问题是，提供一种自动精确确定肺肿瘤的位置和大小，以 达到在临床上协助医生对肺肿瘤的治疗的基于随机森林和单调下降函数的肺肿瘤的自动 分割方法。
[0007] 为解决上述技术问题，本发明采用的技术方案为：
[0008] 基于随机森林和单调下降函数的肺肿瘤的自动分割方法，其特征在于，包括以下 步骤：
[0009] S01，对肺肿瘤病人进行扫描，得PET图像和CT图像；
[0010] S02,对PET图像进行上采样，并且对PET图像和CT图像进行仿射配准，使得PET 图像和CT图像上的像素点的位置一一对应；
[0011] S03,对PET图像和CT图像用滤波器滤波，平滑图像；
[0012] S04,用阈值分割的方法在PET图像上进行分割，初步得到连通区域；用数字形态 学的开运算，将所述连通区域周边的杂点去掉；
[0013] S05,根据单调下降函数的特性，在所述连通区域排除其他器官的干扰，初步得到 肺肿瘤的位置；
[0014] S06,在PET图像和CT图像上进行特征提取；
[0015] S07,用随机森林的算法对肺肿瘤进行分割。
[0016] S03中所述平滑图像的标准为保持PET图像和CT图像中肿瘤病灶边界的信息即 可。
[0017] S06中所述特征提取包括肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息。
[0018] 所述PET图像中包括肿瘤亮度的单调下降特征、肿瘤位置信息、肿瘤边界的梯度 信息和标准化摄取值的分布信息。
[0019] 所述CT图像中包括肿瘤边界的梯度信息和人体结构信息。
[0020] S02中所述上采样为线性上采样。
[0021] 在PET图像上，先获得最大的所述标准化摄取值，然后用最大的所述标准化摄取 值的45%作为阈值，得到很多所述连通区域和一些高亮的杂点，所述连通区域包括肿瘤高 壳区域、肿瘤相邻器官尚壳区域和脊椎尚壳区域。
[0022] 所述单调下降函数的公式为：
[0023]
[0024] 式（1)中，'和v和表连通K域中的两个小问的体素；v_代表此连通区域中体 素最大的灰度值；\代表体素v的位置；Μ· ||代表欧氏距离；SUV代表标准化摄取值； SUV(Vl)代表Vl这个体素的标准化摄取值；SUV(v])代表这个体素的标准化摄取值；。代 表满足单调下降函数得到的连通区域；
[0025] 将连通区域中的作为区域生长的种子点，将满足单调下降函数的区域进行26 邻域的区域生长；生长后，如果\和￥_之间的欧氏距离彡、和￥_之间的欧氏距离，同时 \的标准化摄取值< ^的标准化摄取值，那么该连通区域为肿瘤高亮区域，即肿瘤区；如果 不满足上述条件，则该连通区域为肿瘤相邻器官高亮区域和/或脊椎高亮区域，即非肿瘤 区。
[0026] 所述肿瘤区若包括一些区域坏死肿瘤或者是囊性改变肿瘤，则会出现高灰度值的 肿瘤包围着像素值低的区域，因此，在区域生长之后，所述区域坏死肿瘤或者是囊性改变肿 瘤的肿瘤生长区域为不均匀状态，肿瘤区中间部位会出现一些空孔洞，此时，则使用数字形 态学中的闭运算，去填补这些空孔洞。
[0027] 本发明的技术方案是提供一种针对人体PET、CT影像中肺肿瘤的自动检测的方 法，该方法利用单调下降函数，先确定肿瘤的粗略位置，然后通过提取PET和CT上的特征， 在随机森林分类器中进行精确的分割。该方法为肺肿瘤的分割提供了一种速度更快，更鲁 棒的方法。该方法主要包括以下步骤：1、对PET图像进行上采样，并且对PET和CT图像进 行仿射配准（AffineRegistration)，使得PET和CT图像上的点的位置--对应；2、对提 取的医学影像，标定金标准：在经验丰富的肿瘤医生的监督指导下，利用ITK-SNAP软件，对 肿瘤区域进行标定；3、对PET和CT图像用滤波器滤波，平滑图像，但是保持边界的信息；4、 用阈值分割的方法在PET图像上进行分割，得到最初的连通区域；用数字形态学的开运算， 将得到的连通区域周边的杂点去掉；5、根据单调下降函数的特性，排除心脏和肝脏等器官 的干扰，得到最初肿瘤的位置；6、在PET和CT图像上进行特征提取；7、用在随机森林的算 法对肿瘤进行分割，将分割的结果与金标准进行比较，使用衡量准则量化检测结果。
[0028] 本方法的优点是结合肺肿瘤在PET图像上的新陈代谢信息和CT图像上的解剖信 息，利用PET图像上肿瘤亮度的单调下降特征、位置信息、边界的梯度信息和PET图像的标 准化摄取值（SUVs，Standarduptakevalues)的分布信息以及CT提供的人体结构信息，通 过随机森林（RandomForest)算法，自动分割肿瘤，使得分割的肿瘤更为准确，为今后肿瘤 的治疗打下基础。
[0029] 本发明提供的一种基于随机森林和单调下降函数的肺肿瘤的自动分割方法，先利 用肺肿瘤在PET图像上的亮度变化特征（单调下降）得到肿瘤的初始位置，然后通过特征 提取来充分利用肿瘤在PET图像的新陈代谢信息和CT图像的解剖信息，最后通过随机森林 算法实现肺肿瘤精确地分割。
[0030] 说明书附图
[0031] 图1为本发明的PET图像和CT图像；a为PET图像，b为与a相对应的CT图像；
[0032] 图2为本发明的流程图；
[0033] 图3为本发明和现有的IGC、RG40和RG50分割算法的DSC系数对比图。
【具体实施方式】
[0034] 下面结合附图对本发明作更进一步的说明。
[0035] 如图1所示，本发明的肺肿瘤分割方法首先进行PET、CT图像数据的采集，通过对 PET图像进行上采样，以及对PET和CT图像进行仿射配准，使PET和CT图像上的像素点一一 对应。在临床肿瘤学家的帮助和监督下获得肿瘤的金标准。先通过阈值分割的方法和单调 下降（Downhill)函数初步确定肿瘤的位置，然后在PET和CT图像上进行特征提取，最后利