论文部分内容阅读
近年来肺癌呈高发态势,成为威胁人类健康的头号杀手,及早的发现和诊断是治疗肺癌的最好途径。早期的肺癌往往表现为结节形态,其特征往往表明该肺部病变的性质和预后,因此,检测出肺结节对于诊断肺癌有着重要意义。目前,肺结节主要是依靠胸部计算机断层扫描成像(Computed Tomography, CT)来检测,作为一种十分普及的医学成像设备,CT具有分辨率高,图像信息丰富等特点,对肺结节的早期检测具有重要价值,广泛应用于肺癌的检测诊断中。随着CT扫描技术的发展,可获得的影像分辨率不断提高,一个肺部CT序列往往包含数百张平片,仅凭医生肉眼识别肺结节,工作量大且枯燥,容易造成漏诊误诊,借助于肺结节计算机辅助检测CAD(Computer Aided Detection)系统对肺部图像中的结节进行自动检测识别可大大减轻医生工作量,辅助医生诊断,提高结节检测效率。肺结节的自动检测,目前已经出现很多研究工作,如:基于特征、基于先验知识及基于模板匹配的肺结节检测方法。这些方法直接对肺部CT图像中的肺结节进行检测,但在实际应用中,由于肺部CT影像包含了大量血管结构,其灰度与肺结节相近,易对肺结节检测产生很大干扰,从而影响肺结节检测精度。针对此问题,本文提出一个新的肺结节检测思路:首先去除肺部血管结构以减少其对结节检测的干扰,然后再进行肺结节检测,这将大大降低检测难度,提高检测精度。
本文在肺结节检测处理过程中,首先进行肺部血管结构增强,这是因为在肺部CT图像中,细小血管与背景的灰度差异并不明显,故要想正确提取出血管结构必须先对其进行增强,目前,构造基于Hessian矩阵特征值的滤波器来增强血管结构是比较常见的方法。由于肺部血管大小形态各异,从靠近肺门及心包的动静脉到末端的毛细血管,多次分级形成复杂的血管树形结构,单一尺度滤波器不能很好地增强不同大小的血管,因此,本文构建多尺度滤波器,在不同尺度下对数据进行滤波处理,此类多尺度滤波器可有效提取出各类血管的形状信息,并且在增强血管结构的同时抑制非血管结构如肺结节。对血管滤波增强的目的在于辅助血管分割,在得到滤波增强的血管结构后,再提取滤波增强图像的血管信息,将肺部血管从肺实质数据中分割出来,得到较为完整的血管树,将其去除之后便可得到肺结节,从而达到检测肺结节的目的。模糊C均值聚类(FCM)算法由于其简单、鲁棒性强等优点已经被广泛应用在医学图像分割中。在本文中,我们也选择了FCM方法对滤波增强后的血管进行分割,并将分割后的血管树从原肺实质图像中去除,从而得到仅保留肺结节的图像,实现肺结节的检测。本文的实验数据来自肺部图像数据库联盟(Lung Image DatabaseConsortium,LIDC)提供的数据库,结合多尺度血管滤波和模糊C均值聚类,本文实现了基于血管分割的肺部CT图像结节自动检测方法,对数十套标准CT序列进行了测试。程序代码由MATLAB和C++语言编程完成,实验结果显示,该算法在二维和三维CT肺部数据的结节检测中都是合理可行的,可以有效地辅助医生对肺结节的检测工作。