医学图像中结节的多维度纹理提取方法技术

一种医学图像中结节的多维度纹理提取方法，运用区域增长法将图像进行分割，采用灰度共生矩阵法提取结节的内容纹理特征参数，采用Ｃｕｒｖｅｌｅｔ变换方法提取结节的边缘纹理特征参数。此方法能够使结节的边缘信息增强，更好地保留其边缘信息，从而提高判断结节性质的准确率。

【技术实现步骤摘要】

本专利技术涉及一种，特别是涉及一种结合了 区域增长法、灰度共生矩阵法和Curvelet变换对肺结节CT图像进行分割以及提取纹理特 征的方法。
技术介绍
在含有结节的医学图像处理中，识别图像中结节的性质有重要的意义。但现有技 术对直径在3cm以下的结节性质判定存在很大困难。如在含肺结节的CT图像中，多种情况 都会出现肺小结节(指肺野内直径< 3cm的病灶)，包括早期肺部恶性肿瘤(周围型肺癌) 和结核球、炎性假瘤、错构瘤和肺曲菌病等良性疾病在CT图像上均呈现小结节状。对图像的预处理采用的是区域增长法，该方法利用了图像的局部空间信息，可有 效克服其它方法存在的图像分割空间不连续的缺点，但尚没有人用该方法进行肺部CT图 像的处理。现有的图像提取纹理技术已见报道的主要有以下3种1、灰度共生矩阵以往的相关研究中采用灰度共生矩阵法提取的纹理特征参数较 少，这对于根据肺部CT图像纹理特征诊断早期肺癌还远远不够。2、小波变换小波变换形成的特征向量虽然能够在一定程度上对图像进行精确描述，但是利用 小波变换提取图像中结节纹理特征存在着检索精度不高的缺点。3、Curve let 变换继上世纪80年代后期发展起来的小波变换之后，1996年Swendens提出了 先进的第二代小波变换，在基函数算法上也在不断改进，1998年E. J. Candes提出了 Ridgelet 变换、1999 年 E. J. Candes 和 D. L. Donoho 专利技术了 Curvelet 变换新算法力“⑶ (x-f ”)，其中2_」为尺度、91为方向角91、^")为位置1厂)、1 为转 换弧度，2006年又提出了快速离散Curvelet变换。第二代小波变换不但保留了小波变 换(Wavelet)方法多尺度的优点，同时还具有各向异性特点，能够很好地逼近奇异曲线，比 Wavelet更加适合分析二维图像中的曲线或边缘特征，而且具有更高的逼近精度和更好的 稀疏表达能力，能够为图像提供一种比Wavelet多分辨分析更加精确的方法。但是这些新方法在处理不同部位的CT图像时，需要利用基函数重新构造新算 法、选取适宜的参数，因此仍有许多理论问题值得研究。第二代小波变换已经成功地用于 图像融合等实际问题，而用于纹理特征提取的文献报道凤毛麟角。有人曾基于Wavelet， Ridgelet,Curvelet三种变换，对脊骨、心脏、肾脏、肝脏、脾脏五种CT图像提取纹理特征并 建立预测模型，以诊断结果准确性对三种方法进行比较，发现离散第二代小波变换是最理 想的边缘纹理特征提取方法，效果优于Wavelet和Ridgelet。因此，需要结合上述现有技术的优点，并克服其不足，对图像的处理方法进行改 进，提高恶性肺结节的检出率，从而达到提高早期肺癌诊断率的目的。
技术实现思路
本专利技术的目的在于提供一种对含肺结节CT图像的分割方法以及提取纹理特征的 方法，建立一种预测模型，以便更有效的预测结节的性质。
技术实现思路
简介本专利技术综合了现有技术中的区域增长法、灰度共生矩阵、小波变换等方法的优点， 并加以改进，运用灰度共生矩阵提取结节的内容纹理特征，运用Curvelet变换提取结节的 边缘纹理特征，纹理提取方法全面、新颖，能够达到专利技术目的。本专利技术用以下主要技术路线建立了一种对含结节图像的分割以及提取纹理特征 的方法(具体程序见图3)，并据此建立了判断结节性质的预测模型1)建立结节图像库；2)运用区域增长法将图像中含有结节的区域分割出来；3)采用灰度共生矩阵法提取结节的内部纹理特征，得到以下变量熵、对比度、相 关性、同质度、方差、逆差距、聚类趋势、惯性矩、和的均数、差的均数、和的熵、差的熵；4)采用Curvelet变换提取结节的边缘纹理特征，得到以下变量熵、灰度均值、相 关性、同质度、标准差、逆差距、聚类趋势、惯性矩、和的均数、差的均数、和的熵、差的熵；5)用步骤3 4所得到的各种变量数据建立图像特征参量数据库；6)根据步骤5的数据库构建预测模型；7)将步骤5所得到的各种参量数据与样本经反复验证，以修正预测模型，得到结 果比较准确的理想模型。目前对于图像的纹理还没有一个统一的定义，一般认为图像的纹理特征描述的是 物体表面灰度或颜色的变化，这种变化与物体的自身属性有关，是某种纹理基元的重复。采用灰度共生矩阵和Curvelet变换可以得到以下纹理特征参数Energy (angular second moment)能量(角二阶矩)/； 二 ^ 反映影像灰 度分布的均勻程度和纹理粗细度； Inertia惯量/2 =-刀反映纹理的粗糙程度； (IDM)逆差矩/3 =~反映图像的平 滑性； Sun-mean 和的均值/6 = J]kcx+y(k)、Difference-mean 差的均值 反映影像纹理的随机性； /=0 7=0Correlation相关性力_测量像素灰度的相关性； 的均值 提供图像中灰度水平的均值。 Contrast对比度 反映影像的清晰度； Variance方差/ 反映灰度水平的分布情况； Cluster tendency聚类趋势 )测量相似灰度水平值 像素的分组； Homogeneity同质度/13 = THU .丨)反映灰度水平相似程度； Maximum probability (MP)最大概率(MP) /14 = q 最突出的像素对的发生率；mean灰度均值/15 =P ■/)反映像素所有灰度值的集中趋势。standard deviation标准差 反映灰度水平的展开程 度。本专利技术用上述方法建立了含结节的肺部CT图像预测结节性质的模型，判断准确 度达到了 94. 2%0以下是肺小结节纹理特征提取的实例，步骤如下1、收集的肺小结节CT原始图像，见图1 ；2、用区域增长法分割上述图像，得到图像见图2，分割采用编写好的程序，直接运 行即可。3、分别采用灰度共生矩阵和Curvelet变换提取纹理特征参量，每种方法分别有 相应程序，直接运行即可，提取的纹理特征参量见表1 表15。实验结果证明采用区域增长法分割整体肺小结节，选取80%的数据作为训练样 本，建立基于误差反向传播(back propagation)算法的多层前馈神经网络(简称BP网 络)，再根据余下20%的数据作为验证样本，以检验通过模型判断肺小结节是否癌变与病 理诊断的一致性，证明通过提取CT图像肺小结节外部纹理建立预测早期肺癌的灵敏度为 94. 2%。通过以上数据，可以得到结论采用区域增长法分割肺小结节CT图像，并通过灰 度共生矩阵和Curvelet变换提取纹理特征参量建立预测模型对早期肺癌的辅助诊断有很 好的效果。本专利技术的主要效果5将区域增长法用于肺小结节的分割，这是本专利技术的一个创新。经实验证明，区域增 长法分割提取纹理建模要更优于整体分割提取纹理建模，能更好的保留结节的边缘信息；灰度共生矩阵法是提取肺CT图像内容纹理特征的有效方法，可以提取14种纹理 特征参数，较全面的反映图像的纹理特征。Curvelet变换直接以边缘为基本表示元素，并且是各向异性的，具有很强的方向 性，非常有利于图像边缘的高效表示，对于具有光滑奇异性曲线的目标函数，Curvelet变换 提供了稳定的、高效的和近乎最优的表示。它是一种多分辨、带通本文档来自技高网...

【技术保护点】
一种医学图像中结节的多维度纹理提取方法，运用区域增长法将图像中含有结节的区域分割出来，采用灰度共生矩阵法提取结节的内容纹理特征参数，其特征是采用Ｃｕｒｖｅｌｅｔ变换方法提取结节的边缘纹理特征参数。

【技术特征摘要】

【专利技术属性】
技术研发人员：郭秀花，
申请(专利权)人：首都医科大学，
类型：发明
国别省市：11[中国|北京]