[发明专利]基于多投影图像配准的肺结节检测方法

摘要

基于多投影图像配准的肺结节检测方法，经过候选结节的初始检测与精确分割、候选结节的特征提取及分类、候选结节的配准和利用配准信息除去假阳性结节等步骤，最终实现肺结节的检测。本发明提出一种利用同一病人多投影图像中相近位置的候选结节互信息的配准方法，由此来减少检测结果中假阳性结节的数目。实验结果表明，本文提出的多投影图像肺结节配准算法能有效提高结节的检测性能。

主权项

基于多投影图像配准的肺结节检测方法，其具体步骤是：一、候选结节的初始检测与精确分割（1）候选结节的初始检测：采用图像特征分析的方法对肺进行分割，首先，通过比较肺顶部及胸腔轮廓二阶导数的第一个和第二个最小值来决定肺顶部及胸腔的左右边界；然后，分别对肺的顶部、左侧及右侧轮廓线进行拟合，并最终确定胸腔轮廓；接着，使用边界梯度分析方法确定右侧纵隔的边界，再从左侧纵隔的中间区域开始，搜索边界的起始点，进而搜索纵隔的左边界，最后，分别对纵隔的左右边界进行曲线拟合，胸腔轮廓与纵隔边界之间的区域定义为肺区域；在增强后的图像中，使用多阈值分割方法来获得初始候选结节；最后，将两尺度增强图像多阈值分割处理后获得的二值图相加，相加后的图像中像素的值为该像素在多阈值分割图像中值为“1”的次数的总和。如果相加后图像中某点的值大于等于3，则该点被定义为结节区域，否则为背景区域；（2）基于动态规划的候选结节分割在进行精确分割之前，首先利用原始图像中候选结节的中心位置生成待分割的小图像，从候选结节的中心按照逆时针顺序向外均匀的画出长度为21像素的射线，将射线上的像素垂直地排列得到极坐标变换后的图像，在极坐标变换时，采用双线性插值算法来获得极坐标图像中像素点的灰度值，在极坐标变换后的图像中，结节的边界为一条近似水平的曲线，使用动态规划方法快速、准确的确定，动态规划方法确定的最优边界是由肺结节极坐标图像中所有列上的像素点组成，这些点连接起来就构成肺结节具 有最小累积代价的最优边界，候选结节的累积代价是该边界所有点局部代价的和，局部代价用来度量某一边界点与其相邻点的平滑程度及灰度变化的强弱；二、候选结节的特征提取及分类：（1）候选结节的特征提取：提取候选结节初始检测区域与精确分割区域的灰度、形状、纹理特征，及精确分割区域的对称性及位置特征；（2）特征选择与分类：在利用特征对候选结节分类之前，对特征进行选择，首先从特征集合中选择一个特征，该特征使结节与假阳性结节的类间距离最大，接着，加入新的特征，使得两类样本的分离程度S达到最大，当S到达指定的阈值35时，特征选择停止，此时，选择的特征为具有最优分类能力的特征；三、候选结节的配准：投影角度的不同造成同一个候选结节在三张图像中的横坐标位置有偏移，根据成像原理及检测误差，在相邻两张投影图像中寻找同一候选结节时，横纵坐标的误差容许范围分别设定为30像素和5像素；图像配准主要有两大类方法，基于灰度的方法和基于特征的方法；在基于灰度的配准方法中，基于互信息的方法被广泛使用并具有较高的精度，互信息表明一个任意变量包含另一个任意变量信息的多少，用于衡量两幅图像中对应像素灰度值之间的统计相关性，互信息用熵来描述为：I(A,B)＝H(A)+H(B)‑H(A,B)其中，H(A)和H(B)分别是待配准图像A和B的熵，H(A,B)是它们的联合熵， H = - Σ a p A ( a ) log 2 p A ( a ) , H = - Σ b p B ( b ) log 2 p B ( b ) , H ( A , B ) = - Σ a , b p AB ( a , b ) log 2 p AB ( a , b ) , 互信息最大的两个候选结节被认为来自同一目标。先将PA图像中检测到的候选结节与3度图像、‑3度图像中的候选结节进行配准，然后，将3度图像中剩余候选结节与‑3度图像中剩余的候选结节进行配准，经过以上的处理，就完成了所有候选结节的配准；四、利用配准信息除去假阳性结节:在候选结节配准后，如果一个候选结节在三张图像中出现的次数大于等于2，则这个候选结节被作为“真实”结节而保留下来；否则，该候选结节被去掉。