, 赵海, 朱宏博, 朴春赫东北大学 计算机科学与工程学院, 辽宁 沈阳 110169
收稿日期：2016-08-10
基金项目：中央高校基本科研业务费专项资金资助项目(N140405004，N161608001);辽宁省科技厅重点实验室建设基金资助项目(LZ201015)。
作者简介：王彬(1988-), 男, 辽宁沈阳人, 东北大学博士研究生;
赵海(1959-), 男, 辽宁沈阳人, 东北大学教授，博士生导师。
摘要：为了提高肺结节检测的性能, 提出一种基于中心点连续性的肺结节检测算法.该算法使用基于简单线性迭代聚类超像素方法分割CT图像, 并根据相似度合并超像素, 进而得到肺部区域及疑似肺结节区域, 降低了疑似肺结节的漏检率.根据各帧CT图像中疑似肺结节区域的中心点偏移程度评价其中心点连续性, 最终判断出阳性肺结节.文中的实验数据来自于上海市胸科医院和LIDC数据库.实验结果表明, 改进后算法的敏感度达到86.36%, 假阳性率为1.76.
关键词：肺结节肺结节检测肺结节分割超像素SILC中心点连续性
Pulmonary Nodules Detection Based on 3D Features from CT Images
WANG Bin
, ZHAO Hai, ZHU Hong-bo, PAK Chun-hyokSchool of Computer Science & Engineering, Northeastern University, Shenyang 110169, China
Corresponding author: WANG Bin, E-mail: 778999451@qq.com
Abstract: A detection method based on the center continuity is proposed to improve the performance of pulmonary nodules detection. CT images are segmented by using SLIC (simple linear iterative clustering) superpixel algorithm in the method. Superpixels are merged according to the similarity to extract pulmonary areas and suspected pulmonary nodule areas, which reduces the missing rate of suspected pulmonary nodules. Suspected pulmonary nodules are diagnosed as positive which keeping center continuous in 3D space. All of CT images in experiments are obtained from Shanghai chest hospital and LIDC database. The experimental results of the improved algorithm show that sensitivity is 86.36% and false positive is 1.76.
Key Words: pulmonary nodulepulmonary nodule detectionpulmonary nodule segmentationsuperpixelSLIC (simple linear iterative clustering)center continuity
CT图像是医生诊断肺部病灶的首要依据.目前, 大部分针对CT图像的计算机辅助检测(CAD)方法均基于2D特征; 但由于肺部的支气管、血管等组织与肺结节的2D特征相似, 对检测产生干扰, 所以基于2D特征的检测效果并不理想[1-3], 而将3D特征应用于肺结节检测已经成为胸部CT图像研究的主流.目前有许多已发表的与肺结节3D特征相关的文献[4-5].本文针对肺结节在3D空间具有中心点连续性的特点, 在分割肺部区域及疑似肺结节区域的基础上, 计算疑似肺结节区域的质量中心点, 并评价其偏移程度, 最终确定该区域是否为阳性肺结节.本文在实验中使用的CT图像均来自上海市胸科医院和LIDC数据库.
1 基于2D特征的疑似肺结节检测3D特征分析需要处理相邻的多张图像, 其时间复杂度为O(m·n), m表示图像数量, n表示肺结节数量[6].为了降低计算量, 有时需要利用肺结节的2D特征确定疑似肺结节区域.
1.1 超像素相似度计算本文使用基于简单线性迭代聚类(simple linear iterative clustering, SLIC) [7]方法对CT图像分割超像素, 见图 1.
图 1(Fig. 1)
 | 图 1 胸部CT影像的SLIC超像素分割结果Fig.1 Result of superpixel segmentation based on SLIC for chest CT image |
超像素在分割之后按照式(1)归一化:
 | (1) |
超像素i和j之间的相似度定义为
 | (2) |
 | (3) |
1.2 基于超像素相似度合并的肺分割通常相邻超像素在空间和颜色方面具有一定的相似性, 合并相似超像素能够突出CT图像中的感兴趣区域.相似的像素点合并, 而差异较大的则会分裂, 超像素的合并与分裂由边界线上的像素点控制.经过多次迭代合并就会提取出肺部区域, 提取的结果如图 2所示.
图 2(Fig. 2)
 | 图 2 胸部图像分割结果Fig.2 Result of chest CT image segmentation |
由于肺部轮廓提取时仅考虑超像素的相似度, 最终得到的轮廓可能是非连接或者弱连接的.为了解决这个问题, 合并超像素时需要利用边界能量, 这样可以强化存在连接的图像轮廓.把相邻超像素分界线上所有点的平均分割能量作为对应超像素之间的分割能量, 并按照这样的规则合并所有的超像素.随着合并的进行, 能量值低的分割线逐渐淡化, 能量值高的分割线逐渐突出, 最终可以形成连续的图像轮廓.
分割能量的计算公式为
 | (4) |
 | (5) |
 | (6) |
图 3(Fig. 3)
 | 图 3 基于边界能量的分割结果Fig.3 Segmentation result based on boundary energy (a)—分割轮廓；(b)—肺分割结果. |
1.3 基于超像素的疑似肺结节区域分割将分割出的肺部CT图像分解成超像素, 能够将疑似肺结节区域与正常器官划分到不同的超像素中, 这可以使疑似肺结节检测更具有针对性.此外, 基于SLIC的超像素分割算法时间复杂度较小, 且能控制超像素的数量和边缘贴合程度, 因此本节仍然使用该方法分割疑似肺结节.
图 4a为SLIC超像素合并的结果, 亮度较高区域为疑似肺结节部分.图 4b为最终的提取结果, 图中红色边框区域为疑似肺结节区域.通过图 4b可以发现, 很多正常肺部组织也包含在疑似肺结节区域中, 这些区域需要通过进一步处理来排除.
图 4(Fig. 4)
 | 图 4 利用超像素分割提取疑似肺结节Fig.4 Extraction of suspected nodule area with superpixel segmentation (a)—超像素合并结果；(b)—最终提取结果. |
2 基于形状变化的肺结节检测在CT图像中, 肺结节的2D特征主要包含边缘形态和边缘周长.在单一CT图像切片中, 血管和气管等肺组织可能出现与肺结节相似的特点, 对检测产生干扰.而在3D空间中, 肺结节的形状与球体接近, 血管和气管等组织呈现延伸形态, 两者特点明显不同.所以利用3D特征区分肺结节与肺部组织的可靠性更高.
首先, 不同大小的肺结节跨越的CT图像帧数也不同.例如, 如果肺结节直径为3 mm, CT扫描距离2.5 mm, 则该肺结节的连续帧数则不应超过2.为了评价这种连续性, 本文使用连续性系数(continuity_pos)表示肺结节的单向连续帧数.continuity_pos的计算方法如式(7)所示:
 | (7) |
 | (8) |
 | (9) |
在3D空间中, 中心点连续性是判断物体形态的重要指标.球体(如肺结节)的中心点在连续多帧的图像中保持不变, 而形状不规则的物体(如血管或支气管)中心点通常变化较大.此外, 计算中心点连续性的时间复杂度较低.
图 5展示了肺结节与支气管在中心点连续性上的差异.图 5为连续4张CT图像, 顺序为胸部内由下到上.图中的红色边框区域为支气管截面图像, 这些区域在2D空间中判定为疑似肺结节区域.通过位置的变化可以看出, 红色边框的分布从分散到聚合, 表现为空间延伸的树形结构[8].图 5中的绿色边框区域为肺结节截面图像, 在4个子图中始终保持中心点位置一致, 与红色边框的特点明显不同[9].本文利用质量中心点连续性描述这种差异.质量中心点(Cx, Cy)表示疑似肺结节CT截面的中心位置:
图 5(Fig. 5)
 | 图 5 CT图像中肺结节与支气管的连续性对比Fig.5 Comparison of position continuity between pulmonary nodule and bronchus in CT image |
 | (10) |
3 实验分析本文实验的硬件环境:CPU为Intel Core i7 -4790 k, 内存8 G.程序的运行环境是Windows 7操作系统下的Matlab R2013a.对于实验的数据集, 本文采用上海市胸科医院提供的200组病例和国际公认的LIDC数据集1 000组.
3.1 中心连续性实验图 6为肺结节的连续多帧标志图像, 并用白色区域表示.这3组图像是对LIDC数据库中的xml文件处理后得到的.
图 6(Fig. 6)
 | 图 6 肺结节质量中心点的连续标志图像Fig.6 Sequent images of pulmonary nodule mass center |
通过图 7中3D模型的描述, 可以很容易地区分肺结节与血管、支气管及胸膜等肺组织, 而其中最明显的特征就是肺结节具有质量中心连续性.
图 7(Fig. 7)
 | 图 7 肺结节的3D形状Fig.7 3D shape of pulmonary nodule |
利用中心点偏移程度判断肺结节时, 选择不同的阈值会对结果造成一定的影响.
图 8所示为选定不同阈值的结果对比, 实验所用CT图像的分辨率为512×512.
图 8(Fig. 8)
 | 图 8 不同阈值结果对比Fig.8 Comparison of results with different thresholds |
敏感度描述的是算法检测出的肺结节占所有肺结节的比例, 而假阳性率(Fp)描述的是每个病人的CT图像集中误检的肺结节数量.在图 8中, 相同Fp下阈值为5时敏感度最高.所以, 对于分辨率为512×512的CT图像, 阈值的最优值为5个像素点.
图 9所示为利用肺结节的质量中心点连续性得到的肺结节检测结果, 算法判定的阳性肺结节用黄色边框的矩形区域表示.
图 9(Fig. 9)
 | 图 9 基于中心点连续性的肺结节检测结果Fig.9 Result of detected malignance pulmonary nodules based on center continuity |
3.2 肺结节检测实验本节选择文献[4], 文献[5]和文献[10]算法与本文算法进行对比.本文的数据来源于上海市胸科医院和LIDC数据库, 从中选取190个病人样本, 共包含286个肺结节.
根据表 1的数据对比, 本文算法的敏感度仅低于文献[5]的算法, 且明显高于其他两种算法.文献[5]的高敏感度主要来自两方面, 一是采用维度更高的特征来描述肺结节, 这会增加算法的计算量; 二是降低阈值, 这样可能会提高假阳性率, 而本文算法的Fp为1.76, 在4种算法中最低.所以, 本文的算法在保证假阳性率最低的情况下, 使敏感度达到最大.实验结果证明, 利用肺结节在3D空间上的中心点连续性检测肺结节是一种有效的方法.
表 1(Table 1)
 表 1 肺结节检测算法结果对比Table 1 Comparison of algorithms for pulmonary nodule detection
| 表 1 肺结节检测算法结果对比 Table 1 Comparison of algorithms for pulmonary nodule detection |
4 结语本文针对2D空间中肺结节检测准确率较低的问题, 提出了基于3D空间中心点连续性的肺结节检测算法.通过与其他算法的比较, 本文算法在敏感度和Fp方面均表现良好，但是仍然存在一些问题需要解决, 其中主要问题为超像素分割的结果中包含的假阳性肺结节较多, 增加了算法的时间复杂度.
参考文献
| [1] | Brandman S, Ko J P. Pulmonary nodule detection, characterization, and management with multidetector computed tomography[J].Journal of Thoracic Imaging, 2011, 26(2): 90–105. |
| [2] | Choi W J, Choi T S. Automated pulmonary nodule detection system in computed tomography images:a hierarchical block classification approach[J].Entropy, 2013, 15(2): 507–523. |
| [3] | El-Baz A, Beache G M, Gimel′farb G, et al. Computer-aided diagnosis systems for lung cancer: challenges and methodologies[J/OL]. [2016-06-20]. https://www.researchgate.net/publication/235691825_Computer-Aided_Diagnosis_Systems_for_Lung_Cancer_Challenges_and_Methodologies. |
| [4] | Alilou M, Kovalev V, Snezhko E, et al. A comprehensive framework for automatic detection of pulmonary nodules in lung CT images[J].Image Analysis & Stereology, 2014, 33(1): 13–27. |
| [5] | Demir ?, ?amurcu A Y. Computer-aided detection of lung nodules using outer surface features[J].Biomedical Materials and Engineering, 2015, 26(sup1): 1213–1222. |
| [6] | Foncubierta-Rodríguez A, Müller H, Depeursinge A. Retrieval of high-dimensional visual data:current state, trends and challenges ahead[J].Multimedia Tools and Applications, 2014, 69(2): 539–567.DOI:10.1007/s11042-012-1327-2 |
| [7] | Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel method[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274–2282. |
| [8] | Krishnamurthy S, Narasimhan G, Rengasamy U. Three-dimensional lung nodule segmentation and shape variance analysis to detect lung cancer with reduced false positives[J].Proceedings of the Institution of Mechanical Engineers, Part H:Journal of Engineering in Medicine, 2016, 230(1): 58–70.DOI:10.1177/0954411915619951 |
| [9] | Li X, Wang X, Dai Y, et al. Supervised recursive segmentation of volumetric CT images for 3D reconstruction of lung and vessel tree[J].Computer Methods and Programs in Biomedicine, 2015, 122(3): 316–329.DOI:10.1016/j.cmpb.2015.08.014 |
| [10] | Tan M, Deklerck R, Jansen B, et al. A novel computer-aided lung nodule detection system for CT images[J].Medical Physics, 2011, 38(10): 5630–5645.DOI:10.1118/1.3633941 |
