文摘
为了从CT图像中提取肺区域更准确地说,一个模型,其中包含肺部区域提取和边缘边界提出了修正。首先,提出了一种新的边缘检测函数的帮助下经典的结构张量理论。其次,最初的肺面具是由一种改进的主动轮廓模型自动提取相结合全球强度信息,当地的强度信息,新的边缘信息,自适应的重量。值得注意的是,提高了模型的目标函数转化为一个凸模型,使得该模型得到全球最低。然后,中央气道排除根据空间上下文信息和每个分割区域和肋骨之间的位置关系。第三,网状和分形理论用于检测边界周围juxtapleural结节。最后,几何活动轮廓模型是用来正确检测到边界和reinclude juxtapleural结节。我们还提出了分割的性能评估和修正模型通过比较受欢迎同行。高效的计算能力和鲁棒性财产证明我们的模型可以正确肺边界可靠,重复性良好。
1。介绍
x射线计算机断层扫描(CT)是最敏感的肺结节检测(1),并使用CT肺结节检测已成为一个日益重要的问题(2]。在这个任务中,肺部区域分割是关键的第一步,可以最小化和系统计算分析区域。此外,还需要自动肺分割方法由于大量的轴向片所产生的应用CT扫描仪(3]。此外,由于juxtapleural结节与胸壁是连续的,他们有类似的肺密度区域,那些总是错误地排除在肺结节区域。因此,方法,该方法可以提取肺区域没有损失任何juxtapleural结节的CT片,不仅应该包括肺分割过程,但也正确的缺陷边界周围juxtapleural结节。
提出了几种方法从CT切片图像分割肺区域。最常用的技术是灰度的方法(4- - - - - -7),这是基于强度肺组织与其他组织之间的差异。在这种模型中,将整个区域分为两部分,一个固定的阈值被选中。尽管这种方法是简单和快速的实现,它有一个固有的限制,没有一个理想的固定阈值,适用于所有的图像。因此,最优阈值(8)提出,给每个切片图像的自适应阈值。但这个模型也是基于固定阈值的方法使模型的理论缺乏细分的能力包含非齐次的CT图像强度。
作为另一种类型的分割技术,介绍的活动轮廓模型也获得一个更精确的分割结果的胸部CT图像。在[9- - - - - -12],拟议的活动轮廓模型结合梯度信息或曲率信息使水平集函数停止在边界上具有高梯度或曲率值。但是这种模型不容易收敛于边界凹性,导致一个粗略的边界(13]。另一种类型的信息,活动轮廓模型中使用的区域信息也是(14- - - - - -19]。Chan-Vese [14)提出了著名的CV模型可以部分强度均匀图像快速、强劲。李(15)提出了一种局部二进制配件(磅力)模型可以成功段强度不均匀的图像。杨(20.)结合了CV模型,磅力模型,全球凸分割方法,分割师方法一起构造一个新的活动模式,是一个全球性的凸和可以得到全球最低无论初始轮廓的所在。
至于边缘校正方法,现有的方法可以分为两个家庭:morphology-based方法(5,7,21- - - - - -24)和geometry-feature-based模型(25,26]。常用的滚球的方法(7,21,22),驱动球沿着边缘轮廓reinclude juxtapleural结节,属于morphology-based方法。在[5,23,24),腐蚀和膨胀操作序列组合平滑分割肺边界;他们也属于morphology-based方法。那些morphology-based方法是简单和快速实现,但校正精度大大取决于形态模板的半径。更重要的是,没有合适的半径,工作得很好。另一方面,肺轮廓的曲率信息用于识别juxtapleural结节(25,26),但曲率信息不是一个健壮的标准对其敏感属性快速曲率变化和噪声。严和香港27)提出一个二维轮廓光滑轮廓跟踪方法;聚氨酯等。28]提出一种自适应边界行进(ABM)方法reinclude所有juxtapleural结节;Yim et al。2)正确的边界通过进化的最初确定的边界定义范围和找到最优边界。然而,所有这些方法大大依赖于初始确认边界。如果最初的边界被认为不正确,修正方法的效果可能会更糟。
在本文中,一个新的肺提取方法没有失去juxtapleural结节的CV模型,提出了磅力模型,创新性的边缘检测函数,师分裂方法,几何活动轮廓模型。首先,定义一个新的边缘检测函数的帮助下经典的结构张量理论。然后一个新的活动轮廓模型,结合了全球信息,当地的信息,和新的边缘信息,提出了。此外,拟议的活动轮廓模型转化为一个凸细分模型和由分割师解决方法。之后,中央气道自动排除在外。在下一步中,分形理论应用于检测有缺陷的边缘,是由juxtapleural结节、血管和气管。最后,介绍了几何活动轮廓模型正确,发现有缺陷的边界。
本文的组织如下。新的边缘检测函数,细分活动轮廓模型,修正的几何方法,和其他进程中讨论部分2。数值实验给出了部分3。本文提供的结论部分4。
2。方法
如图1该模型包括三个主要步骤。首先,提取肺初始面具活动轮廓模型。其次,根据气道位置preslice CT图像和人体器官之间的位置关系和罗纹组织,中央气道CT扫描的每片自动排除在外。然后,肺部区域分成几个小块使用网格线。第三分形理论是用来检测肺边界相邻juxtapleural结节。最后,介绍了几何活动轮廓模型正确的肺有缺陷的边界是由juxtapleural结节。
2.1。新的边缘检测函数
作为一个传统边缘检测功能,定义如下: 在哪里是一个标准差的高斯核函数。从(1),很容易发现对不同的噪声来源和弱边界很敏感。所以,当使用,它可能使水平集演化不稳定,如果检测到边缘噪声来源或弱边界的影响不同。
为了克服缺点,经典结构张量理论(29日)是用来构造一个新的边缘检测函数。为一个标量图像,经典的结构张量定义如下: 在哪里高斯核函数的尺寸吗的标准偏差和和表示给定图像的偏导数。
表达简单,被编写为。请注意,这个矩阵是半正定;它的特征值是贴上,,。更重要的是,它很容易找到吗在平坦地区,在直线上的点是边缘,和当这是一个转折点。的区别两个特征值之间的拿了个小值在平坦区域和一个大值边缘的图像,分别。
因此我们可以选择一个阈值来区分这两个地区相互;让,;然后阈值定义如下: 在哪里和的平均值和标准偏差分别为,是一个控制的恒重的区别和。
由于,一个新的边缘检测函数计算如下:
在图2 (b)检测到的边缘,很容易发现给一个完美的图像的边缘图2(一个)。此外,这个结果非常类似于人类的观察。重要的是,除了提供的边缘信息,提出了活动轮廓模型,也能作为一种自适应模型的重量,在以下小节所示。
(一)
(b)
2.2。最初的肺面具提取
由于部分体积效应(牛皮纸)或类似的密度juxtapleural结节和胸壁,CT图像往往不均匀强度在肺边界。然而,大多数现有的方法不能准确段的CT图像。因此,我们提出一种新的组合模型段的CT图像。新模型的组合global-region-information local-region-information和一种自适应的重量。此外,我们将新的活动轮廓模型转换成一个凸极小化模型可以保证分割结果的鲁棒性和效率。
如前所述,CV模型和磅力模型是活动轮廓模型(ACM)是基于全球强度信息和局部区域强度相应的信息;因此这两个模型是集成到新模型动态地继承他们的优势。它的能量函数如下: 在哪里,,,四正的常数控制的能量比CV模型,磅力模型,长度,和正则化项相应地提出了能量函数;和项和正则化项相应的长度;和是简历的能量函数模型和磅力模型,可以计算吗 在哪里,,,四积极常数平衡灰度能量曲线的内在和外在吗和代表一个标准差的高斯核函数和窗口大小。其余的术语定义如下: 在哪里和两个正的常数的自适应权重表示第一个两届(5)。
值得注意的是,提出的有两个角色(5)。一项长度的因素可以推动发展的水平集函数检测。通过这学期计算效率将会提高。另一个角色是自适应权重,可以适当结合能量分配给每一个点。在这学期的帮助,将边缘点更多的本地信息有助于确定精确的边界。这是我们提出的主要改进方法使我们的模型比他们的同行(20.]。
能量函数(5)可以最小化通过求解梯度流如下: 在哪里。
因为大多数活动轮廓模型,新模型(5)也容易局部最小值。如前所述,LCV模型容易局部最小值。为了克服这一缺陷,(5)被转化为一个凸极小化问题;然后通过分割师解决方法。首先,一般来说,让;然后(8)写如下: 在哪里
请注意,(9)是凸;然而,它可以转化为一个凸凸全球细分(GCS)方法(30.]。应用这种方法,第三项(9)应该下降。事实上,根据(20.正则化项,用于消除仅进程和维护水平集函数作为近似签署距离接近零水平集函数。同时,这一项不包含在古典提出模型,如著名的CV模型。只有数据拟合的术语和弧长词,这些模型很好地工作。实际上,仅过程并不鼓励对大多数实验,因为它可能会导致一些微妙的副作用,比如防止室内内边界的检测对象,指出在CV模型(14]。此外,在分割师方法中,我们限制的时间间隔。通过这种方式,水平集函数不会炸毁很大值两边的零水平集,不会导致计算不准确或错误的分割结果。因此下降这一项是合理的,不会影响模型的分割结果。
让;然后我们得到了新的梯度流如下:
gc方法的帮助下,我们下降简化的梯度流。值得注意的是,通过下降,简化梯度流的最优解决方案相当于原来的形式(20.]。简化表单定义如下:
基于(12),可以构造一个新的能量函数如下: 在哪里。
有趣的是发现(13)具有相同的解决方案(11)。因此,目的就是找到最低的(13)。
为了保证模型(13)独特的全球最低的范围被限制在一个有限的时间间隔。在这篇文章中,间隔。因此,(13)可以写成: 一般来说,(14)可以表示为 在哪里
为了应用师分裂方法,提出了一种新的术语和一个惩罚项,可以确保近似,在迭代。通过这两项,(14)是重新格式化为以下形式: 在哪里是一个积极的常数参数。
师迭代是用来满足条件(31日),我们得到如下优化问题: 在哪里师迭代得到的:
优化解决方案通过优化条件:
(20.),我们得到的近似解通过高斯-赛德尔法(31日),这是计算
最后的解决方案通过收缩过程(31日]: 在收缩过程定义如下:
如图3对于给定的图片、更新在(21)通过计算平均强度的区域和。然后更新根据(21),直到达到收敛。通过这种方式,获得最终的分割结果的边界以下设置: 给定图像的分割结果图3(一个)如图3 (b)的二进制图像分割的结果显示在图3 (c)。
(一)
(b)
(c)
2.3。气道排斥
因为气道有近似的内在强度与肺地区,通常是包含在最终的分割结果intensity-information-based图像分割模型。然而,这个组织的一部分,特别是中央气道,肺结节检测是无用的;因此它需要被排除在上面的分割结果。
事实上,它很容易发现气管和支气管肺的地区从肋骨和遥远的骨组织减少在其附近,而肺的外边界地区的肋骨。这样,每个子区域的分割结果,应用形态学膨胀过程来检测是否有扩张的骨组织。如果没有骨性组织存在,这个次区域排除肺地区当前的CT片。直到所有的切片CT扫描处理,这些地区的大部分已经被删除。
然而,排除过程的性能并不总是完美的。对于某些片有些病人,气管软骨肺部的气管和支气管周围地区非常明显;扩张附近地区包含一些气管软骨被认为是骨组织,所以他们的内在部分保留。
为了解决这个问题,进一步介绍了过程。在CT片,看到气管软骨明显在某些部分,但它并不总是存在在前面或连续切片的大小限制设在。更重要的是,有趣的是观察到的内在部分气管和支气管排除在这些气管软骨片消失了。此外,器官的位置大概相似的相邻切片。因此,我们可以使用这两个属性排除中央气道的内部区域。在这种方法中,从第二片CT扫描,每个子区域在当前切片检查是否等价的位置在前片是排除在外。如果相同的次区域删除,当前区域也会被排除在肺部区域。直到所有切片处理,主要的中央airway-surrounded地区已经被排除在外了。此外,分段给出图的结果4。
(一)
(b)
(c)
2.4。有缺陷的边界检测
juxtapleural结节,有近似的强度与周围的区域,所以他们经常错误地排除在肺。但这些结节持有更高的速度比其他内结节是恶性肿瘤,所以CAD系统的性能会受到影响,如果这些结节并不reincluded进入肺部。
因此,根据这一事实肺部区域平滑的轮廓和边界的平滑分段juxtapleural形象受损的结节,提出了一种新的边界检测方法来检测缺陷边界的分形理论。
首先,肺的最小封闭矩形(MER)地区2 d切片获得;然后均匀分成块的束缚。块的数量根据实际尺寸选择的肺部区域和肺结节的大小。那块包含的边界分割结果,称为边界块中,检测到。为了可视化检测过程,本节的结果如图6。注意,当只有一个肺次区域,块应该被设置为为了避免这种现象,块的大小太小,不能进行操作。
对于每一个边界块,采用分形理论来解释内部边界线的分形维数。此外,对于简单和自动实现,选择盒维法计算分形维数在很多技术(32]。用这种方法,每个边界块都是由一系列的网格,其规模已经逐步减少。为每个网格,以下两个值被记录:方形盒子的数量分割的图像,正方形的边长,。回归斜率形成的直线绘制对是当前块的分形维数可以评估如下32]: 在哪里是一个常数,成正比。
正如上面提到的,正常的肺边界地区2 d片光滑,所以物体的分形维数,其中包含这些边界小于边界块包含缺陷的边界。直到所有计盒方法计算的边界,所有边界块可以分为两类:与一个小块包含正常光滑边界的分形维数和块大值包含缺陷的边界是由juxtapleural结节,从直方图中可以清楚的看到在图5。因此我们可以选择一个合适的阈值来区分那些块成类。
(一)
(b)
(c)
让表示的分形维数th边界块;表明边界块的总数,;阈值可以定义如下: 在哪里和的平均值和标准偏差吗,分别。此外,阈值(26)是由试错实证的策略。在我们的实验中,意思是和的谷值直方图不合适;因此我们选择一个最优值经过多次实验。
的帮助下,包含的块被视为有缺陷的边界是否大于其分形维数。然后这些检测块将在以下小节纠正。如图6 (c),发现有缺陷的边界是非常准确的,它几乎是类似于人类的观察。请注意,这是第一次,分形理论用于识别缺陷肺边界周围juxtapleural结节CT片。此外,lung-inner血管也排除在外的分割方法更高的密度。事实上,这些地区应该reinclude肺部区域得到准确nodule-detection结果。有趣的是,除了有缺陷的边界是由juxtapleural结节,我们的模型可以检测这些边界是由那些血管也认为他们有缺陷的边界。此外,以前的方法只考虑边界的局部特性,这使得当地的模型鲁棒性敏感属性。但该模型集成全球边界属性与当地的边界属性的统计方法。因此,检测结果将是更健壮的不同形状的肺边界。
2.5。边界修正基于几何形变模型
如图7(一),整个图像分为四个部分:,,,。是肺以外的地区,除了这些点缺陷边界的块,表示肺的内部部分地区,表明边界点的设置正确的边界块,和检测缺陷边界块区域贴上。
(一)
(b)
此外,根据校正过程的目的和边界信息,我们也给不同的曲线进化策略对所有四种区域。在,如果进化曲线通过真正的边界曲线应该缩小。反之,在,曲线将扩大如果曲线收敛到肺的内部。为,由于精确的边界上的边缘点,不需要改正。因此,如果这些点的曲线,它仍然应该保持,避免无用的计算。最后,对于,因为他们包含有缺陷的边界,这个洞应该在保持边界光滑。因此提出了曲线演化扩大balloon-force-like技术有缺陷的边界在洞里。如图7 (b)通过这种方式,内部缺陷边界将扩展到理想的位置。
从图7,需要做什么是扩大整个肺部区域内部的肺部区域由balloon-force-like力量,直到我们得到一个最优平滑边界,同时保持正确的边界仍然在当前位置。因此,缺陷边界修正;其他边界执行相同的状态。
首先,我们提出了简化的几何活动轮廓写如下: 在哪里是一个速度参数控制的速度和方向演化曲线。为了使进化停止在正确的边界,被定义为 的动机(28),可以使气球力向外扩张的边界曲线,在吗可以让力向内收缩的边界曲线。此外,仍能保持正确的边界和保护这些点不受影响,确保最终校正结果是精确的。
然而,没有任何限制条件,曲线将不断扩大自己在有缺陷的边界。而且可能天桥真正的肺边界,最后来到了一个不恰当的位置。因此,曲线长度项和地区项假设提出的最终进化曲线应该尽可能的平滑。介绍了术语定义 在哪里是一个参数控制的非零间隔狄拉克δ函数。他们的梯度流计算了
维持进化的平滑曲线,曲线长度项是嵌入到几何活动轮廓模型;因此,新的几何活动轮廓模型被定义为 在哪里表示最后一个肺的面具节2.3和和表示渐变流分布提出几何活动轮廓模型。
为了保持水平集函数演化的稳定,提出的高斯卷积方法Zhang et al。17引入这种模式。高斯核函数的水平集更新功能如下: 在哪里是一个标准差的高斯核函数,是时间步,获得的结果表示,这是第一个方程(31日)。除此之外,作为下一次迭代的初始轮廓。我们所知,这是第一次几何活动模型提出了正确的肺在计算机辅助诊断技术。
在校正过程中,几何活动轮廓模型的初始轮廓线设置的结果最初的面具没有气道和肺部区域背景。然后更新水平集函数根据(32),直到它到达稳定状态。最后,修正边界,如图所示8给定的零水平集。在图中,结果的校正方法和发展活动轮廓。尤其是在图8 (c),还有所有的曲线在整个调整过程,这也意味着提出修正方法的完美效果。
(一)
(b)
(c)
3所示。实验
在本节中,实验对该模型进行。实验集中在以下方面:上的影响在;该模型的全局最小检测能力;的优点在最先进的活动轮廓模型;校正的效果分析。实验完成与英特尔笔记本电脑2.10 GHz CPU和Matlab 8.0。模型中的参数设置如下:,,,,,,,,,,,表示迭代次数。使用3 CT数据集从医院得到了在广州,中国;剩下的25集从肺中选择图像数据库财团(LIDC)。
首先,我们测试的边界检测能力在给定的图像。为了显示的优点,传统的边缘检测函数介绍了。检测到的边缘图所示9,很容易发现受噪声影响和额外的背景。然而,由于统计信息的使用,是对噪声和背景,明确edge-information-contained形象。值得注意的是,让我们所有的边缘有趣的结构除了一些肋骨和脊柱。
(一)
(b)
为了展示全球最低检测能力的模型,我们选择两种不同的矩形初始轮廓如图10 ()和10 (c)相应的。分割结果如图10 (b)和10 (d)。从这个实验中,很容易发现,该模型得到了统一的分割结果在两个不同的初始轮廓,从中我们可以知道,该模型可以得到全球最低无论我们选择什么样的初始轮廓。
(一)
(b)
(c)
(d)
在接下来的实验中,我们验证的优点GLg模型在受欢迎的最优阈值的方法。图的分割结果11,图(11日)显示最优阈值的分割结果和图方法11 (b)显示该模型的分割结果。的结果,显然是看出最优阈值方法未能段这张照片有强度不均匀性在盒子里地区。然而,的帮助下GLg模型检测盒子里真正的边界地区。虽然一个圆形区域框地区被确定为外肺的一部分,可以纠正这个区域填充的内孔形态方法;因此这部分地区并不影响最终的分割结果。注意,hole-filling方法是一种常见的过程在前面的模型,它不是我们的特殊工艺处理分割的结果。
(一)
(b)
为了验证该模型的分割能力,我们提出的模型与其他模型进行比较。分割结果图中列出12。图12(一个)给出了初始轮廓和原始图像,图12 (b)显示了分割结果由一个专家。数据12 (c)- - - - - -12 (f)提供磅力模型的分割结果(15),生活模式17],GCLGIF [20.相应的模型,该模型。从这些数字,很容易发现磅力模型和生活模型对初始轮廓很敏感。作为模型相结合,GCLGIF模型,该模型可以实现令人满意的分割结果。最后两个模型的分割结果近似的分割结果专家。特别是,看到该模型克服了GCLGIF模型在以下的实验。
(一)
(b)
(c)
(d)
(e)
(f)
该模型定量评价,另一个在全球范围内凸局部和全局强度拟合能量(GCLGIF)模型,也是一个global-and-local-combined活动轮廓模型,介绍了实验。这两个模型之间的主要区别是不同的边缘信息和不同的自适应加权函数。在GCLGIF模型中,给出了边缘信息;权函数是。GLg的方法,和重量得到的边缘信息同时可以提供更多有用的进化水平集函数的边缘信息。实验是在CT上执行组包含141 CT片;两种的初始活动轮廓模型得到的阈值−500 Hounsfield单位(HUs) (5]。值得注意的是,虽然提出了细分模式可以在每段图像准确的初始轮廓可以在图中找到10,上面的初始轮廓是用于减少计算时间;它并没有给出一个更好的初始轮廓分割模型。在实验中,如果我们把GCLGIF分割结果作为金标准,GLg的平均分割精度方法的141片达到99.97%。此外,由于不同的边缘信息和权函数,GLg需要更少的时间比GCLGIF段所有片模型。此外,标准差和变异系数的所有141时间数据也比较如表所示1。除此之外,我们还提供了改进的速度(行动)表1定义的 在哪里表示GCLGIF模型和时间GLg的表示时间模型。
应该注意的是,不仅同时还标准差和变异系数小于GCLGIF模型。此外,从TIR价值,众所周知,在几乎相同的精度下,GLg模型比GCLGIF更高效的模型。
为了直观地显示校正效果,三维模型的分割肺和肺边缘修正重建图13。从图(13日),很容易发现有个洞周围的juxtapleural结节圆地区签署。边缘校正后,洞几乎是由几何活动轮廓模型,图中可以看到13 (b)。有趣的是注意到,下面图的圆形区域13 (b)边缘校正后肋骨轮廓更明显。不幸的是,这个洞不是满完美;有一个小缺陷的圆形区域图13 (b)。主要原因是发展水平集函数应该正规化作为有符号距离函数的高斯卷积,这使得零水平集不匹配的绝对优势,可以看到在图8 (c)。然而,如果我们观察两个肋骨之间的微小凹陷区域图13 (b),空孔的大小非常小;即不完全填充过程的损失是非常轻微的,可以通过图来验证8 (c)了。
(一)
(b)
最后,为了检验该模型的校正精度,GLg模型的校正结果与手工校正结果相比,得到专家的指导下。我们选择28 CT片集从LIDC的数据库;选择手动校正结果作为金标准;每组的平均精度校正图所示14。从这些数据准确性,很容易发现,提出了修正的最小精度高于99%;他们比morphology-based同行,这意味着该模型是一个可行的模型。
4所示。结论
一个新的自动肺提取和边缘校正方法结合了CV模型,磅力模型,全球凸分割方法,分割师方法,分形理论和几何活动轮廓模型。提出了新的边缘检测函数的检测精度比传统的边缘检测函数更精确。在分割师的帮助方法,新的自适应加权函数的有用的信息,和新的边缘信息,提出了分割模型,该模型结合了CV模型和磅力模型可以快速得到段给定的图像无论初始轮廓所在全球最低。此外,借助分形理论和统计阈值,该方法可以检测出缺陷边缘块成功。此外,几何活动轮廓模型可以填补这个洞周围自动juxtapleural结节。一些实验证明我们的修正模型的准确性和效率。
利益冲突
作者宣称没有利益冲突有关的出版。
承认
这项工作是由中国国家科技支柱项目(批准号2012 bai14b00)。