一种用于肺部肿块计算机辅助检测的图像分析方法和系统技术方案

本发明专利技术属于模式识别、图像处理、计算机视觉技术领域，具体为一种用于肺部肿块计算机辅助检测的图像分析方法和系统。本发明专利技术根据临近帧图像的变化检测，发现疑似肿块的区域，并进一步根据区域形态进行过滤。本发明专利技术的图像分析系统由以下几个环节组成：图像采集、前景点标记、临近帧变化检测、疑似肿块形态过滤、结果可视化。本发明专利技术优点是：无需图像数据标注，可以以无监督的方式自动从CT切片图像序列中发现肺部肿块。实验结果表明：本发明专利技术方法可以实现肿块的自动发现和标记，可用于辅助医生诊断。

An Image Analysis Method and System for Computer Aided Detection of Lung Masses

【技术实现步骤摘要】
一种用于肺部肿块计算机辅助检测的图像分析方法和系统
本专利技术属于模式识别、图像处理、计算机视觉
，具体涉及一种肺部肿块图像分析方法和系统，可以用于计算机辅助诊断。
技术介绍
医学影像的计算机辅助诊断一直以来受到广泛关注。目前，深度神经网络[1][2][3]成为主流方法，但是需要大量的训练数据。然而，数据标注的代价很大，而且不是可以轻易获取的。此外，由于设备的差异使得原始图像值往往存在不一致的问题，这会使一个数据集合上训练的模型在另一个数据集合上性能下降。因此，本专利技术提出无监督的计算机辅助诊断方法，它是基于知识的，因此具有更好的场景适应性。本专利技术方法可以用于CT图像中的肺部肿块自动发现。根据观察，如果遍历CT图像切片并将其看作是类似视频的图像序列，肿块总是以近乎突变的方式出现，并且持续存在的帧数很短。这启发我们按照视频处理中变化检测的方式来解决肺部肿块自动发现的问题。深度神经网络方法[1][2][3]是基于图像块卷积的，需要大量训练数据，其近乎穷举的特征图计算方法开销很大。无监督方法在图像分割方面有一些应用[4][5]，但是图像分割往往是不鲁棒的，时常会出现过分割或者欠分割的情况；由于肿块往往与正常器官组织是粘连的，采用图像分割技术确定肿块是非常困难的。另一个方案是采用图像配准技术进行变化检测[6][7]；这类方法计算开销大并且不够稳定。此外，上述方法都依赖于对肺的精确分割和定位，而这是非常困难的[8][9][10]。本专利技术提出了一种用于肺部肿块计算机辅助检测的图像分析方法和系统，它的原理是监测CT图像序列中突然出现并且持续时间很短的突变，因此不需要精确的肺部分割；且由于只需要计算像素的差异，计算量明显小于其它方法；此外，它是基于知识的，对数据集合的依赖不大，普适性较强。参考文献：[1]HongyangJiang,HeMa,WeiQian,MengdiGao,andYanLi,“AnAutomaticDetectionSystemofLungNoduleBasedonMultigroupPatch-BasedDeepLearningNetwork”,IEEEJournalofBiomedicalandHealthInformatics,Vol.22,No.4,pp.1227-1237,July2018.[2]MariosAnthimopoulos,StergiosChristodoulidis,LukasEbner,AndreasChriste,andStavroulaMougiakakou,“LungPatternClassificationforInterstitialLungDiseasesUsingaDeepConvolutionalNeuralNetwork”,IEEETransactionsonMedicalImaging,Vol.35,No.5,pp.1207-1216,May2016.[3]ShinHoo-Chang,HolgerR.Roth,MingchenGao,LeLu,ZiyueXu,IsabellaNogues,JianhuaYao,DanielMollura,andRonaldM.Summers,“DeepConvolutionalNeuralNetworksforComputer-AidedDetection:CNNArchitectures,DatasetCharacteristicsandTransferLearning”,IEEETransactionsonMedicalImaging,Vol.35,No.5,pp.1285–1298,May2016.[4]BijjuKranthiVeduruparthi,JayantaMukhopadhyay,ParthaPratimDas,MandiraSahay,SriramPrasathy,SoumendranathRayy,RajKumarShrimaliy,andSanjoyChatterjee,“SegmentationofLungTumorinConeBeamCTImagesbasedonLevel-Sets”,ICIP2018,IEEE,pp.1398-1402.[5]ZheLiu,YuqingSong,CharlieMaere,QingfengLiu,YanZhu,HuLu,andDeqiYuan,“AMethodforPET-CTLungCancerSegmentationbasedonImprovedRandomWalk”,201824thInternationalConferenceonPatternRecognition(ICPR),IEEE,pp.1187-1192,Beijing,China,August20-24,2018.[6]AhmedSoliman,FahmiKhalifa,AhmedShaffie,NealDunlap,BrainWang,AdelElmaghraby,GeorgyGimelfarb,MohammedGhazal,andAymanEl-Baz,“AComprehensiveFrameworkforEarlyAssessmentofLungInjury”,ICIP2017,IEEE,pp.3275-3279.[7]AhmedSoliman,FahmiKhalifa,AhmedShaffie,NiLiu,NealDunlap,BrianWang,AdelElmaghraby,GeorgyGimelfarb,andAymanEl-Baz,“Image–basedCADSystemforAccurateIdentificationofLungInjury”,ICIP2016,IEEE,pp.121-125.[8]AhmedSoliman,AhmedElnakib,FahmiKhalifa,MohamedAbouEl-Ghar,andAymanEl-Baz,“SegmentationofPathologicalLungsFromCTChestImages”,ICIP2015,IEEE,pp.3655-3659.[9]EhsanHosseini-Asl,JacekM.Zurada,andAymanEl-Baz,“AutomaticSegmentationofPathologicalLungUsingIncrementalNonnegativeMatrixFactorization”,ICIP2015,IEEE,pp.3111-3115.[10]TuanAnhNgoandGustavoCarneiro,“LungSegmentationinChestRadiographsusingDistanceRegularizedLevelSetandDeep-StructuredLearningandInference”,ICIP2015IEEE,pp.2140-2143.。
技术实现思路
本专利技术的目的在于提出一种用于肺部肿块计算机辅助检测的图像分析方法和系统。本专利技术提出的用于肺部肿块计算机辅助检测的图像分析方法，以无监督方式从完全没有标注的图像中自动发现和定位肿块，具体步骤如下：(a)本文档来自技高网...

【技术保护点】
1.一种用于肺部肿块计算机辅助检测的图像分析方法，其特征在于，以无监督方式从完全没有标注的图像中自动发现和定位肿块，具体步骤为：(a)通过医疗影像设备扫描人体获得图像序列，排序原则为：空间相邻的两个切片对应相邻帧的图像；(b)对于包含肺部的图像子序列，标记前景点和背景点，这里将每帧图像肺部所在区域对应的点作为前景点，其余点作为背景点；(c)计算邻近帧图像之间的变化，检测突变区域，将突变区域标记为疑似肿块；(d)对疑似肿块进行过滤；(e)在对应图像帧的对应坐标位置标示肿块。

【技术特征摘要】
1.一种用于肺部肿块计算机辅助检测的图像分析方法，其特征在于，以无监督方式从完全没有标注的图像中自动发现和定位肿块，具体步骤为：(a)通过医疗影像设备扫描人体获得图像序列，排序原则为：空间相邻的两个切片对应相邻帧的图像；(b)对于包含肺部的图像子序列，标记前景点和背景点，这里将每帧图像肺部所在区域对应的点作为前景点，其余点作为背景点；(c)计算邻近帧图像之间的变化，检测突变区域，将突变区域标记为疑似肿块；(d)对疑似肿块进行过滤；(e)在对应图像帧的对应坐标位置标示肿块。2.根据权利要求1所述的图像分析方法，其特征在于，步骤(c)中所述检测突变区域的方法包括以下步骤：令表示第t帧图像位于坐标(xi,yi)的点，和分别表示该点属于前景还是背景，观察K+1个连续帧图像，K≥1，将满足下式的点集合视作可疑点：通过8邻居区域生长方法，将所得到的可疑点聚类为连通区域，所得到的每个连通区域对应一个疑似肿块。3.根据权利要求1所述的图像分析方法，其特征在于，步骤(c)中所述检测突变区域的方法为：将每帧图像的前景点通过8邻居区域生长方法聚类为连通区域，计算所得到的前后两帧图像的连通区域之间的对应关系，记前一帧图像的某个连通区域为点集合A，后一帧图像的某个连通区域记为点集合B，如果满足|A-B|>τ，则将A-B标记为疑似肿块所在区域，这里，“A-B”表示集合减法，“|A-B|”表示集合A-B的元素个数，τ是阈值。4.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所述疑似肿块的过滤方法为：如果一个前景点构成的连通区域所包含的点数小于一个阈值δ∈[0,0.0005×M×N]，这里M和N表示图像的高和宽，则从疑似肿块区域的集合中将该区域排除。5.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所的疑似肿块的过滤方法为：对一个前景点构成的连通区域进行主元分析，所得到的两个特征值中较大的值除以较小的值，如果比值大于一个阈值，则从疑似肿块区域的集合中将该区域排除。6.根据权利要求1-3之一所述的图像分析方法，其特征在于，步骤(d)中所述疑似肿块的过滤方法为：如果一个前景点构成的连通区域包含的点数与该区域最小外接矩形的面积之比小于某个阈值，则从疑似肿块区域的集合中将该区域排除。7.根据权利要求1-3之一所述的图像分析方法，其特征...

【专利技术属性】
技术研发人员：杨夙，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31