基于肺部CT的腫瘤形態與紋理的三維變化檢測

熊　婷,黃紹輝,黃曉陽,王連生,王博亮

(廈門大學信息科學與技術學院,福建廈門361005)

基于肺部CT的腫瘤形態與紋理的三維變化檢測

熊婷,黃紹輝*,黃曉陽,王連生,王博亮

(廈門大學信息科學與技術學院,福建廈門361005)

摘要：提取4個階段肺部腫瘤CT圖像的腫瘤區域,進行三維重建,計算三維腫瘤的形態特征參數和紋理特征參數,研究這兩部分參數與腫瘤的變化關系．基于體素和Quick Hull算法計算出腫瘤的形態特征參數,結合灰度共生矩陣計算出4個階段三維腫瘤的紋理特征參數,組成判別腫瘤三維變化的特征參數組合．實驗結果證明,形態特征參數可以判斷腫瘤的體積大小變化,紋理特征參數可以判斷腫瘤內部活性變化．肺部腫瘤在治療階段體積大小發生了先變小后變大的變化,腫瘤紋理均勻性和粗細程度也發生了變化,在階段Ⅲ體積和最長徑的值最小,共生矩陣的能量、熵值和逆差分矩最大,這說明腫瘤最小且內部發生了壞死,這與臨床結論相一致,為進一步指導腫瘤療效評估奠定了基礎．

關鍵詞：肺部腫瘤;CT圖像;Quick Hull;紋理特征;灰度共生矩陣

肺部腫瘤是當今世界上最常見的內臟惡性腫瘤之一,對人群健康和生命造成了極大的威脅．根據資料顯示[1],在2012年就有超過74萬人死于肝癌,而且發病率還在呈拋物線式上升．因此,對肺癌的診斷效果和如何防治已經引發了世界醫學界的極大關注[2]．

腫瘤療效評價是決定病人繼續治療與否的依據[3],現在采用的實體瘤療效評價標準多為RECIST標準,即基于CT影像測出腫瘤的最大徑,根據最大徑判斷腫瘤大小的變化．但實際上,CT影像提供的不僅僅只是腫瘤大小的變化,還可以根據各個部位的CT值判斷出灰度變化和紋理變化．事實證明,除了大小變化,紋理特征在一定程度上也能反映腫瘤的變化,這對于腫瘤療效評估也是有效的．紋理是自然界所有物體表面的一種基本的屬性,可以作為描述和識別物體的重要特征．在醫療領域,基于CT影像的紋理特征主要被用來分類．譬如陳秋霞等基于灰度共生矩陣計算出11個乳腺腫瘤超聲影像的紋理特征參數,來對腫瘤進行良性惡性的判別．馬長東等將紋理特征分析應用在基于正電子發射計算機斷層掃描成像系統(PET/CT)圖像分析的腫瘤治療效果研究中,獲取腫瘤的共生矩陣特征參數,嘗試由紋理特征對治療結果作出預測．但是這些研究都是基于二維層面的CT影像,而事實上,三維影像表現的信息更多也更全面．

本文基于腫瘤的三維形態分析和三維紋理分析,對同一病人不同時期的4組腫瘤平掃CT影像數據的變化進行分析,提出一個三維腫瘤變化檢測系統.首先引用了腫瘤療效評價的RECIST標準,將腫瘤最長徑的測量擴展到三維層面,利用Quick Hull算法算出腫瘤三維形態的最長徑,并基于體素計算出腫瘤的體積,將這兩組數據作為形態分析的參數．為了更進一步分析三維腫瘤的變化,本文還增加了三維紋理特征參數,將每組CT影像三維重建,分割出腫瘤部分,對其進行紋理分析．傳統的應用于醫學影像的紋理分析方法主要是灰度共生矩陣[6-7],所以本文考慮將CT影像和灰度共生矩陣相結合,計算出紋理特征對三維腫瘤進行分析．圖1是三維腫瘤變化檢測流程圖．

DICOM:digital imageing and communications in medicine,ITK:insight segmentation and registration toolkit.圖1　三維腫瘤變化檢測流程圖Fig.1Flow chart of 3D tumor change detection

1基于體素和Quick Hull算法的三維腫瘤形態分析

1.1實驗數據介紹

本文的實驗數據來自廈門某醫院同一病人4個時期的平掃CT影像,階段Ⅰ的CT采集時間為2013年7月4日,階段Ⅱ時間為2013年9月25日,階段Ⅲ時間為2013年10月15日,階段Ⅳ時間為2013年12月3日．每個階段的樣本大小均為512×512,CT值從-1 024～3 071 Hu，共4 096個級別,分割后的腫瘤CT值在0～255 Hu之間．

1.2Quick Hull算法介紹

本文在計算腫瘤的三維最長徑中采用三維凸包算法中的Quick Hull算法[8],先初始化一個四面體,然后在每輪迭代處理中,將三維點集中的任意一點p加入到當前凸包中去進行判斷是否在凸包外,如果是則生成新的三角面,從而得到最終的凸包．

1.3基于體素的體積計算

為了排除肺部其他部分對腫瘤變化分析的影響,將腫瘤部分用基于ITK的區域增長和閾值分割的方法分割出來,并用VTK(visualizationtoolkit)來三維重建,如圖2和圖3所示．

圖2　原始肺部CT圖像(白色箭頭所指部分為腫瘤)Fig.2Lung CT (arrow indicates the tumor)

圖3　分割后的腫瘤三維重建Fig.33D reconstruction of the tumor

采用基于擬蒙特卡羅(quasi-Monte-Carlo)的方法測量腫瘤的體積,首先選取隨機點在圖像內進行隨機分布,并且給每個點設置坐標系定義空間坐標．我們將分割出來的背景的灰度值定義為0,由圖3可以看出,腫瘤區域的灰度值并不為0,由此可以根據每個坐標處點的灰度值來判斷該點是否在腫瘤區域內．再統計腫瘤區域內的坐標點的數量和所有坐標點的數量比例,乘以該圖像的面積,便可以得到腫瘤部分的面積Si．最后利用公式(1)算出體積．

(1)

對4個階段的CT序列分別提取出肺部腫瘤進行三維重建,然后計算出階段Ⅰ～Ⅳ腫瘤體積分別為4.74，8.70，4.92，8.35cm3，可以發現,4個不同時期的腫瘤先變大后變小又變大,在階段Ⅰ最小,階段Ⅱ最大．為了更進一步地分析腫瘤的形態變化,本文接下來引用了RECIST中的最長徑的定義．

1.4基于Quick Hull的最長徑計算

當前使用較多的實體瘤療效評定標準是RECIST[9],RECIST以單徑測量法取代了原來的世界衛生組織(WHO)標準的雙徑測量法,臨床醫生在CT圖片中找出病灶,并測量出腫瘤的最長徑,對腫瘤療效進行評估,如圖4所示．但是因為病灶邊緣不規則,人為測量誤差很大,并且二維層面的測量也不能完全表現出腫瘤的變化．所以本文采用基于QuickHull來測量出腫瘤的三維最長徑．

圖4　測量病灶最長徑Fig.4The longest diameter of tumor

圖5　腫瘤三維凸包Fig.53D hull of tumor

將腫瘤分割三維重建后,將其看成一個空間散亂點集,得到腫瘤每個體素的三維空間坐標,將三維點集記成P,通過QuickHull算法構造出P的凸包形狀,如圖5所示．計算腫瘤三維最長徑,即計算三維點集P的最遠點對的距離,使用QuickHull算法構造出P的輪廓,可以排除所有處于凸包內部的點,計算量大大減少,這是因為點集P的最遠點對一定在其凸包上[10]．

通過計算,我們可以得出4個階段的CT數據構建出的腫瘤的三維最長徑,并和臨床醫生給出的二維最長徑作比較,如表1所示．通過實驗結果可以看出,三維最長徑的變化結果總體與二維變化趨勢一致,并和體積大小變化成正比．三維最長徑的測量消除了人為測量的誤差性,并比RECIST標準的最長徑更立體,因為腫瘤并不是平面而是立體,所以三維最長徑的測量更具有實用性,本文將三維最長徑的值加入腫瘤變化特征參數中．

表1　最長徑對比結果

2基于灰度共生矩陣的三維腫瘤紋理分析

2.1灰度共生矩陣介紹

灰度共生矩陣是有關圖像灰度的二階統計度量,主要是基于空間兩兩像素點之間的灰度值來提取紋理特征,其可以反映出圖像灰度分布有關局部鄰域、方向、變化幅度等的綜合信息[11]．定義P(i,j,d,θ)為圖像的灰度共生矩陣,其中i、j表示兩個灰度值,d是兩個像素點在方向θ下的間隔距離．P(i,j,d,θ)的計算公式如公式(2)所示．

P(i,j,d,θ)={(x1,y1),(x2,y2)∈M×

N|f(x1,y1)=i,f(x2,y2)=j)}，

(2)

其中,M×N是圖片f(x,y)的大小,(x1,y1)與(x2,y2)距離為d,且兩者與坐標橫軸的夾角為θ,P(i,j,d,θ)的值則表示一個灰度值為i,另一個灰度值為j的兩個距離為d的像素對在角θ的方向上出現的次數．

2.2腫瘤紋理特征提取

無論是WHO還是RECIST腫瘤療效評價標準,它們都有一個共同的特點,即忽略了治療后腫瘤內部有可能存在壞死的情況,只考慮腫瘤體積變化的大小,無法更全面的體現腫瘤的變化．本文考慮腫瘤內部壞死這一情況,在分析腫瘤形態變化的基礎上,再進行腫瘤的紋理變化分析．

重建后的三維腫瘤不僅提供了腫瘤每個像素點的空間坐標信息,還提供了每個點的CT值信息.考慮到醫學圖像的特殊性,在進行紋理分析時,本文采用的不是圖片的灰度值,而是CT值．某物質的CT值等于該物質的衰減系數與水的吸收系數之差,再與水的衰減系數相比之后乘以分度因素,它反映了物質的密度,CT值越高相當于物質的密度越高．本文利用CT值這一性質,來分析腫瘤內部壞死情況和紋理變化信息．

表2　腫瘤三維變化分析結果

本文將灰度共生矩陣推廣到三維空間,并和CT值相結合,計算出CT共生矩陣．定義P(i,j,d,θ)的計算公式如公下:

P(i,j,d,θ)={(x1,y1,z1),(x2,y2,z2)∈

M×N×L|f(x1,y1,z1)=i,

f(x2,y2,z2)=1)},

(3)

其中,f(x,y,z)表示空間坐標為(x,y,z)的像素點的CT值,單位為Hu．

三維空間中緊密分布的一個點集合中的一個點周圍有26個與之相鄰的相鄰點,所以本文考慮采用26個方向來計算出P(i,j,d,θ),均一化得到p(i,j,d,θ),再對各特征參數求平均．

共生矩陣并不能直接反映紋理特征,本文主要利用下面4個統計量來描述紋理特征．

logp(i,j,d,θ),

p(i,j,d,θ),

[1+(i-j)2].

對4個階段的CT數據分別進行腫瘤的26個方向CT共生矩陣計算,得出上面4個統計量,結果如表2所示．

能量EENE的值主要反映圖像紋理的粗細,通過表2的結果可以看出,階段Ⅲ的數據腫瘤能量值最大;熵EENT的值反應了圖像紋理的復雜度和均勻度,階段Ⅲ的數據EENT值最大,這說明了階段Ⅲ的腫瘤紋理最為復雜且密度不均勻;GCON主要是反應了紋理的清晰度和溝紋的深淺度,階段Ⅳ的GCON值最大說明這一組的腫瘤紋理溝紋較深且清晰;最后一個統計量HIDM主要和圖像紋理的平滑度有關,圖像紋理變化得越規律越平滑,HIDM值就越大．

3實驗結果及分析

分別對這4個階段的數據進行體積、最長徑、CT共生矩陣等計算,可得出結果如表2所示,并為了更好的進行比較,額外加入了腫瘤部分的CT平均值這一參數．

由表2的數據可以發現,階段Ⅲ數據的能量值、熵值、逆差分矩值最大,體積、最長徑、CT平均值、對比度值最小,而階段Ⅳ恰恰相反,最長徑、CT平均值、對比度值在4個階段數據中最大,其余3個統計量則最小．階段Ⅰ數據和階段Ⅱ數據對比,除了體積和GCON變化較大,其他幾個參數變化都不大;可以看出,階段Ⅱ的腫瘤明顯變大,但紋理幾乎沒有變化,腫瘤內部也沒有發生壞死或鈣化的情況;階段Ⅲ腫瘤再次變小,而且紋理發生了明顯的變化,紋理最為復雜且密度不均勻,這說明腫瘤內部發生壞死,腫瘤情況好轉;階段Ⅳ的腫瘤再次變大,而且CT值上升,腫瘤惡化．這一分析情況與臨床結論相吻合．

4結論

本文結合形態分析和紋理分析,主要基于Quick Hull算法和灰度共生矩陣,提出了一個三維腫瘤變化檢測系統．首先對一個序列CT圖像進行分割,提取出肺部腫瘤區域,并基于VTK進行三維重建,利用RECIST腫瘤療效評估標準中的最長徑定義,算出腫瘤的體積和三維最長徑,以此對腫瘤進行形態分析．之后利用醫學圖像中的CT值含義,結合灰度共生矩陣算出4個階段的紋理特征參數,對腫瘤進行紋理分析．依次對同一病人4個時間階段的CT數據進行處理,從大小和CT變化兩個層面對腫瘤變化進行分析,得到最終的實驗結果．

實驗結果證明,在評估腫瘤療效時,除了從腫瘤大小變化來判斷,還可以從CT值變化導致的紋理變化來輔助評價．腫瘤變小和腫瘤內部壞死均說明腫瘤有所好轉,是否變小可以從體積和最長徑的數值變化來判斷,腫瘤內部是否壞死則可以從紋理的變化來分析．EENE、FENT和HIDM的值越大說明腫瘤紋理越粗、復雜度越高且密度越不均勻,腫瘤內部趨向壞死液化;GCON和CT平均值越大說明腫瘤溝紋越深且清晰,腫瘤密度變大趨向鈣化．這一特征參數可以對臨床腫瘤療效評估提供輔助性的幫助,當腫瘤大小變化不明顯時,可以考慮從紋理特征來進一步分析腫瘤的活性,進而對腫瘤是否好轉進行全面的判斷．

參考文獻：

[1]LINDSEY A T,FREDDIE B,REBECCA L S,et al.Global cancer statistics,2012[J].CA Cancer J Clin,2015(1):5-29.

[2]GEOFFREY D,RUBIN J K,et al.Pulmonary nodules on multi-detector row CT scans:performance comparison of radiologists and computer-aided detection[J].Radiology,2005,234(1):274-283.

[3]陳智偉,廖美琳.RECIST標準在腫瘤治療療效評價中的應用[J].中國腫瘤,2004,13(10):616-618.

[4]陳秋霞,向軍,劉奇，等.乳腺腫瘤超聲圖像紋理特征分析[J].激光雜志,2014,35 (3):65-67.

[5]馬長東.基于PET/CT圖像分析的腫瘤治療效果研究[D].濟南:山東大學,2012.

[6]阮秋琦.數學圖像處理學[M].北京:電子工業出版社,2001:390-428.

[7]BHARATI M H，LIU J J，MACGREGOR J F.Image texture analysis methods and comparisions[J].Chemoetrics and Intelligent Laboratory Systems,2004,72(1):57-71.

[8]江建.尋找平面上點的凸殼[J].重慶工學院學報(自然科學版),2007,21(9):15-17.

[9]張京晶,孟瓊,常巍，等.腫瘤臨床療效評價研究現狀與進展[J].癌癥,2010,29(2):250-254.

[10]曲吉林,寇紀淞,李敏強.一種確定點集最遠點對的最優算法[J].模式識別與人工智能,2006,19(1):28-30.

[11]郭德軍,宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業機械與木工設備,2005,33(7):21-23.

3D Change Detection of Pulmonary Tumor in Shape and Texture Based on Lung CT

XIONG Ting,HUANG Shaohui*,HUANG Xiaoyang,WANG Liansheng,WANG Boliang

(School of Information Science and Engineering,Xiamen University,Xiamen 361005,China)

Abstract:It is a challenging task to evaluate the tumor treatment effect from CT images,because the task mainly depends on experiences of doctors.For the purpose of establishing an objective evaluation method,a 3D tumor change detection method based on shapes and texturesis proposed in this paper.First,we reconstruct the 3D tumor in four periods using VTK,then calculate 3D tumor’s characteristic parameters,which are used to compare with the change of cancer during four periods.The experimental result shows that shape-characteristic parameters based on voxel and Quick Hull can be used to judge the size change of tumor,and that texture-characteristic parameters based on gray level co-occurrence matrix can be used to compare with the change of tumor internal activity.In period Ⅲ,the volume and longest diameter of tumor reaches the minimum;The energy,entropy and inverse-difference moment reach the maximum.This phenomenon explains that the tumor size is the least and the tumor becomes liquefied.This conclusion is consistent with the clinical validation.

Key words:pulmonary tumor;CT image;Quick Hull;texture features;gray level co-occurrence matrix

doi：10.6043/j.issn.0438-0479.2016.03.017

收稿日期：2015-05-08錄用日期：2015-08-26

基金項目：國家自然科學基金(61001144,61102137,61301010,61327001)

*通信作者：hsh@xmu.edu.cn

中圖分類號:TP 391

文獻標志碼：A

文章編號：0438-0479(2016)03-0401-05

引文格式：熊婷,黃紹輝,黃曉陽，等.基于肺部CT的腫瘤形態與紋理的三維變化檢測.廈門大學學報(自然科學版)，2016,55(3)：401-405.

Citation：XIONG T,HUANG S H,HUANG X Y,et al．3D change detection of pulmonary tumor in shape and texture based on lung CT.Journal of Xiamen University(Natural Science)，2016,55(3)：401-405．(in Chinese)