基于Dot-Filter粘附肺结节检测和提取中心线的算法

文摘

疑似肺结节检测方法提出了基于dot-filter和提取中心线的算法。在本文中,我们专注于区分粘附肺结节附加在二维(2 d)肺血管计算机断层扫描(CT)图像。首先,dot-filter基于海赛矩阵构造加强肺部CT图像的圆形区域,增强循环疑似肺结节和抑制行式。其次,检测nondistinguishable附加dot-filter肺结节,一个算法基于提取中心线是提高开发形成的圆面积的结束或头部血管包括线的交点。20集的CT图像被用于实验。此外,20真/假结节中提取被用来测试分类器的功能。实验结果表明,该方法基于dot-filter和附加中心线提取算法可以检测肺结节准确地说,这是一个基础为进一步研究肺结节检测和诊断。

1。介绍

肺结节小群众组织的肺,普遍发现在胸部和腹部CT扫描,和癌症,尽管他们中的大多数都是良性的(1]。肺癌是最大的恶性肿瘤之一在所有种类的癌症在我们的健康生活2,3),也在亚丁湾癌最常见的组织学类型(4]。近年来,患肺癌的人数迅速增加,越来越多的。显示了早期肺癌肺结节,可发现并处理计算机辅助诊断技术的帮助,这将延长肺癌患者的生命5,6]。计算机辅助诊断方案可以检测肺结节自动的CT图像和缺页率降低(5,7),尤其是在低剂量CT扫描(LDCT) (8]。

迄今为止,许多世界各地的研究人员正在致力于研究在肺结节检测,例如,结节血管和肺壁。然而,限制在肺癌发生的区分结节附着在血管成像正常血管,血管偷偷地潜入。利用腐蚀形态和扩张段的肺结节血管导致的腐蚀结节刺,恶性结节的估值(这是另一个重要指数9]。加权模糊c均值聚类为遥感图像分类开发,但需要一个给定数量的集群和容易陷入局部最小值而不是全局最优解(10]。方法基于EM和均值漂移或其中一个手段提出了检测结节,但是有很多条件需要考虑,和不完全符合实际情况11,12]。算法基于模糊综合活动轮廓模型和混合参数混合模型来检测肺结节提取粘附结节,但不排除假阳性的血管等。对像素的值接近的结节像素船,灰色的阈值和形态学操作中无法正常发挥作用,不能有效识别粘附结节(13- - - - - -15]。郭等人开发了一种基于多尺度增强肺结节检测算法过滤毕业生海赛矩阵和选择的熵,海赛矩阵是相对于灰度像素的CT图像,和毕业生熵也相对于灰度的像素16]。在孤独的肺结节检测,但它只能检测最可疑结节,不能排除假阳性,尤其是结束和船舶的横截面或气管。模板匹配方法可以用来提取疑似结节,但这将需要更多的人工干预和先验信息(17]。对于孤独的肺结节,地区经济增长可以获得良好的分割结果(3];区域增长分割结果是船的一部分没有分离和结节。基于支持向量机的方法来检测结节,运转良好,但它需要很长的处理时间和大量的工作18- - - - - -20.]。

肺结节类似于球形物体,和肺CT图像是二维。为了加强点的区域,快速而有效地抑制行式区域,提出了一个名为dot-filter的算法由Li et al。21]。然而,当它应用于检测肺结节,许多假阳性出现,如血管和气管的结束和横截面(16]。我们发现距离粘附结节中心或假阳性的中心线船舶、气管是不同的。在本文中,从他们的立场的关系,我们结合dot-Filter和提取中心线的算法,使用来确定哪些是结束或圆的容器,由主管线的交点。通过这种方式,我们可以单独的结节血管和气管有效地用更少的步骤。

2。材料和方法

2.1。算法的附着力肺结节检测

本文中使用的算法的流程如图1。首先我们把背景噪音从最初的CT图像,然后提取肺实质。其次我们使用高斯函数做卷积图像和一个平滑的图像。之后,我们可以使用dot-filter来增强点的地区获得可疑结节。最后,我们使用中心线提取算法分析可疑结节的位置的关系之间的血管和气管,用来识别粘附肺结节。

2.2。增强Dot-Filter的结节

2.2.1。Dot-Filter由海赛矩阵

医学CT图像,局部结构的增强滤波器广泛使用基于组织的形状。在2 d图像,我们使用点模型符合高斯分布来表示一个结节(21,22)以及线模型;这个方程表示为

在这里,代表一个点的表达式所表达的一个二维高斯函数;代表点和线的尺寸。因为不同的值,我们模拟图像的点和线,如图2(一个)。

李等人。21)建议dot-filter可以使用海赛矩阵由有效提取点的对象。对于一个原始二维图像,我们假设它有四个二阶导数,,,,在那里及其二维海赛矩阵

的值是一个像素的图像。假设的特征值是和和满足abs比。如果、交换。的和点和线的图像满足以下表达式:

增强dot-filter以下表达式所表达的是(21]:

在CT图像,如果一个肺结节的半径,根瘤的面积将占49.9%的高斯函数。如果它是,它的面积将占72.0%的高斯函数。如果,它的面积占99.0%的高斯函数。然后,结节的半径,我们用一个高斯函数这就等于表达得更好(16]。对肺结节的CT图像的位置是不同的,他们之间结节的规模是不同的。如果结节的规模的范围,在高斯函数。为了提高所有的目标范围内,我们使用不同的值σ在高斯函数光滑2 d CT图像首先;然后我们使用dot-filter由海赛矩阵提高目标区域。应该重复上述两个步骤次增加的规模从来获得增强CT图像。如果范围变得更大,将变得更大16,21]。在肺部CT图像,我们发现的价值等于5是更好的。在的范围,该算法获得的可以如下所示: 其中=。在每一个规模,我们可以获得一个最有效的增强的结节任命。

的步骤提取点的数量的尺度dot-filter如下:(1)根据结节的规模的范围我们计算的价值。(2)对于每一个,重复。(3)使用与二维高斯函数卷积。(4)对于每一个像素,重复。(5)计算和,。(6)计算。(7)停止计算。(8)选择最多的。

为了证明更好使用dot-filter和多样的价值的影响确定点的形状,我们用图2(一个)作为输入,输出显示为数字2 (b)和2 (c)。

图2(一个)由表达式(构造是一个图像1),不同的规模,有五个点和三行。的尺度在点是2、4、6、8、10像素。图2 (b)的形象,更好的确认点是增强一个dot-filter 10像素的规模。我们还发现,行不确定和点小于10像素没有巨大的产出。图2 (c)由四个dot-filters,图像增强的点等于2的规模,4,6,8,和10像素都有大量输出和抑郁。根据图2,我们可以证明dot-filter可以压低的行式与各种形状和价值它可以将所有目标区域提取更好。

2.2.2。应用Dot-Filter构造

像上面描述的那样,我们知道dot-filter可以提高有效点的区域。肺部CT图像,然而,在结束和船舶的横截面也点的形状,通过使用dot-filter将增强,导致更多的假阳性的外表。为了证明,我们构建三种类型的船模型,如单线模型,类型模型,类型模型如图3(一个),3 (d),3 (g)。红色标记的区域图像点的区域,这将被dot-filter增强。数据3 (b),3 (e),3 (h)被高斯平滑函数。数据3 (c),3 (f),3(我)被dot-filter图像增强。增强的地区,我们在数字标记3(一个),3 (d),3 (g)也称为可疑结节。由于许多人怀疑结节增强过程后出现dot-filter我们需要消除这些假阳性可能导致更多的计算工作。

现在,我们将使用上述Dot-Filter构造基于海赛矩阵肺部CT图像,结果显示在图4。肺CT图像是由一个大医院的肺结节检测基于dot-Filter和提取中心线的算法。

图4(一)是一个原始的肺部CT图像。图4 (b)通过分割肺段提取数字图像。图4 (c)是正确的肺段。图像中发现的蓝色箭头代表一个结节的医生。从图片我们可以发现有很多点的领域,比如孤独的附着在血管区域和点的区域,我们将为假阳性。图4 (d)由高斯平滑函数。不理想的增强感兴趣的区域(ROI)立即因为图像中有很多噪音,所以我们最好首先使用高斯函数旋卷。图4 (e)的增强是单独使用dot-filter结节和其他点的区域。在这张图片,我们不能确定哪些是真实的结节没有任何其他援助或算法,因为dot-filter只是增强了点的区域。有效区分点的区域是否结节或船只的一部分,我们将不得不使用中心线提取的算法。图4 (f)是一个肺部CT图像没有结节和图吗4 (g)肺段提取;数据4 (h)和4(我)由高斯函数图像平滑和增强dot-filter,分别。数据显示4 (e)和4(我),我们获得dot-filter能有效增强点的地区但导致许多假阳性出现。

2.3。算法提取中心线的

有很多算法用于提取中央线(23- - - - - -28保证金等),线性最小平方拟合合法,对称的时刻配件中心方法,并阻止癌状的最小二乘拟合。与本文中所使用的算法相比,他们不够稳定,准确,有较高的计算复杂度。如图4 (e)所示,dot-filter可以增强点面积显著增加假阳性。为了克服这个缺点,我们将结合的算法提取中心线减少假阳性。

2.3.1。原则

不同的传统算法提取中央线、区域框架可以被定义为是指轴转换(垫)。描述一个区域的概要文件如下:对于每一个像素在,我们搜索最近的像素。如果比最近的像素,我们命名中心线(骨架),遵循以下约束:不能删除端点;不能破坏连接;和不会引起过度腐蚀的区域。

我们这里给的意思是一个二元算法的改进地区:我们假设该地区像素的值是1,和背景像素的值是0。像素的值是1的边缘地区,至少有一个像素的值为0。8社区图所示5(一个),如果它满足下列条件(一)- (d),然后(步骤1)的像素将被删除如下: 其中非零的相邻像素的数量吗;换句话说, 其中要么是0或1,变频从0到1的吗。例如,在图5 (b),和。

在步骤2中,(a)和(b)保持不变,和(c)和(d)

我们应用步骤1中每个像素的边缘地区二元。如果我们违反(a)或(b),我们谈论像素的值是不变。否则,我们把它的像素将被删除在我们处理所有像素的边缘。然后,我们使用第二步步骤1一样,直到没有像素需要删除并停止算法。

把图6(一),这意味着处理的细化,例如,结果显示为数字6 (b)~6 (e)。

图6(一)是一幅人类染色体的电子显微镜放大30000倍,分段使用数字图像处理算法。图6 (b)是高斯平滑后的图像。图6 (c)是染色体的框架。图6 (d)显示了毛刺骨架应用灭火后算法的8倍。我们发现骨架上有很多毛刺,但小于图6 (c)。因为该算法与阈值的像素,我们应该增加阈值的算法。图6 (e)为灭火提供了七次毛刺通过使用算法。

如果一条直线表示,我们将和当偏差(29日]。如果他们都是非常小的,我们就认为这个算法更有效。我们使用其他三种算法提取中心线与本文中使用的一个比较;结果如表所示1。

根据表1我们发现本文算法可以有效工作,虽然对称矩拟合中心方法消耗的时间最少,但其更大的偏差。本文中使用的算法稳定工作,耗费时间并不多。结合所有的因素,本文使用的算法更好。

2.3.2。应用程序

本文完成实验dot-filter结合上述方法我们使用六个步骤如下所示。(1)我们首先选择后三肺CT图像提取肺段数据7(一)~7 (c);他们结节血管,单船,船。有一个结节与容器的一端所指出的医生在图7(一),显示为箭头指向。在图7 (b)显然,我们可以看到有一个容器,其目的之一是点的形状,类似于粘附结节在图7(一)。在图7 (c),该船由两艘船只和交叉。(2)作为船舶的价值、气管和肺结节的价值大于实质,为了减少计算,我们提取肺软组织的基于灰度阈值,我们定义为130年,这是获得经过多次的直方图,如图7 (d)~7 (f)。低对比度结节,我们并不认为他们。数据显示7 (d)~7 (f),我们发现肺实质的软组织完全提取。(3)组织中提取的步骤首先我们应该扑灭CT图像中的噪声。所以我们用高斯滤波器来完成它。然后,我们使用上面的dot-filter构造加强点的区域,换句话说,我们提高了疑似结节。增强的结果如图7 (g)~7(我)。(4)我们排除了在步骤获得的组织图片的步骤然后获得框架如图7 (j)~7(左)。我们认为在步骤获得的组织假阳性;我们应该删除它们,并使用该算法提取中心线的提取骨架。但对图7 (f),血管成为三个部分,这并不有利于我们使用的算法提取中心线,所以我们首先供应缺乏,使血管连接成为一个容器,然后提取骨架。(5)首先我们工作的中心,每一个疑似结节(假阳性),然后计算的价值,。表示质心的垂直距离疑似结节附近的骨架线的疑似结节在步骤获得的。表示的最小距离的重心疑似结节所有像素在步骤获得的骨架。(6)结节的直径是3毫米~ 30毫米,所以我们比较了直径获得的。如果小于1.5毫米,小于1.5毫米,疑似结节被视为十字路口的船舶或船舶的结束。如果小于1.5毫米,大于1.5毫米,疑似结节被视为容器的一端。如果大于1.5毫米,疑似结节被视为附加结节如图7(米)。

数据7 (p)~7 (r)的三维(3 d)显示结节,孤独的船,船。在图7 (p)绿色镶边的结节是黄色的圆圈连接到容器。数据7(问)和7 (r)两种不同的船只在绿色圆圈以容易被发现。根据三张图片我们可以很容易发现可疑结节出现在过程;他们实现的部分血管。

3所示。结果与讨论

表2描述的属性是什么,他们从哪里来使用的CT图像。20集的CT图像和低噪音(25被用于实验。他们起源于LIDC数据库和吉大医院和CT图像有512512像素。结节在每个被医生指出CT图像。20对结节和20个错的提取是用来测试分类器的功能。本文的实验都是基于AMD CPU的计算机,由2 GHz的频率,1.5 GB的RAM和Windows XP操作系统。算法开发代码开发在MATLAB平台上。

支持的CT图像医院错过3粘附LIDC结节和错过没有数据库。表3显示每组的缺失率和运行时的CT图像。文献[9)能够更好地提取单独结节但缺乏肺结节提取粘附的高容量,因为它是基于像素的阈值和它需要正义。文献[12使用太多的计算的算法。如果我们使用一个方法只有dot-filter,将会有更多的假阳性出现因为dot-filter可以提高和船只的十字路口同时结束。通过使用dot-filter和提取中心线的算法,我们缺失率较低和更少的运行时。这是因为dot-filter由海赛矩阵可以提取点的地区有效和迅速。提取中心线的船只后,我们可以实现更好的理解结节和血管之间的关系。据的关系,对我们来说是有益的提取结节。这种方法有错误,因为一些结节规模很小或结节像素的值很小,从而导致错过率增加。本文的方法有一定的局限性;例如,它不能适应低对比度结节和肺结节附在墙上。这只是应用于结节血管和气管。

4所示。结论

在本文中,我们首先使用2 d海赛矩阵构造dot-filter构造提取点的区域。为了解决这个问题,dot-filter不能附加检测肺结节,使用了一个算法基于提取中心线。实验结果表明,该方法是简单和有效的同时提取附加肺结节。在未来,我们将致力于提取肺结节联系肺壁和磨砂玻璃不透明肺结节。

利益冲突

作者宣称,关于这项工作他们没有利益冲突。

引用

1. k .亚历山大·h·乔利,l .金发et al .,“计算机断层扫描的比较,计算射线照相法和膜丝网射线照相检测犬肺结节的,”兽医放射学和超声,53卷,不。3、258 - 265年,2012页。视图:出版商的网站|谷歌学术搜索
2. t .节目h . Gobara t、日本h .藤原y松井和s .金泽”对早期nonsmall细胞肺癌射频消融术,”生物医学研究的国际ID 152087条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
3. m .井上、美国Nakatsuka和m . Jinzaki”早期原发性肺癌冷冻消融术”,生物医学研究的国际ID 521691条,卷。2014年,8页,2014。视图:出版商的网站|谷歌学术搜索
4. Brambilla w·d·特拉维斯,大肠,m .野口et al .,“国际肺癌研究协会/美国胸科学会/欧洲呼吸学会国际多学科分类的肺腺癌”胸部肿瘤杂志》第六卷,没有。2、244 - 285年,2011页。视图:出版商的网站|谷歌学术搜索
5. W.-J。崔和t·s·艾。崔”基因programming-based特性变换和分类对肺结节的自动检测计算机断层扫描图像,”信息科学卷,212年,页57 - 78,2012。视图:出版商的网站|谷歌学术搜索
6. c . m . Niranjana和p . Deepa”,在肺结节检测干预通过VDE和形态学技术,”国际期刊的研究在计算机应用和机器人,卷2,不。5,114 - 123年,2014页。视图:谷歌学术搜索
7. s . c .公园b·e·查普曼,郑,“多级方法提高性能的计算机辅助检测肺栓塞的CT图像描述:初步调查,“IEEE生物医学工程,卷。58岁的没有。6,1519 - 1527年,2011页。视图:出版商的网站|谷歌学术搜索
8. f . Niknam j·陈,美国Napaki和m . Aghmesheh”方法多个肺结节:病例报告和审查的文学,”科学世界日报11卷,第765 - 760页,2011年。视图:出版商的网站|谷歌学术搜索
9. w·j·科斯,a·p·里夫斯,d . f . Yankelevitz和c . i Henschke”三维分割和估计增长率小肺结节在螺旋CT图像,”IEEE医学成像,22卷,不。10日,1259 - 1274年,2003页。视图:出版商的网站|谷歌学术搜索
10. c c。美国Kulkarni挂,在公元前。郭”,一种新的加权模糊c均值聚类算法对遥感图像分类,“IEEE杂志在信号处理所选主题,5卷,不。3、543 - 553年,2011页。视图:出版商的网站|谷歌学术搜索
11. s。太阳,X.-R h . Li。侯,y康和h .赵”,肺结节分割基于EM和均值漂移”,图象图形学报,10卷,第2022 - 2016页,2009年。视图:谷歌学术搜索
12. k·冈田克也、d . Comaniciu和a·克里希南“健壮的各向异性高斯拟合在摘要多层CT肺部结节的体积特征,“IEEE模式分析与机器智能,25卷,不。2、281 - 288年,2003页。视图:出版商的网站|谷歌学术搜索
13. 诉Sudha和p . Jayashree肺结节检测CT图像中利用阈值和形态学操作,“国际期刊的新兴科学和工程,1卷,不。2、2012。视图:谷歌学术搜索
14. b . Chen t . Kitasaka h .本et al .,“肺血管自动分割和基于局部结节强度结构分析和表面传播3 d胸部CT图像,”国际计算机辅助放射学杂志和手术,7卷,不。3、465 - 482年,2012页。视图:出版商的网站|谷歌学术搜索
15. a·o·德·卡瓦略球场,w . b . de桑帕约a·c·席尔瓦a . c . de Paiva r . a . Nunes和m . Gattass“孤立肺结节的自动检测使用质量阈值聚类、遗传算法和多样性指数”人工智能在医学上,60卷,不。3、165 - 177年,2014页。视图:出版商的网站|谷歌学术搜索
16. w·郭,y, h .周,d .雪“疑似肺结节检测算法基于海赛矩阵和毕业生熵,”中国期刊的科学仪器,30卷,不。8,1702 - 1706年,2009页。视图:谷歌学术搜索
17. h . Fujita t . y . Lee Hara s .伊藤和t .石垣岛,“肺结节的自动检测螺旋CT图像基于一种改进的改进技术,”IEEE医学成像,20卷,不。7,595 - 604年,2001页。视图:出版商的网站|谷歌学术搜索
18. m . j . Gangeh l . Sørensen s b瓶m . de Bruijne m . s .•凯米尔和m . Loog”texton-based方法在CT图像、肺实质的分类”医学影像计算和计算机辅助干预第3部分,卷。13日,第602 - 595页,2010年。视图:谷歌学术搜索
19. s。太阳,H.-Z。任、y康和h .赵“肺结节检测通过遗传算法和支持向量机,”系统仿真学报,23卷,不。3、497 - 501年,2011页。视图:谷歌学术搜索
20. j . s . Bie分割和识别的肺结节CT图像中基于支持向量机(硕士论文),2012年。
21. 问:李、美国宋和k . Doi“选择性增强过滤器为结节、血管和气管墙在两,三维CT扫描,”医学物理学,30卷,不。8,2040 - 2051年,2003页。视图:出版商的网站|谷歌学术搜索
22. 问:李、f·李和k . Doi”电脑检测肺结节的薄片CT图像byuse选择性增强过滤器和一个自动化的基于规则的分类器,”放射学学术,15卷,不。2、165 - 175年,2008页。视图:出版商的网站|谷歌学术搜索
23. s . Kurugol e . Bas d . Erdogmus j·g . Dy g·c·夏普,和d·h·布鲁克斯,“中心线提取与主曲线跟踪改善食管3 d水平集分割CT图像,”学报的年度国际会议IEEE在医学和生物学社会工程卷,2011年,页3403 - 3406,IEEE在医学和生物工程协会,2012。视图:谷歌学术搜索
24. j·海、g . Zhang和j . Cheng”估计臭氧吸收的传质系数线性最小二乘拟合和单纯形搜索方法,”中南大学学报,19卷,不。12日,第3399 - 3396页,2012年。视图:出版商的网站|谷歌学术搜索
25. 林志信。曾和K.-T。冯,”推导线性最小二乘估计的CRLB无线定位系统,”无线网络,18卷,不。7,735 - 747年,2012页。视图:出版商的网站|谷歌学术搜索
26. l . m . Alawneh c . j .公园,m . k . Jaradat和b·李”的板型燃料组件燃耗估计研究反应堆通过最小二乘拟合方法,”年报的核能卷。71年,37-45,2014页。视图:出版商的网站|谷歌学术搜索
27. 谢尔盖,m . van der Kooij设计,k . Tiampo”同时反演的变形速率和地形错误DInSAR数据利用线性最小二乘反演技术,”电脑和地球科学,37卷,不。8,1083 - 1091年,2011页。视图:出版商的网站|谷歌学术搜索
28. W.-P。崔K.-M。Lam和观测。Siu”,欧几里得骨架的提取基于连接标准,“模式识别,36卷,不。3、721 - 729年,2003页。视图:出版商的网站|谷歌学术搜索
29. a . k . Wang, l .王”的中心线提取算法基于海赛矩阵的特征分解,“高功率激光和粒子束,25卷,不。1 - 28,2013页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015身子刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。