[发明专利]一种CT影像肺结节种子点自动获取和分割方法

说明书

技术领域

本发明涉及图像处理技术，具体涉及CT影像的处理技术。

背景技术

肺癌是全球致死率最高的癌种。根据WHO报告，将近有一千万人在2030年前会死于肺癌，早期预防肺癌对生存效益的改善有重要作用。已有假设认为通过对射线图像的深入分析可以量化肿瘤的微环境，实现个性化医学对瘤内异质性程度的深入评估。通过对大数据量的肿瘤图像的深入分析，提取更深层次的肿瘤影像特征也能够深入对肿瘤异质性的了解，这对于临床应用有着重要的作用。

基于以上，精准的肺结节分割是所有工作的前提。其中一种方法就是通过放射科医生的手动分割。然而这是一个冗长乏味且容易出错的工作。因为放射科医生会对肿瘤的大小估计出现偏差，其次，不同的手动分割同样也会有误差。最重要的是，时间的消耗导致肺部肿瘤的自动分割成为一个不太可能应用于大数据量分析的工具。再者，自动的肺结节分割同样也是困难的，因为肿瘤异质性的存在及肺部结节的多样性，现在的肺部分割精度不足。同时GGO作为一种与肺野肺实质密度接近的肺部结节存在，对肺部结节的分割带来了更大的困难。影像自带的噪声等也对肿瘤的分割产生一定的影响。因此，肺部结节的精确分割是一个很大的挑战。

为此，为了使肺病变的分割完全自动化，有必要建立一种自动准确的种子点选择方法。作为病灶检测的前提，三维肺容积分割的方法也被报道多次。分割精度达到了90％以上，肺结节的检出率也达到了89％。最近一种大数据量的肺癌筛查分割包括将近3000例肺癌用于肺结节的检出。肺结节的曲率和表型表述子也用于种子点的搜索，K-NN聚类以及特征用于假阳性的检出。在另一篇文献中，肺结节的候选标记由15个阈值得到，然后表型热证也用于肺结节的识别，但是，后续的分割却只达到了63％的精度。另外一种新的肺结节检测方法采用三角测量等值面使用多个阈值和表型特征的方法用于肺结节的检出。基于SOM和ANN方法，在LIDC-IDRI数据库上肺结节的检测精度达到了80％。散度和多尺度增强过滤器用于肺结节的聚类。一个遗传算法和ANN结合用于最后的假阳性剔除，达到了87.5％的鉴别精度。

以上所有的方法都为肺结节的检测提供了可用的途径，然而，降采样，肺结节的预先出力以及整肺分割都是需要的，因此也影响了它们的应用范围，由此可见，本领域亟需一种可用于临床的全自动的分割方式。

发明内容

针对现有CT影像肺结节分割技术所存在的问题，需要一种可用于临床的全自动的分割方案。

为此，本发明所要解决的技术问题是提供一种CT影像肺结节种子点自动获取和分割方法，以实现对CT影像肺结节种子点的全自动且高精度的分割。

为解决上述技术问题，本发明提供的CT影像肺结节种子点自动获取和分割方法，包括：

通过滑降得到初始种子点；

通过迭代生长机制结合多尺度的约束进行肺结节的自动区域生长完成肺病变分割；

通过提炼肺边界精炼分割结果。

在本方案中，获取初始种子点的过程如下：

首先，进行肺实质的自动分割；

接着，将一个多尺度高斯滤波器被施加到计算在该肺实质图像的每个像素的梯度大小；

然后，通过滑降方法进行肺实质的梯度图像检测，得到邻域内梯度最小值，若发现最小值，则通过独特的标记将其针对性的标记原始像素；在所有的像素被标记后，使得突出显示的部分将被转移到较低的灰色部分，而病变区域仍然突出。

在本方案中，肺病变分割的自动区域生长由三维空间中的距离约束和生长度约束结合区域生长方法实现，其中距离约束用以确定最大的生长距离，生长尺度约束用以限制体素在每一轮生长的最大值。

在本方案中，在精炼分割结果时，采用肺部边界信息来衡量是否需要剔除某些过分割的部分。

进一步的，该方法在图像的横断面上进行，相邻的两层图像，一层为CI，为要处理的影像层；其相邻层命名为CI'，该层的肺结节比较大，为需要处理的影像层的相邻层，具体的处理步骤如下所示：

(1)计算CI层肺部病变的重心点，COG：

其中，M表示CI层肺部结节的总的像素数，CIi表示相应的结节坐标；

(2)提取CI和CI’两层影像肺部结节的边界；

(3)计算CI层所有结节像素点与COG之间的距离：

Dis(b_i)＝||b_i-COG||₂,i＝(0,1...n)；