CT胸片中肺部病灶區的自適應檢測與定位

程 靜，李 資，徐立軍

(1.新疆大學電氣工程學院，烏魯木齊830047;2.新疆工業高等專科學校，烏魯木齊830091)

1 引言

近年來，根據世界衛生組織定期公布的資料顯示，肺癌的發病率和死亡率在世界各國均呈明顯上升的趨勢，在許多發達國家肺癌是最常見的惡性腫瘤之一，成為惡性腫瘤中最常見的死亡原因。另一方面，由于CT的普及和檢查價格的降低，越來越多的患者選用CT進行腦部、胸部或乳腺等部位病情的診斷。

采用基于邊緣檢測的方法［1-5］，結合CT胸片中病灶區本身的特點，在對原圖像提取肺實質后與健康肺實質圖像進行比對，然后進行邊緣檢測和形態學膨脹，再對其在水平和垂直方向的邊緣密度投影［6-7］選用一種自適應算法，能有效檢測定位得到病灶區。另外，在圖像處理的過程中，通過各種圖像處理操作，能使病灶區更加清晰的呈現，為醫生的精確診斷提供更準確的圖像依據。

2 CT胸片中肺部病灶區的特點

CT圖像是以不同的灰度來表示，反映器官和組織對X線的吸收程度，黑影表示低吸收區，即低密度區，如肺實質;白影表示高吸收區，即高密度區，如肋骨、脊椎骨［8-9］。健康的肺實質從二值化后的圖像上看應呈現全黑影，若有病變，則肺實質中必然會出現黑白相間的陰影或肺實質形狀殘缺不全。因此，從這個角度去分析圖像，有陰影的區域必然存在病變。進一步，從病灶區的特征來判定，根據病灶區的二值圖像出現空洞、呈現網狀、索條狀、粟粒狀等病灶情形，可進一步識別病理為肺癌、膿腫、肺炎、結節病等［10］。

對提取了肺實質的圖像進行檢測定位的一個難點是:在CT圖像中血管也會呈現白影，因此血管密集區的水平投影和垂直投影都會對病灶區的檢測定位造成干擾，并可能產生誤判，如圖1和圖2所示。

3 病灶區的自動檢測定位

3.1 圖像預處理

由于彩色圖像處理的復雜性，先將圖像進行灰度化處理，然后進行旋轉、裁切，提取其中的肺實質部分。對肺實質圖像，再進行以下操作:

1)對比度增強和灰度變換處理

為了使圖像具有高的對比度，像素點分布在很寬的灰度級范圍上，同時像素也均勻分布，還需要進行圖像的對比度增強和灰度變換處理［11］。增強對比度可直接使用自適應對比度增強，也可通過觀察顯示圖像的直方圖，選取直方圖中波谷的位置作為灰度變換的門限值。主要程序語句如下:

I_adp=adapthisteq(I);%增強對比度figure，imhist(I)，title(＇直方圖＇);%灰度變換灰度變換可將圖像的灰度值重新進行映射，大大提高圖像的亮度，也使得圖像灰暗部分的動態變化范圍大大增加，從而使細節內容更容易觀察［11］。

2)二值化處理

通過二值化處理，使用具有一定形態的結構元素來度量和提取圖像中的對應形狀，從而對圖像進行分析和識別。對灰度變換后的圖像，可根據直方圖選取某一閾值將圖像二值化［12］(如圖2)。二值化處理可用im2bw()函數實現:

BW=im2bw(I，’threshvalue’);

3.2 病灶區的自動檢測

為了找出病灶區，首先創建一個健康的肺實質模型，將患者的肺實質與健康的肺實質模型進行比較，即可找到病灶區(如圖3)。對病灶區的自動定位，主要依據病灶區的特征，將陰影區域進行合并和濾波操作，得到候選的病灶區，再將其進行水平投影和垂直投影，確定病灶區的精確位置，并將其定位。

自動檢測定位具體算法流程如下:

1)將患者的肺實質與健康的肺實質模型進行比較對比，得到病灶區圖像，膨脹后得到膨脹圖像(如圖4)。主要采用下述語句實現圖像膨脹:

I_dilate=imopen(I，se2);

figure，imshow(～I_dilate)，title(＇膨脹操作效果＇);

2)塊處理。將一定距離范圍內的邊緣像素點進行合并，構成一個稱為“Box”的結構，其中同時記錄了結構中所有邊緣點的數量以及恰好包含這些邊緣點的矩形區域的左上角和右下角坐標。塊處理的操作可用如下程序語句實現:

3)對以上操作獲得的“Box”進行過濾，由病灶區的特征得到病灶區域。如:去除包含較少邊緣點的“Box”;去除面積過小的“Box”。經過過濾后的“Box”所在的矩形區域，即認為就是病灶所在的區域。

4)進行水平和垂直投影，如圖5所示。取其中峰值最大的那組值周圍的某一區域即為病灶區，將其定位標注出來。而對于其他峰值周圍的區域可看作是干擾，將其忽略刪除即可。主要采用下述程序語句求得水平投影和垂直投影:

%水平影和垂直投影

%病灶區的檢測定位(見圖6)

3.3 病理的識別

對于自動定位出病灶區的圖像，可根據病灶區的特征來進一步診斷。根據病灶區的二值圖像出現空洞、呈現網狀、索條狀、粟粒狀等病灶，可進一步識別病理為肺癌、膿腫、肺炎、結節病等等［6］。

4 實驗結果及總結

用上述方法進行了大量患者CT數字胸片的實際測試，對病灶區定位的準確度可達95%以上。因此用該方法進行病灶區的自動定位是行之有效的，并且使得檢測定位更加快捷、準確。進一步，可以充分利用檢測定位結果，對病理進行自動識別。對于空洞、肺部不張等病情可用形態學膨脹和連通域操作等圖像處理方法進行識別;而對于網狀、索條狀、粟粒狀等肺部病變，可采用模式識別的方法來具體診斷，這些方面的研究有待進一步充實和完善。

［1］ 姚剛，劉勇，夏道平，等.一種自適應梯度幅值的邊緣檢測算法［J］.計算機與數字工程，2010，38(11):17-21.

［2］ 黃永慧，潘保昌，梁堅，等.一種自適應唇區檢測及定位方法［J］.計算機工程與應用，2010，46(21):17-20.

［3］ 溫紅艷，董曉倩.基于膚色與邊緣特征的人臉定位檢測算法［J］.桂林電子科技大學學報，2010，30(3):212-215.

［4］ 蒲東兵，塔娜，馬志強，等.一種實用監控系統的人臉檢測定位算法［J］.東北師大學報(自然科學版)，2009，41(1):40-43.

［5］ 姚軍，蔣曉瑜，黃應清，等.一種基于自適應閩值與邊緣跟蹤的目標提取方法［J］.裝甲兵工程學院學報，2004，18(4):55-57.

［6］ O R Vincent，O Folorunso.A Descriptive Algorit-hm for Sobel Image Edge Detection［C］.//Proceedings of Informing Science＆ IT Education Conference(In-SITE)，2009.

［7］ Sato T，Kanade T，Hughes EK，et al.Video OCR for digital news archives［A］.Proceedings of IEEE International Workshop on Content-based Access of Image and Video Database(CAVID’98)，1998，52-60.

［8］ 孔曉榮，史延新，孔祥斌.醫學圖像分割處理技術的應用［J］.蘭州大學學報(自然科學版)，2009，45(F06):160-164.

［9］ 彭志剛，李石玲.多層螺旋cT在中央型肺癌診斷中的應用［J］.河北醫科大學學報，2008，29(6):950-952.

［10］ 張國楨.實用胸部CT診斷學［M］，上海:科學技術文獻出版社，1994.

［11］ 岡薩雷斯.數字圖像處理(第二版)［M］.北京:電子工業出版社，2003.

［12］ 徐飛.MATLAB應用圖像處理［M］，西安:西安電子科技大學出版社，2002.