摘要:目的 寻找并确定一种新的肺癌病灶检测的新方法，经实践我们提出了一种基于三维CT影像的肺结节计算机辅助检测新方法。方法 建立一种形变模型的精确分割并过滤肺内血管组织，过滤细小血管组织，提取结节特征，进行分类以确定病灶。结果 医生运用该方法可以大大提高疾病诊断的正确率。结论 此方法可以有效判断肺癌。
关键词：肺结节；辅助；检测
1.资料与方法
1.1 一般资料
肺癌是世界上目前最常见也是致死率最高的癌症。因为CT影像可以清晰看出身体组织，所以广泛应用于肺部疾病的诊断。近年来，随着科技的发展，影像清晰度越来越高，一次检测获取的信息量也越来越大，医生漏诊以及判断失误的情况也日益增加。因此计算机辅助检测也在肺癌的检测方面也越来越引起重视，为帮助患者尽早发现，诊治。
1.2观察指标
肺结节是肺癌检测的重要指标，同时也是重要的临床表现。通过在二维CT的影像中的观察，形状多为球形，直径在4——30mm左右。因为肺部CT影像包含胸壁，胸膜，骨骼，气管，血管以及软组织等等多种信息，且肺部的血管等组织与肺结节的形态，密度，位置都与肺结节相似（如图1），所以对肺结节的检测产生了不小的影响。人工的检测排查尚有难度，则计算机辅助检测的准确率更是可想而知。
图1 肺组织示意图（a）其中A标定为结节区域，
形状为“圆”形，B标定为血管区域，形状为“线”形，
C标定为肺实质区域
1.3 方法
鉴于上述论点，我们提出全新的检测方法。
第一，对原始肺部CT影像进行实质分割；第二，借形变模型方法对肺内血管进行分割；第三，构建形状滤波器，对剩余不确定部位进行细致检测；最后，运用分类方法和提取特征对肺结节进行精确检测。
1.3.1 实施前准备
首先进行肺部实质分割，进行结节检测的预处理。原因是在结节检测中肺部实质检测中为非常重要的一步。其主要包括左右肺分离，肺实质边缘修补，肺实质初分割等等。
1.3.1.1左右肺分离
在左右肺组织分离过程中气管和主支气管区域是一个严重干扰，去除掉气管以及主支气管区域后，左右肺在连接区为连接状态。因为连接线区域十分的狭窄，而且密度远高于周围组织，所以，我们先确定连接线区域，其次对左右肺进行分离。图2为分离过程。
（a）原始肺CT影像 （b）肺实质初分割结果 （c）完成左右肺分离，
A区域为左右肺位置 B区域为左右肺连接线 左右肺在该连线区域
定位区域 分离
图2 左右肺分割
1.3.1.2肺实质边缘修补
肺壁处结节密度与周围组织非常接近，且肺实质边缘非常靠近肺壁处结节，所以在肺部实质初步分割时会造成遗漏。对此问题，我们可以采用数学形态算法处理该问题，且得到满意的结果。图3为实验结果。
（a）边缘修补前肺CT影像，（b）修补后，肺边缘结节
剪头指向肺实质边缘结节 包含在所分割的肺区域内
图3 肺实质边缘修补
1.3.1.3肺实质初分割
在肺实质初分割的问题上，我们采用了全新改进的自适应的阀值分割方法实现肺部实质区域的初步分割。以下为最优阀值的分割公式。
1.4关于血管分割
对肺部进行实质分割后，发现肺内血管具有分支多且结构复杂的特点，我们根据这一特点提出了三维血管分割方法，此方法来源于几何形变模型，可以精确的收敛到目标边缘，不仅能够快速定位目标内外的同质区域，而且采用了优化水平集方法对此进行了最优求解。
1.5检测方法
因为结节的大小并不相同，所以在肺结节的检测中，需要进行不同空间不同尺度的滤波检测，其间需要不断调整尺度因子来得到不同尺度的滤波函数。
方法如下：
1.根据结节直径大小范围，指定n个平滑尺度，其中n为常数。对于每一个平滑尺度，利用高斯函数平滑原始影像。
2.对于影像中的每一个像素，重复3 -5步。
3.计算Hessian矩阵和它的特征值。
4.计算球形滤波器。
5.结束对每个像素的循环。
6.对于滤波后的影像的每个像素扩乘，对于n个尺度，继而选取最大值作为滤波后影像。
使用上述方法不只可以检测类球形疑似结节区域，而且可以更加进一步过滤肺内血管以及其他管状组织等组织的干扰。图5为疑似结节滤波的结果。
（a）原始肺CT局部影像 （b）对疑似结节的滤波结果
图5 过滤血管信息后，基于形状滤波显示结果
2结节特征提取与分类
2.1特征提取
通过上述方法得到疑似结节区域后，接下来提取特征有效的影像片段对于真假阳性结节的判定非常重要。根据之前在对真阳性肺结节病理特征研究的基础上，本文提取了多个结节三维特征，如CT均值、CT最小值、CT最大值、体积、球形度、最小直径、最大直径及空间分布密度等等。
对于提取的多个特征，我们通过多组样本数据的整合分析，并得出数据结论，继而利用概率分布的可分性进行了特征选择.在以下图6中各小图的横坐标代表该特征的值，纵坐标代表概率密度，实线代表真阳性结节样本分布，虚线表示假阳性结节样本分布。通过比较可以发现并得出结论，结节体积，直径特征曲线交叠较多，说明这些特征对分类的贡献较小，然而结节球形度、空间分布密度特征曲线交叠较少，说明它们对分类贡献较大。
2.2特征分类
面对提取的特征参数，我们采用分类规则的方法进行真假阳性结节的区分。每一个特征与一个规则相联系，一个规则的输出作为下一个规则的输入。且该方法与K近邻以及神经网络等等分类方法相比，是有效率最高的的分类方法，符合各类型CAD系统对准确性以及实时性的要求。
面对具体规则的确定，我们凭借医学诊断规则并对大量样本数据进行多次整理分析与实践获得了一套对应各个特征的阀值范围，并且用以在测试样本中的指标是否符合系统要求为最终确定依据。特征分类后，我们对系统所检测到的真阳性结节区域进行轮廓跟踪、标定与显示，最后与采用文献中的方法与检测结果进行了对比，结果如图7所示。
3实验结果与分析
我们的实验数据集全部来源于医院的临床数据，含有90组肺癌患者CT影像，有经医结节232个，我们选择了45组作为训练数据集124，剩余的45组用作于测试确诊数据集108 。其中每层CT影像像素均为512 X 512，层厚均在1 - 2mm区间内，像素间距均为0. 6835mm。
其中对于CAI系统的评价，我们运用了敏感性与每组数据所检测出的假阳性结节个数作为评价依据，定义式如下。
我们的测试数据集中有经过医生确诊的真阳性结节共计108处，结节所在的位置有孤立性肺结节、与血管相邻与肺部实质边缘三个位置，包含了目前所有临床病例中肺结节的分布情况，数据显示与血管粘连结节占总样本的55%，与临床病例比例相符合。最终检测结果为Sect - 90 0 o, FP.s/ .scan -1.由于我们的方法预先对肺血管进行了较为准确的过滤与分割。很大的提升了对与血管粘连结节检测的准确率，并且极大的提高了总体检测敏感性。
4讨论
我们在此提出了一种全新的肺结节病灶检测方法。主要分为以下几个步骤:第一，从原始肺部CT影像中分割出肺实质区域;第二，根据血管拓扑的结构特点，提出了形变模型方法通过分割并过滤肺内血管组织;第三，基于Hessian矩阵特征值我们构建了可选择形状滤波器，精确检测所有疑似结节区域，并进一步通过过滤组织的干扰;第四，通过提取多个结节的三维特征，应用按规则分类的方法进行真假阳性结节的辨别，并且对分割结果进行三维显示。
通过对多组肺癌CT影像测试以及与其它相关方法的对比，我们运用的方法对于肺结节检测敏感性较高，准确度也可以保证，基本满足了医生对于肺癌检测的准确性、简便性以及及时的需求。肺内血管分割在临床上具有重要意义，可以辅助医生对多种疾病进行判断以及治疗，拥有多种应用目的以及更为精确的血管分割和建树是我们下一步将要研究的内容。
参考文献：
[1] 王小龙. 肺癌病灶检测的CT影像处理方式分析[J]. 包头市昆区医院外科,2015,9(29):49-50
[2]秦仁义,邹声泉,吴在德,等. 肺癌病灶检测的三维CT影像的探讨.
中华外科杂志, 2008, 36(3):149-151
[3]江涌,张跃,马祖泰,等. 三维CT影像新方法在肺癌病灶检测的应用.中国实用外科杂志, 2013, 23(6):344-345
论文作者:杜超
论文发表刊物:《医师在线》2016年11月下第22期
论文发表时间:2017/1/4
标签：右肺论文; 方法论文; 血管论文; 影像论文; 实质论文; 特征论文; 肺癌论文; 《医师在线》2016年11月下第22期论文;