文摘

从胸部CT图像中提取肺血管在肺部疾病的诊断中起着重要的作用。改善肺血管分割的准确率,提出了一种新的肺血管提取方法在这项研究中。首先,从胸部CT图像提取肺组织区域增长和最大的类间方差的方法。然后提取的地区的孔是由形态学操作来获取完整的肺。第二,点中间的肺血管的胸部CT图像中提取与原始种子点。最后,种子点传播整个肺地区基于快速行进法提取肺血管在梯度图像。结果肺血管提取从胸部CT图像数据集提供的介绍方法介绍和讨论。基于地面真理像素和由此产生的质量措施,它可以得出结论,该方法的平均精度约为90%。大量实验表明,该方法取得了最佳的性能在肺血管提取相对于其他两种广泛使用的方法。

1。介绍

目前,计算机断层扫描(CT)已成为最常见的肺部疾病的诊断的影像学特征。在胸部CT扫描,分析肺血管提取也常常要求在继续之前诊断疾病和治疗计划是重要的一步,和后续的肺部疾病1]。在计算机辅助诊断肺部疾病、肺血管提取可以减少歧义和提高结节检测性能(2),用于检测其他肺气道树等解剖结构,肺组织,肺癌静脉和动脉(3- - - - - -5]。由于肺血管的解剖结构的复杂性和其他解剖结构有类似强度的影响(例如,肿瘤结节和密集的病变)(6),有一个更复杂的任务从大规模提取肺血管的胸部CT图像,尤其是对小血管。

大量的胸部CT图像、手动提取对医生是一个非常耗时且乏味的任务。电脑半自动和自动方法可能有助于减少医生的工作。为了解决这些问题,近年来各种方法都进行了广泛的研究。徐et al。7]提出新颖的阶梯的卷积网络,其次是一个orientation-based区域增长方法,了解肺血管的区别的特征自动以分阶段的方式通过阶梯的卷积网络。Orkisz et al。8报道一个血管树变分区域增长分割算法。这个过程是在执行一个肺面具,气管和支气管壁以前被自适应多尺度形态学操作。安娜(9]介绍了3 d方法分割胸肺血管树的CT扫描在气道树分割基于作者的经验。赖et al。10)提出了一种自动集成分类方法在低剂量CT扫描血管树。朱et al。11)提出了一个vascularity-oriented水平集算法肺血管分割在图像引导干预治疗。赵et al。12)提出了肺血管分割方法提出了基于随机森林分类器和图像稀疏autoencoder特性。陈等人。13)提出了一个方法分别同时段肺结节和血管。首先,一条线结构增强(LSE)过滤和状结构增强(BSE)过滤器是用来增强血管区域和结节的初始选择候选人,分别。然后正面传播(FSP)过程用于血管和结节的精确分割。Buelow et al。14)提出了一个自动化的方法提取从多层螺旋CT肺血管树的数据由一个基于种子点front-propagation算法。Rudyanto et al。15)提出了一个带注释的参考数据集包含20 CT扫描,提出九个类别进行综合评价船舶来自学术界和产业界分割算法。这个数据集用于VESSEL12挑战国际研讨会举行的生物医学成像(位ISBI) 2012。当前最普遍和广泛的血管分割方法中可以找到(16),非常详细分类现有的工作。然而,由于肺血管树是非常复杂和有大量的分支机构,作用于肺血管提取的总体数量非常有限的计算机辅助诊断肺部疾病和肺提取的主要方法仍然是开发(7,17,18]。

来满足这些需求,一种全新的方式来提取肺血管的胸部CT图像提出了这项工作。该方法是基于作者的以前的工作在气道树提取(19]。该方法的主要思想是整个肺部区域提取,提高了提取肺区域,然后提取肺血管。

本文组织如下。首先,在节1简要回顾现有的方法分割肺血管的胸部CT图像介绍。部分2提供了一个详细描述的提取方法。图像数据集,实验软件,结果从胸部CT图像中提取血管使用介绍的方法介绍和讨论部分3。最后,部分4总结了研究。

2。方法

本研究的方法主要包括以下步骤:提取肺区域,提高提取的肺部区域,提取肺血管。研究中的方法的流程图如图1。每一步的具体算法将在以下小节中描述。

2.1。肺区域提取方法

肺在胸部CT图像的解剖结构是复杂的,如图2,如果肺血管直接提取原始CT图像,很难删除其他解剖结构的干扰,如骨骼、心脏和肌肉。因此,肺血管段准确,需要提取肺区域删除其他解剖结构。

2.1.1。提取肺组织与区域增长和最大的类间方差的方法

胸部CT图像分为两个类别的肺组织和其他解剖结构,在CT图像中灰度值明显不同。区域增长方法能够有效地分割和正确的一组特定的基于灰度图像中灰度值像素的图像之间的区别。区域增长的方法是一个迭代的图像分割方法有三个基本部分:种子点的选择、相似度的定义,和终止迭代过程收敛标准20.]。从这些种子区域生长相邻点取决于一个地区会员标准(如灰度强度)。保持检查是否相邻点的种子应该分为种子点,直到不满足条件,任何更多的21]。

在前面的工作中,我们使用了区域增长方法从胸部CT图像中提取气道(19]。气道中提取的结果表明,该方法是简单和有效的。因此,我们也使用区域增长方法提取肺组织在本研究CT图像。此方法需要种子点的肺组织从一个特定的切片图像,这是病人的胸部CT图像的中间片在这工作。

首先,种子点提取方法的最大的类间方差,可以将原始图像分成两部分,使用阈值:前景和背景。胸部CT图像,背景是肺组织和前景是另一个解剖结构。T将前景和背景的分割阈值,前景点的数量占图像的平均灰度值 ,背景分占的数量图像的平均灰度值 ,和总灰度值的图像如下:

前景和背景图像的方差:

取到公式(2)计算的方差两个类如下:

的最大阈值通过使用公式(3)。图像的像素小于阈值提取的种子点的肺部组织。

第二,相似性定义用于确定无名像素的图像添加到检测区域。这个定义是指相邻像素之间的图像强度的差异。相似条件是制定22)如下:

无名的体素在26-adjacent可以添加到肺组织区域,如果的灰度值的区别和种子体素小于给定阈值 。这体素在下一个迭代中被添加到队列种子体素。这个过程如图3。

因为这种方法依赖于区别26-adjacent像素的像素点的灰度值,给定的阈值在这一过程中起着重要的作用。提取肺组织区域与不同的给定阈值是不同的。阈值根据以下公式计算: 在哪里和最大和最小灰度值和最大像素提取的种子点的类间方差方法,分别。

肺组织的提取结果如图4,这表明提取肺地区有许多漏洞。的灰度值的原因是血管和肺组织不同。

2.1.2。填补提取肺区域的形态学操作

在这项工作中,形态学操作方法用于填补漏洞的肺组织最初的提取。

首先,肺中提取的轮廓由8-adjacent所有二维横向图像轮廓跟踪方法。可能有几个轮廓图像。轮廓和背景都设置为1和0,分别。和设置一个定义来表示图像的轮廓与背景像素。我们制定了填充函数作为“漏洞” 在哪里 , 是在该地区的任何时候,4-neighbourhood结构元素,是膨胀算子,是补充组a在迭代结束时, 。工会组A和是该地区填补漏洞。

提取的区域扩展迭代的结构元素。手动的迭代的数量是基于经验。然后,提取的区域是由相同的腐蚀的结构元素和迭代的数量扩张手术。最终结果的提取肺区域填坑后如图5。

2.2。基于分数微分血管增强

实际的胸部CT图像含有噪声,导致肺血管的边缘的图像不清楚。如果肺血管直接从原始CT图像中提取,很容易导致不准确的提取肺小血管。因此,分数阶微分算子提出了增强血管区域提取的肺组织(如图4)区域提取肺血管。

Grumwald-Letnikov (G-L)用于定义分数微分的数值实现的图像(23- - - - - -25]。一元的周期信号是 ,和信号周期同样是除以一定时间间隔(如h= 1,2,…),然后 ,因此,可以获得分数差异的微分表达式:

CT图像的微分表达式可以获得分数差异如下:

上面的微分表达式构造33或55微分算子来处理图像增强肺血管的边缘。由于微分算子是各向同性的,它不提高肺小血管信息特征的方向。因此,可以构造一个分数微分算子模板根据公式(8)和(9)。操作员具有以下效果:对平滑区域,它几乎没有影响,周围的灰度值变化小;和运营商起到了增强作用周围像素的灰度值变化很大。

通过分析肺血管的特征和分布在胸部CT图像,众所周知,肺血管圆柱和他们的方向主要是四个对角线方向。因此,一个3×3-differential算子模板构造加强血管的区域,如图6。

由于运营商是不对称的,应该使用以下方法:坐标的“1”算子模板应该配合像素的坐标受分数微分操作。这四个方向的模板卷积肺组织区域,然后在每个方向卷积结果加权,并总结四个方向的结果。肺血管增强后的图像可以表示通过公式(10):

使用上述3肺部区域处理3分微分增强模板。不同的订单可以获得不同的增强的结果。因此,我们首先研究不同部分的实验结果订单胸部CT图像,如图所示7。结果表明,肺血管的CT图像增强的微分订单增加。同时,由于肺小血管增强在0.1和0.2之间是最好的。虽然肺血管细节增强订单大于0.2时,大肺血管也镇压,和大的肺血管之间的对比以及其他降低肺组织。因此,0.2分数阶用于提高肺部CT图像在这个区域工作。

2.3。由FMM提取肺血管

完整的肺部区域提取的方法部分2.1由分数微分方法和增强。在本节中,肺血管提取的快速行进法在肺组织地区。

快速行进法来源于方程的解距离的函数。假设有一个曲线φ朝着一个方向。FMM可以被描述为一个家庭计划计算方面的进化。事情变得有趣的时候前面的发展。在快速行进法,速度不到处都是一样的,但速度必须总是非负的。作为一个给定的点,前面的运动方程所描述的被称为程函方程,可表示为(13]: 在哪里T(x)是前面点的到达时间x和是前面的速度点x。

这是距离函数的方程的一般形式。戈杜诺夫(26给出了一个解决方案:

在这个解决方案中,和向前向后的区别和不同运营商,和表示曲线的两个相邻点φ,分别。

如果∇T近似为一阶有限差分算子,然后公式(12)可以写成

在这种情况下, , , , , , 。

必须找到距离值图像梯度估计的长度等于 。下面的公式(13提出了解决 :

的表示三个方向的梯度值笛卡尔坐标系统,分别。 , ,和代表三个相邻的点。

考虑相邻点的情况下(如图三维CT图像8)、公式(14)可以写成: 在哪里值和未知的距离是什么 , , , , , 在邻近的像素点的距离值。距离值是CT图像的像素的灰度值。

加快在均匀区域形象和缓慢的区域图像梯度的高价值。的胸部CT体积数据,被认为是梯度图,由取幂计算梯度算法如下:

FMM的解决方案过程描述如下:

步骤1。所有的点分为三类:处理点种子点(在最初的一步,种子点的数量;在处理期间,种子点可能是很多点);处理点附近的边界点是点;悬而未决的点都是剩下的点。

步骤2。的到达时间T(x)计算从初始种子点到边界点和排序根据从小型到大型的时间。

步骤3。边界点,不到一定的到达时间阈值,标记为下一个处理点的下一个处理点。其他边界点标记为背景点。附近的第二点处理点标记为新的边界点。

步骤4。的到达时间T(x)的新边界点计算和排序。如果下一个处理点是空的,处理完成为止。否则,它将返回(2)。

上述处理可以认为曲线传播在同等的时间轴,直到它到达面前的一堵墙。

在这部作品中,胸部CT图像的全肺区域提取的方法部分2.1由分数微分方法和增强。肺血管的点与最大的类间方差方法提取完整的肺区片胸部CT图像的中间。在这种情况下,前景是肺血管。这些提取的点是选为初始种子点。和这些肺血管的最小和最大灰度值点作为有限的灰度值阈值计算。根据有限的灰度值阈值和梯度场图F,种子点开始扩散到肺的图片使用快3月方法作为上述解决方案的过程。肺血管提取完全的点处理停止传播。

3所示。结果与讨论

3胸部CT图像数据集被用来在这个实验中,分辨率为512×512,切片厚度小于1.5毫米,片数超过350,从医院。为了保护病人隐私信息,图像数据隐藏了医院和病人的名字。地面真理是手动为每个数据库的医生。

这种方法是在Matlab中实现2015年与4个人电脑英特尔©核心i7 - 6700 u 2.60 GHz cpu, 8 GB DDR4 RAM和NVIDIA GeForce 940 Mx GPU内存2 GB的视频。

我们将定量分析方法的结果提取肺血管。通过比较该方法的提取结果与地面真实图像,准确率、泄漏率和速率的定量评价的计算方法。地面实况图像,由专业医生手动绘制对原始CT图像,提供了VESSEL12挑战。

肺血管分割的评估标准如下: 在哪里和是肺血管的数量在地面实况图像像素和该方法的提取结果,分别。

为了观察实验结果,比较结果之间的3个数据集方法和地面真理如图9。数据9(一个)和9 (c)©是该方法的提取结果,数据9 (b),9 (d),9 (f)是地面真理的结果。蓝色的圆圈表示方法和地面真值之间的不同的地方。结果表明,该方法能完全提取肺血管,甚至肺小血管的提取结果也很好,并导致多一点在肺的边缘地区分割。

该方法相对于水平集(11)和区域增长算法(8),广泛用于从医学图像中提取肺血管。准确率、泄漏率和速率计算每个分割方法的比较与地面真理的形象。

一个图像数据集的实验结果不同的分割方法如图所示10。这些结果的不同的地方用黄色和蓝色的圆圈显示在结果图像。结果表明,这四种方法的分割结果也同样很好,但这种方法是一种更好的准确分割的小肺血管和更少的比其他方法在分割。蓝色的圈图10表明,该方法可以提取更多的小的肺血管。与此同时,黄色圈图10对分割结果表明,该方法是低于其他方法。

表1和图11的分割结果的统计分析三种方法。该方法的平均准确率为91.62%,这比其他两种方法。和平均泄漏率和速率的方法是8.38%和3.43%,分别。它小于其他两种方法。

一般来说,分割算法的运行时间与切片厚度和切片的数字。该方法的平均运行时间约2分钟,可满足临床需求的实时操作。此外,该方法完全无需人工干预的情况下自动分割过程。

4所示。结论

本研究提出了一种从胸部CT图像分割肺血管的方法。肺组织地区是从胸部CT图像中提取的区域增长法和最大的类间方差。然后,提取区域的孔是由形态学操作。点中间的肺血管的CT图像中提取与原始种子点。最后,种子点分布在整个肺组织基于地方法来提取肺血管的梯度图像。实验结果表明,该方法可以大大小小的完全提取肺血管和准确性比水平集方法和区域增长的方法,该方法的泄漏率和速率小于其他两个方法。此外,该方法的运行时间大约2分钟来满足临床需求的实时操作。该方法可用于促进肺部疾病的诊断技术的临床应用。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研发项目(2018 yfc1314501)和中央大学的基础研究基金批准号。N150408001 N161604006。