文摘

世界上三分之一的人口被认为是感染了结核分枝杆菌(结核病)和新感染发生的速度每秒。结核通常攻击肺部。蛀牙在肺上叶的迹象显示了很高的感染。传统上,它已经被医生手动检测。但是自动技术提出了关注疾病的准确检测计算机断层扫描(CT)使用计算机辅助诊断(CAD)系统。各种检测过程包括以下步骤:(i)图像预处理,通过调整等技术,屏蔽,高斯平滑,(ii)图像egmentation实现通过使用均值漂移模型和梯度向量流模型(预防),(iii)特征提取,可以通过梯度逆变异系数和循环测量,并使用贝叶斯分类器分类(iv)。实验结果表明,检测腔非常准确的完美低误判率(玻璃钢)。

1。介绍

尽管已经采取了许多有效的方法来减少结核病的影响,这是一个第三高额定疾病导致死亡以来每年x射线用于检测过程。结核空洞锁骨附近不会出现在x射线。所以,剂量评估对患者可能会出错,导致耐药性问题。为了克服这个问题,自动分割技术提出了利用CT图像。梯度逆变异系数和循环措施用于分类检测特性和确定真正的结核病蛀牙。

感染阶段的分类根据其强度是非常重要的从疾病中恢复阶段的基础上的感染水平(1]。胸片是主要的检测工具(2]。结核病诊断通常发生在皮肤、血液、和成像测试。在常规诊断、皮肤和血液测试的潜伏阶段的病人不会显示症状的疾病。CXR往往被当病人显示肺部并发症。结合影像学和人口/临床数据可以帮助医生决定传染性结核病的可能性(3]。

手动检测结核空洞是通过看x射线由医生/技术员/ CT图像。所以通过肉眼观察图像的有更多机会错误的蛀牙的强度预测。因此,因为这个错误预测的蛀牙,医生可能不开正确剂量的药物。他们可能会开出高或低剂量的药物。如果剂量太高会导致各种不良影响,如引起其他疾病。如果病人剂量太低无法轻易很快从疾病中恢复。的准确检测蛀牙必须完成准确的处方的药物使用正确的剂量完全摆脱疾病。

因此这项技术执行准确检测蛀牙,因此它使用正确的医生开出的药剂量;因此患者完全可以从疾病早日康复。结核菌素皮肤试验(TST)或结核菌素皮内试验的标准方法是决定一个人是否感染了结核分枝杆菌。可靠的管理和阅读测试需要标准化的过程的培训,监督和实践。一些人可能对结核菌素即使他们不是感染了结核病。但是,在某些情况下,个人不得对结核菌素即使它们感染了结核病。这使得检测过程复杂。通过该技术,寻找他们的强度,可以减少复杂性和疾病可以直接识别和准确。

本文从CT图像准确地检测结核空洞CAD系统。目前,结核病的检测腔CT图像主要是进行视觉上的放射科医生根据自己的知识和经验。计算机辅助检测(凯德)和计算机辅助医学诊断(CADx)过程中协助医生对医学图像的解读。在x射线成像技术,核磁共振成像(MRI)和超声诊断产生大量的计算机断层扫描。CAD技术结合人工智能和数字图像处理的元素与辐射图像处理。典型的应用程序在肿瘤的检测。

CAD系统通常用于一些世界各地的医疗机构。它帮助放射科医生检测异常。所有商业计算机辅助检测系统使用特定的阈值来确定是否最终确定可疑区域列为积极的结果,经常和这些系统的性能是评价的基础上,基于案例灵敏度实现在给定的假阳性检出率。是发达的诊断各种疾病,已成为常用的常规诊断程序,比如乳腺癌和肺癌的诊断(4]。

尽管许多技术提出了分段肺字段(5,6),自动检测结核空洞的CXRs尚未充分研究。先前的研究人员致力于区分CXRs异常和正常的使用纹理特性(7,8];然而,他们的方法并不旨在找到蛀牙。在本文中,我们提出一个方法来自动分割和分类结核病从数字CTs蛀牙。我们的方法可以应用独立或作为一个额外的步骤之前的方法,为医生提供更多的信息关于疑似结核病。

传统上,x射线被用于检测过程。x射线只会产生一个二维物体的阴影。它没有提供任何细节。x射线通过几乎任何身体软组织,从而创建一个灰暗的印象在底片上的骨头。影子将提供一个完整的图片对象的形状,这样就避免了细节。x射线创建以来只有一个影子,可能是较小的骨头会失色了较大的阴影。结果,蛀牙锁骨附近不会出现在x射线。因此,这是一个艰巨的任务,医生开处方。所以,CT扫描技术的使用是为了生成一个三维图像的二维x射线照片,一条狭窄的切片。CT扫描轴向图像,因此需要这些编译在一起,和再现如何组织和器官在身体内部,帮助医生到达准确的诊断。 By following this technique, intensity of infection would be accurately determined. The patient can be verified for complete cure, and the treatment can be suspended [9]。

图1代表x线和CT图像之间的区别。通过分析图像,我们可以很容易地推断箭头所示的蛀牙的x射线图像不清楚,不能正确看待。但是,在CT图像中箭头显然表明了蛀牙。

蛀牙的出现在肺上叶——高感染的疾病。在医学图像分割是一个重要的过程分析和分类特别是放射性评价或计算机辅助诊断。图像分割是指把图像分割成不同的区域组成的邻居像素基于某种预定的特定属性或特性的像素代表图像中的对象。换句话说,市场细分是一个像素分类技术,允许形成的区域相似性的图像(10]。图像分割方法大致可分为三类:boundary-based技术,提出技术和基于像素直接分类方法。在实践中,提出的方法主要是使用。他们通常非常快和容易操作11]。

以提高性能提出的方法和他们的结果,通常需要预处理技术。蛀牙的分割应自动完成的活动轮廓(AC)模型(或蛇)(12- - - - - -14)是常用的作为医学图像分割技术。ACs是计算机生成的曲线移动图像内找到对象边界。他们可以用来跟踪对象在时间和空间维度。他们可以很容易地操纵使用外部养狐业的力量。养狐业的力量用于推导出蛇,建模为一个物理对象具有抗拉伸和弯曲,向对象的边界。

养狐业的力量计算了扩散方程应用到这两个组件的梯度图像边缘地图。活动轮廓完成后的初始轮廓定位一个特定强度的腔。在这个初始轮廓法,均值漂移分割算法。交流模型捕获范围有限。它不能准确地收敛,除非指定一个初始轮廓接近感兴趣的地区。自多个结核腔可能感染肺,我们评估AC的性能模型在分割多个蛀牙。大多数交流模型的一个共同的缺点是需要定义一个初始轮廓接近感兴趣的区域(ROI)算法的进化和收敛。

各种预处理技术被用来去除CT图像正常或不相关的结构。然而,CTs的分析表明,该条件,如纹理和形状,在个人的肺可能发生显著的变化。因此,减法技术不能直接应用。处理复杂的纹理和多样的强度分布,聚类和自适应阈值方案加上一个健壮的交流模型应用于我们的方法来提取疑似蛀牙。真正的蛀牙然后区别于假阳性(FPs),使用贝叶斯分类器。自动分割和分类。我们相信,我们的工作是第一个尝试自动定位肺结核空洞与高精度和低玻璃钢CTs。在[15),作者提出了在显微图像技术来检测结核病。他们利用自适应阈值分割和形态学为基础,颜色,大小和过滤器(R-G)中删除不需要的数据集分割图像。

在[16)技术检测结核已经提出,基于二值化过程设置边缘的肋骨,梯度向量流模型分割和k - means算法分类。此外,在17],讨论方法检测结核Ziehl-Neelsen染色组织幻灯片图像。主动形状模型用于纹理分析。肺结核分析多级图像增强是自动检测的任务小结节,这将有助于肺结核的获得更多的信息。两个图像处理技术应用于肺组织信息识别。(1)提出了一种重复smoothing-sharpening技术及其影响评估肺有益提高x射线图像。(2)脊检测算法是正确诊断不定结节,允许早期治疗切除恶性结节和避免手术治疗良性结节的发病率和死亡率。拟议的技术一直在测试肺部x光图像(18]。

在[19),作者提出了一种有效而且腔的双尺度技术检测在胸片。Gaussian-based匹配、局部二进制模式和梯度方向特征应用粗尺度,而循环、梯度逆变异系数和Kullback-Leibler分流措施应用在小尺度。自动筛选结核病胸片的调查表明,结核病筛查是一项具有挑战性的任务和一个开放的研究问题20.]。

2。预处理和实验设置

本文中使用的材料的CT图像。他们会在分割之前进行预处理和分类的过程。图像预处理可显著提高光学检测的可靠性。预处理在各种情况下是非常有用的,因为它有助于抑制信息不相关的特定的图像处理和分析的任务。因此,预处理的目的是改善图像的数据抑制意外扭曲或增强了一些图像特征重要的进一步处理。虽然图像的几何变换(例如,旋转、缩放和翻译)也被归类为预处理方法,在该模型中,我们使用技术,如图像缩放,掩蔽,高斯平滑。

在图像缩放,图像的大小增加。所以,组成图像的像素越来越明显,使图像如图3。形象屏蔽必须移除背景(肺的外部区域)地区的形象。高斯平滑是为了提高对比度,同时减少造成的噪声复杂的纹理。这些图像通常有低对比度和复杂的结构。结核病腔周围的复杂的模式数据如图所示2。因此,很难直接应用这些方法不适应肺部感染结核。检查30图像预处理后,将创建一个面具来近似上较低的区域(ULZs),如图5。

预处理,预处理后图像如图4,的分割。它是通过两个方法,初始轮廓和活动轮廓。在初始轮廓的方法,这种技术称为均值漂移分割模型。均值漂移分割是归类为密度估计函数。在活动轮廓梯度向量流技术是使用。养狐业的力量用于推导出蛇,建模为一个物理对象具有抗拉伸和弯曲,向对象的边界。养狐业的力量计算了扩散方程应用到这两个组件的梯度图像边缘地图。他们可以用来跟踪对象在时间和空间维度。他们可以很容易地操纵使用外部养狐业的力量。

3所示。蛀牙分类模型

从许多其他分割方法在文献,提出我们的解决方案的初始化步骤是完全自动的,这是必要的,当大量的CTs需要检查。初始化是在三个阶段进行。在第一阶段,它处理图像的预处理。在第二阶段,它处理分割中设置阈值和像素进行聚类来定义初始轮廓疑似蛀牙的21]。在初始轮廓的方法称为均值漂移分割的技术模型。均值漂移分割是归类为密度估计函数。初始轮廓然后使用一个交流模型聚合获得通过细胞核分割算法。

在第三阶段,疑似结核病蛀牙是确诊或排除利用最优阈值在一个贝叶斯分类技术基于梯度逆变异系数(GICOV) [22)和平均循环测量(23]。如果锁骨附近出现一个空腔,空腔很可能是部分堵塞,使腔的可见部分违反循环标准。此外,在图相比5,radio-dense锁骨附近使肺的强度分布领域完全不同于其他的部分肺字段可能需要不同GICOV阈值。因此,如果没有确认腔锁骨地区在第二阶段,这些地区经过分割和分类阶段(第三阶段),使用新的GICOV和循环阈值计算。

蛀牙的概述分类模型在图6。在数据7(一)- - - - - -7 (f)在分类过程中,样例图像获得的步骤已经被证明。

3.1。图像预处理

图像中删除不需要的数据集是通过使用以下预处理技术:图像缩放,图像屏蔽,高斯平滑,无符号图像转换成双精度的图像。图像缩放通过最小化图像为300×200,因为正常的肺CT图像将超过1000×500。掩蔽在这样一种方式,有两个位图在实际的图像。未使用的区域是给定一个像素值与所有位设置为0。掩盖了图像,给出了图像区域像素值的位设置为0和周边地区一个值的位设置为1。

直方图均衡化是图像处理的方法对对比度调整。通过这种调整使用图像的直方图,可以更好的强度分布直方图。这允许局部对比度低的地区获得一个更高的对比度。直方图均衡化实现通过扩散最常见的强度值,这样的数据集将会更加清晰。使用高斯噪声,在每个像素的值是统计独立的。

3.2。图像分割

市场细分是指图像的过程划分成多个部分(像素的集合,称为超像素)。图像分割是用于定位物体和边界(线,曲线)的图像。这是分配一个标签的过程在一个图像,每个像素,这样具有相同标签的像素可以有类似的特征。均值漂移分割的初始轮廓,特征空间参数概率密度函数将被视为一个变量发生的可能性(概率在某个地区将被整合在一起,结果计算)。

虽然交流模型基于能量最小化是有效的分割方法,传统的交流模型有几个缺点:它们对初始轮廓的位置敏感,可以捕捉范围太小检测蛀牙,可能需要不同的参数值应用于指导收敛,和表现不佳的弱边缘(24]。处理这些问题和利用知识的边界结核空洞遵循dark-to-bright转换在CTs,我们将定向养狐业模型描绘疑似结核病蛀牙。这种交流模型表现良好对比度变化和弱边缘,因为多个蛀牙可以存在如图2。与其他交流模型相比,需要手动选择一个初始轮廓,我们使用均值漂移分割自动化初始轮廓的位置如图7 (b)并应用自适应阈值来控制聚类过程。意味着转移(25]是一个集群的特征空间分析技术相邻数据点使用一个小区搜索过程具有类似特征。

选择一个全球整个图像阈值不能产生精确的结果,因为不同的强度分布。在我们的自适应阈值的方法中,阈值需要由当地的图像属性。这不仅将反映社区的特征也存在结核病蛀牙。为了发现这样的一个属性,我们使用训练图像集进行实验。由于破坏肺组织引起的肺结核,肺的结构很可能是完全不同于其他在同一CT (26]。因此,不同的阈值应该被应用到个人肺根据他们的内容。

蛀牙的现有系统的检测已经完成通过使用CXR,蛀牙的锁骨附近很难识别。但在拟议的系统中,我们关注的是CT图像作为CT图像三维视图和准确的照片给蛀牙锁骨附近可以很明显,因此准确检测完成。该系统使用意味着转变和养狐业分割算法进行图像分割。

3.2.1之上。均值漂移分割算法

均值移位技术检测模式基于Parzen密度估计的概率密度函数,如下所示(26]: 在哪里的数量是维向量。的参数是内核的窗口半径。在图像分割中,每个像素的每个特征向量包含空间信息和相应的颜色/强度信息在一个或多个域的维度。

多元均值向量在任何点的转变可以计算为 考虑统一的内核,意味着改变向量可以从上面的方程计算得到平均计算的值的差异向量。所以,很明显,意味着改变向量归一化密度梯度成正比估计(27)如下: 在哪里可以计算为 均值漂移分割算法如下。输入。预处理图像输出。疑似区域的图像(图像圈部分)一步1。设置100×100像素作为种子点(平均值)一步2。初始化阈值一步3所示。计算的距离图像中每个像素的意思一步4所示。广场的距离值,检查是否比阈值较小;然后添加这些像素的集群一步5。集群中的计算新意思一步6。如果两个集群(集群)像素比阈值较小/ 2将其组织为一个其他的重复步骤3的步骤,基于新的意思一步7。得到所有的连接组件(补丁)在每个集群一步8。比较集群中的每个补丁和社区集群为每个像素数组中添加投票一步9。最后一组像素为集群都有更多的选票。

我们已经5作为阈值聚类的目的;即五次像素值与邻近的像素,然后组合在一起成一个集群。因此聚类是通过使用阈值。种子(意味着)是随机挑选的。这个种子点作为开始的意思。点是用于指向的位置。种子点可以120×100、150×200,等等。实验发现细分过程中显示时的性能提升种子点被选为100×100。

3.2.2。养狐业分割算法

梯度向量流(预防)框架定义了一个新井设计、双向标识对象边界的外力的方向和能处理凹区域。养狐业是一个替代的距离变换。与距离变换,一个二进制边缘地图是必需的;养狐业估计直接从连续梯度空间。同时,提供养狐业的扩散过程导致测量上下文而不是相当于距离最近的点。这是因为多个边界像素参与养狐业的估计。

高斯边缘探测器是用来定义一个基于连续边缘的数据空间。它也认为,均值为零,方差如下: 养狐业分割算法如下。输入。输出的初始轮廓输出。变形的形状圆一步1。变形形状(圆形改为压缩或拉伸形式)解决线性方程如下: 矩阵(从最初的轮廓) 向量场计算养狐业的力量一步2。插入上述变形形状使用养狐业力计算如果形状压缩太多删除一个邻居像素其他的添加一些像素之间的随机一步3所示。重复第二步的迭代和停止如果没有形状的变化一步4所示。给点颜色区分的圆的形象。

3.3。图像分类

结核空洞分割后的图像,他们使用贝叶斯分类器进行分类。分类的两个特点是:结核病腔的内边界dark-bright过渡和经常出现圆形的结核病腔CT。最好的代表两个特性,我们使用GICOV算法的内部边界特性和弧度形状特性(27]。

在贝叶斯分析中,先验概率是基于以前的经验。在这种情况下空腔和noncavity图像被认为是先验概率。

因此,我们可以编写以下: 这种分类步骤是用来检测腔在锁骨附近的地区。如果我们未能发现蛀牙在前面的两个步骤和蛀牙在这个地区发现不满足循环条件,高阈值用于分类。这个模型提供了检测框架,采用分类GICOV等措施,循环和混合方法确定结核病蛀牙。

3.3.1。梯度逆变异系数算法

让代表一个二维封闭轮廓参数化。如果表示一个图像,那么意味着图像的梯度在整个轮廓计算的外法线方向 在哪里是单位外法线的轮廓和的轮廓的长度是 方向信息的整合提供了优越的结果当等高线相交相邻对象边界。当蛇模型实现没有方向性,蛇可能会被吸引到一个强大的优势,有不同的梯度方向,可以从另一个对象合成。使用梯度算子分割/边缘检测工具是大大增强了方向信息的利用率(27]。

图像梯度的方差在整个外法线方向的轮廓计算n等于 重要的是要注意,即使对象边缘强度沿边界是不均匀的,在一个高度混乱环境统计(8在拒绝杂乱)很有效。考虑上述因素,我们可以定义GICOV 在哪里函数归一化因子。GICOV的算法如下:输入。阈值图像,疑似区域(圆)输出。畸形的形象一步1。计算每个点的GICOV价值董提出的基于数学模型等, 表示圆上的点 标准偏差的点 恒定值一步2。选择基于γ和圈子给定值一步3所示。发现局部最大值的像素GICOV值在每个圆一步4所示。重新计算上面的过程,直到值是常数。

3.3.2。循环测量算法

循环测量可以估计利用多边形的相似性度量。重要的是找出一个输入离散曲线之间的相似之处,一个真正的圆。最初,一个真正的圆的切线空间表示必须确定。循环测量可以定义如下: 在哪里。

估计的算法循环如下:输入。围绕区域输出。圈(有亮暗过渡)一步1。计算平均值曲线上点与点之间的可疑区域,这是梯度逆变异系数的输出模块。一步2。找出平均值的平方根曲线上的点。发现上面方差计算的值。一步3所示。找到平方根的最大值,这是上面的计算。一步4所示。计算循环因子,方差值除以最大(√)一步5。停止这种迭代点的重复值。返回主程序循环因素。

3.3.3。混合方案

在混合动力方案,我们GICOV算法用于内部边界特性和弧度形状特征分类。

4所示。结果与讨论

CT图像用于测试和培训的收集分类和分割Sree Moohambika医学科学研究所Kulasekaram, Trivandram医学院,印度。他们自由地收集研究的目的。我们使用54 CT图像,其中17个图片有蛀牙和剩下的图片没有蛀牙。

检测腔前处理的分类技术,图像的分割,初始轮廓是做过的活动轮廓。对于更大数量的CTs检查,这个初始轮廓的方法是不可能的。在计算机辅助系统中,方法是找到肺野的蛀牙,开始蛇进化。自动初始化步骤通过选择中点在每个图像的大致ULZ中间,初始化一个圆的半径三个像素作为一个初始蛇(26]。腔的检测CT图像和noncavity CT图像测试给一个准确的结果。因此这种技术处理蛀牙的准确检测。

图8显示了两个测试图像上使用我们的算法分割结果。蛀牙、活动轮廓和初始轮廓表示为红色,黄色和绿色的颜色。所有的初始轮廓(绿色圆圈)这种比较是自动生成,使用我们的方法28]。

4.1。绩效评估

我们有执行统计分析通过比较提出系统的性能与CXR图像和CT图像。表1比较系统的性能与CXR图像具有不同的特性。在表2、不同的特点被用于分类和图像使用CT图像。CT图像的实验,结果是已知(肺部感染结核病和不受影响)。正常组包含CT图像没有结核感染。noncavity集似乎已经蛀牙在手动检查,但实际上它是一个noncavity形象。所有集包含正常图像、腔图像noncavity图像。

上面的对比已经完成通过检查CT图像和CXR图像。首先,处理已经开始通过提供初始轮廓在每一个图像。然后分类已经完成基于GICOV,循环和混合方法。之间的混合方法显示了一个最佳性能与玻璃钢三0.143 /形象。另一方面,利率几乎是当使用两倍GICOV单独或循环。

两个CT测试图像的比较基于不同分类如图9。在左边的图片,GICOV单独生产2帧,而单独循环和混合方法只产生1《外交政策》。右边的图像显示,仅GICOV产生3帧/秒,循环就产生2 fps,混合方法产生只有1 fp。因此,在混合方法性能好。

4.2。培训和测试

要测试的数字图像复制到DICOM-format CAD服务器,我们准备和分析几个步骤。一步1。预处理是用来(一)减少错误的图像(b)图像降噪(c)平整清理图像的图像质量不同的基本条件一步2。市场细分是用来(一)分化的图像中不同的结构,例如,肺、胸廓,和可能的病变一步3所示。感兴趣的结构/ ROI(地区)分别分析每个检测到的区域(一)密实度(b)形态、大小和位置(c)参考附近的结构一步4所示。特征提取的(一)形状特征(b)内部边界特性一步5。贝叶斯分类(一)分类TP和FP的蛀牙。

4.3。方法的局限性

在图10有蛀牙,错过了我们的方法。这个问题是因为自动初始化失败将初始轮廓内的蛀牙。要克服这些失踪的蛀牙,等特性自适应阈值和基于模板的方案可用于未来。通过使用这些模板的方案,一直未能发现的蛀牙也会探测到。

5。结论和未来的工作

本文的方法自动结核病腔检测提出了CTs。到目前为止,没有自动算法开发可以从CTs准确地检测结核空洞。在这种方法中,意味着转变与自适应阈值分割技术集成自动化初始轮廓已经完成。这些初始轮廓进一步用于预防蛇模型段疑似特性。在随后的分类过程,应用GICOV和循环阈值。实验结果证明我们的方法取得了较好的准确性低的玻璃钢。